绿金新闻 | 人工智能是效率工具 还是决策主体?

长期以来，从绿色项目认定到企业转型评价，数据分散、核算成本高、动态信息不足一直是难以解决的问题。企业用了多少绿电、设备改造是否真正带来节能、转型计划是否按期推进，很多关键信息并不直接写在财务报表里。随着产业数据不断沉淀、大模型向垂直场景深入，这些过去难以被金融机构捕捉的变化，正逐步转化为可分析、可验证、可用于定价和风控的信号。

在近日举办的中央财经大学绿色金融国际研究院2026年会的圆桌论坛上，嘉宾从监管、评级、产业数据、科技应用4个维度，共同勾勒出人工智能（AI）驱动绿色金融创新的现实路径。“AI是提升绿色金融效率的强大工具，但其应用必须坚守‘谁用谁负责’的责任底线”“数据底座与规则体系是AI发挥效能的前提”等观点成为共识。

AI提升绿色识别能力

识别问题是绿色金融面临的一个重要挑战。

项目是否真正绿色、企业转型是否真实，不能只依赖一张报表或一个行业标签。特别是从绿色金融迈向转型金融后，金融机构不仅要判断企业当前碳表现，还要看其转型计划、技术路线和减排效果能否持续兑现。信息散落在能耗、设备、生产、供应链和财务数据中，人工核验成本高，也难以实现持续跟踪。

AI等技术则有望提供明显助力。中诚信集团首席执行官马险峰认为，AI本质上是一种现代化工具，目前仍处于发展的初级阶段，无论是大模型训练、应用场景拓展还是纳入生产决策环节，都在探索之中，但其巨大潜力已充分显现。他举例称，在碳排放核算领域，数字化系统可将原本需要1500个工作日的央国企碳排放核算缩短至秒级；此外，在节能降碳技术领域，稀土永磁电机可实现30%至50%的节能效果，AI技术在动力优化输出等环节具有广泛应用空间。

国家金融监督管理总局原一级巡视员叶燕斐则特别强调了数据质量。他表示，AI的高精度应用伴随着高昂的时间与算力成本，如何在成本与精度之间取得平衡，是金融机构应用AI面临的核心考量。

在绿色金融领域，不同业务场景对数据精度的要求存在显著差异，例如，绿色信贷、绿色债券以及碳交易对相关数据的要求精度就不尽相同。叶燕斐建议，可依托本地化部署的大模型建设绿色金融分类公共服务平台，由商业银行将分类数据集中输入平台进行统一识别，再经专家抽样验证后逐步推广。若平台通过国家审计署等第三方机构认证，则可作为行业公共基础设施交付使用。

也有业内专家强调，“绿色金融一直面临‘洗绿’‘漂绿’风险，如果底层数据不真实，再强的模型也可能放大偏差。AI可以提高分类、核验和异常识别的效率，但判断结果仍要能够被抽样、复核和验证。”

产业数据赋能低碳转型

如果说模型提供了新的分析能力，那么决定AI能否真正服务实体经济的，是有没有足够真实、连续的产业数据。

“AI的底座，首先是规则和数据。”一位制造业领域的专家直言。对许多制造业企业而言，电力数据与生产经营高度相关。“可以说，只要‘一开工就用电’。因此，用电变化可以成为观察企业经营活动的重要切口：不仅可以叠加区域能源结构、绿电消费和碳排放因子，还可以观察企业的能源和碳表现。”他解释。

同样颇具参考价值的，还有采购履约、生产排期、新能源并网等产业链数据。这些信息能够帮助金融机构验证贸易背景、项目运行和企业行为，把过去难以进入授信模型的现场信息转化为可使用的判断依据。

这些产业数据还可能改变绿色金融产品的激励方式。例如，企业购买绿电后形成的消费证明，可以与可持续发展挂钩贷款等金融工具衔接。这会导致融资成本下降，部分抵消企业使用绿电的新增成本；当企业因此继续增加绿电消费，金融支持与绿色行为之间就可以形成正向循环。

由此，绿色金融可以不再只问一个项目是不是绿色，而是进一步观察企业有没有持续变绿。AI所做的，是把一度电、一次设备改造、一段生产过程背后的信息，翻译成金融机构能够理解的风险信号和转型信号。当产业语言真正进入金融判断，资金才更有可能投向正在发生的真实转型。

“谁用谁负责” AI应用强化责任治理

AI一旦从资料检索、报告生成进入评价、授信和投资判断，问题就不再只是效率，而是责任。

叶燕斐的观点很明确：“谁用谁负责。”他指出，金融机构使用AI工具产生的结果，其责任主体始终是金融机构本身，不能将问题归咎于AI。同时，监管部门应与被监管机构保持密切互动，监管认知需跟上科技发展步伐，被监管机构也应理解监管部门维护金融系统安全、保护消费者利益的公共立场，双方共同推动科技进步与风险防控的平衡。

这也是为什么AI进入金融决策不宜一步到位。有业内专家建议，AI的决策能力是循序渐进的，如同人的成长过程中逐步承担更大责任，需随着AI幻觉问题的逐步解决而提升决策层级。目前，风险识别类应用可先行落地，但直接让AI进行电力调度等高风险决策为时尚早。

一位业内人士也深有同感：“以金融领域为例，通用模型往往难以理解复杂的业务逻辑、专业的监管合规流程以及客户体验与处理时效等综合要求，因此必须从大语言模型走向面向具体业务场景的垂类模型。”该人士强调，金融垂类模型的建设需把握三大关键要素：第一，设立专业门槛，赋予模型专业领域知识与研究能力；第二，持续训练使模型深入理解业务，真正成为业务助手；第三，坚守合规与安全底线。