坏账发生以后,AI模型沉默了:谁去找人、找手机、找车和电池?

副题：

现金贷怕借款人失联，手机分期怕设备被转卖，摩托车金融怕车辆消失，换电平台还要面对电池损失。模型可以预测谁可能逾期，却不能自动把一笔坏账重新变成现金。

提示：本文为行业观察，信息来源包括公开资料、行业交流与市场调研，不构成任何金融产品推荐、投资建议、贷款申请指引或商业承诺。文中涉及企业、平台、产品名称仅作案例分析使用，均作脱敏或中性表述。时空网不提供贷款导流、产品代办、资金撮合或放款服务。

放款之前，AI无所不能。

它识别身份、分析交易、判断欺诈、预测逾期，再决定是否放款、放多少、分多少期。

坏账发生以后，屏幕上的模型却突然安静下来。

电话无人接听，登记地址已经变化，手机被转卖，摩托车被骑到另一个城市，电池与车辆分开流转。

模型还在输出风险分数。

平台真正面对的问题，却已经变成：

人还能不能联系上？

客户是暂时困难，还是涉嫌欺诈？

手机、车辆和电池还在不在？

继续处置需要花多少钱？

最后还能收回多少现金？

贷前风控在屏幕里完成，坏账处置却最终要回到现实世界。

一、不是AI做不了，而是平台给它的任务结束得太早

“AI模型沉默了”，并不意味着AI天然无法参与贷后。

真正的问题是，许多平台从一开始只训练模型回答一个问题：

这个人在未来一段时间内会不会逾期？

模型完成了任务。

但贷款经营真正关心的远不止违约概率，还包括：

• 逾期以后能否恢复正常还款；
• 客户是支付故障、暂时困难还是长期失能；
• 哪种合规沟通方式更可能有效；
• 对应资产是否具备合法回收条件；
• 回收后的净残值还有多少；
• 每多投入一美元，能够增加多少净回收；
• 哪些案件继续投入已经不经济。

国际金融公司2026年对448家另类信用评分相关企业的研究显示，交易数据是最常见的数据来源，AI通常被用于交易分类、评分和风险识别；完全自主运行的端到端模型仍然少见，规则与模型结合的混合方案更普遍。

这说明AI可以扩大信用识别能力，但信贷仍然不是一个模型从头跑到尾的生意。

IFC《另类数据与AI如何改变普惠信贷》

模型没有失效，它只是完成了一个过早结束的任务。

二、现金贷坏账：人一旦失联，只剩下一张债权

现金贷没有对应的实物资产。

钱进入借款人账户以后，平台持有的是合同、债权、还款记录，以及依法获得的身份和联系方式。

部分逾期来自工资延迟、支付故障、疾病或临时收入中断。这类客户仍然愿意沟通，也可能在提醒、协商或合理调整后恢复正常。

真正危险的是完全失联。

手机号码停用，电子邮件无人回复，登记地址无法确认，借款人的其他债务同时恶化。

平台没有手机可以收回，没有车辆可以处置，也没有电池能够重新投入运营。

现金贷坏账最后只剩两样东西：

债权的法律效力，以及平台在合法边界内实现债权的能力。

但“找人”不等于可以无限追踪。

读取通讯录、骚扰亲友、公开欠款、威胁曝光或非法获取位置，不是风控能力，而是可能引发处罚、投诉甚至刑事风险的越界行为。

三、手机、摩托车和电池：资产存在，不等于价值还在

与现金贷不同，手机分期、摩托车金融和换电业务背后还有实物资产。

这让平台看起来多了一层保障。

但资产能否降低损失，取决于三个条件：

权属是否清晰、程序是否合法、回收是否经济。

手机分期：设备锁能锁住使用，未必锁得住损失

手机交付以后，可能被正常使用，也可能被转卖、拆解、损坏或者用于虚假交易套现。

设备管理技术可以提高转卖和继续使用的成本，却不能自动完成合法回收。

如果系统错误限制正常用户，设备锁就会从风控工具变成投诉来源；如果缺乏明确授权和充分告知，远程控制设备还可能带来消费者权益和数据合规争议。

技术能够影响设备功能，但不能创造原本不存在的合同权利。

摩托车金融：定位到车辆，不等于可以把车骑回来

车辆金融可能掌握登记、保险、定位、维修和运营数据。

但找到车辆只是第一步。

平台仍需确认所有权、担保权、合同约定、当地回收程序、实际使用人以及车辆当前状态。

一辆账面残值500美元的摩托车，如果寻找、合法回收、运输、仓储、维修和二手渠道合计需要花费300美元，它真正能够缓释的损失，远低于账面数字。

定位是数据。

收回是法律行为。

卖出去并收到钱，才是资产处置。

换电业务：停换电可能同时切断还款来源

换电平台可以通过换电时间、地点、频率和用电变化，判断骑手是否仍在运营。

发生逾期后，平台也可能依据合同暂停部分服务。

但如果骑手依靠车辆跑单谋生，停换电会直接降低他的收入能力。平台本想促进还款，却可能同时切断客户最重要的还款来源。

因此，停换电必须建立在清晰合同、充分告知、合理宽限、异议处理和安全评估之上。

真正有效的风险约束，不能把客户最后一条现金流一起切断。

四、算一笔账：100美元坏账，追回35美元为什么只剩27美元？

以下为情景测算，不代表任何具体平台的经营数据。

假设一笔现金贷款本金为100美元，合同期限内原本预计收回本金及合规收入共118美元。

借款人发生严重逾期后，平台通过提醒、人工沟通和协商，最终收回35美元。

贷后过程中又产生：

• 自动提醒及支付处理成本：1美元；
• 人工沟通与客户服务成本：3美元；
• 合规审查、账户管理及外部服务成本：4美元。

实际净回收为：

35－1－3－4＝27美元

按本金口径计算，平台净回收27美元，最终本金损失73美元。

如果平台再投入20美元，只能多追回10美元，继续处置反而会让净损失扩大。

这就是贷后最容易被忽略的一笔账：

追回得更多，不一定代表损失更小。只有新增回收超过新增成本，处置才真正创造价值。

对实物资产同样如此。

一部手机可以卖出40美元，但运输、检测、维修、数据清除和渠道分成可能吃掉大部分残值。

一辆摩托车仍值500美元，也可能因为回收、拖运、仓储和维修花掉300美元。

资产还在，不等于价值还在。

账面残值，更不等于净回收价值。

五、坏账以后，平台需要五个模型，而不是一个信用分

成熟的贷后体系不能继续依赖放款前的信用评分。

至少需要重新作出五类判断。

逾期原因判断

区分忘记还款、支付故障、收入延迟、长期失能和疑似欺诈。

恢复概率判断

预测客户经过提醒、短期协商或合理安排后恢复正常还款的可能性。

处置方式判断

判断自动提醒、人工沟通、困难协商或资产处置，哪一种方式更适合当前案件。

资产净残值判断

计算手机、车辆或电池的可回收价值，并扣除查验、回收、运输、维修和销售成本。

边际回收判断

比较继续投入的成本与可能增加的回收，决定什么时候继续、什么时候停止。

AI可以辅助这些判断。

但模型不能直接把“没有接听电话”定义成恶意逃债，也不能把“高风险评分”当作欺诈证据。

好的贷后AI不是催得更狠，而是分得更准。

六、AI催收最危险的错误：把困难客户当成恶意客户

逾期行为相似，原因却可能完全不同。

一名骑手因为车辆故障停工两周。

一名小商户因为洪灾失去库存。

一名工人正在等待延期发放的工资。

另一名申请人则可能使用虚假身份，在多家平台集中借款后失联。

如果系统只看逾期天数、电话接通率和历史响应，就可能把前三类困难客户与涉嫌欺诈的客户放进同一个处置队列。

结果是：

• 原本能够恢复的客户被过度施压；
• 投诉和声誉风险上升；
• 真正高风险案件没有获得足够资源；
• 人工团队把时间用在错误对象上；
• 贷后行为反过来降低客户的还款能力。

世界银行关于数字信贷消费者风险的资料指出，数字信贷规模化可能伴随过度负债、重复借款和强硬催收等风险，利用手机与社交数据联系借款人的亲友、同事，是其中受到重点关注的滥用方式。

世界银行数字信贷消费者风险资料

贷后AI真正应该解决的，不是“怎样增加压力”，而是：

谁只是忘记还款？
谁需要短期协商？
谁具备现金流恢复能力？
谁可能涉及欺诈？
哪些案件值得人工介入？
哪些案件继续投入已经不经济？

七、真实监管现场：催收过程本身已经成为风险

2026年6月，印度尼西亚金融服务管理局OJK因消费者通过官方投诉渠道反映涉嫌催收流程违规，召集一家持牌科技借贷平台进行说明。

OJK在公告中再次强调，科技借贷平台必须以专业、透明、负责并保护消费者的方式开展业务。

这一案例最值得行业注意的，并不是某一家平台的是非结论，而是监管信号：

平台不仅要为贷款结果负责，也要为贷后过程负责。

贷前模型再准确，也不能抵消贷后越界造成的监管、投诉和声誉风险。

OJK关于涉嫌催收流程违规的公告

八、真正的风控闭环，必须让贷后数据回到贷前

许多平台内部存在一条明显断裂：

贷前团队负责评分；

业务团队负责放款；

催收团队负责回款；

资产团队负责处置；

投诉团队负责善后。

每个部门都有自己的数据，却没有形成同一张损失地图。

贷前模型知道谁可能逾期，却不知道最终收回多少；

贷后团队知道谁愿意协商，却无法影响下一轮授信；

资产团队知道什么车最难回收，却没有参与额度和期限设计；

投诉团队知道哪些方式容易越界，却无法修正处置策略。

真正完整的风险闭环应当是：

预警 → 原因诊断 → 案件分层 → 合规协商 → 资产处置 → 最终损失计算 → 模型复盘

其中最关键的不是“追回了多少钱”，而是把结果重新反馈给贷前：

• 哪类渠道带来的首逾最高；
• 哪种客户最容易恢复；
• 哪类设备残值被高估；
• 哪种车辆回收成本最高；
• 哪些模型变量只预测了逾期，却没有预测最终损失；
• 哪种处置方式回收不高，投诉却最多。

没有闭环的数据，只能解释昨天为什么亏损。

它无法阻止平台明天继续放出同一种坏账。

九、六条不能跨越的红线

贷后越接近现金流和实物资产，越需要明确边界：

• 不得骚扰与债务无关的亲友、同事和联系人；
• 不得公开欠款、羞辱、威胁或使用暴力手段；
• 不得非法获取位置、通讯录和其他个人信息；
• 不得在缺乏合同依据和充分告知时远程限制设备；
• 不得未经合法程序擅自收车、拆除设备或控制电池；
• 不得把算法评分直接作为恶意逃债或欺诈的证据。

数据可以帮助判断风险。

模型可以帮助分配资源。

但任何影响用户财产、工作、通信和基本生活的措施，都需要明确授权、合理告知、人工复核，并符合当地法律程序。

十、事实、推断与一个没有答案的问题

可以确认的事实是：

现金贷、手机分期、车辆金融和换电服务拥有不同的风险缓释条件。现金贷缺少实物资产，手机与车辆具有一定残值，换电网络则增加了持续服务关系和运营数据。

可以作出的推断是：

拥有资产不等于能够降低损失。只有权属清晰、程序合法、回收成本可控、二手渠道成熟，资产才真正具备风险缓释价值。

尚未得到回答的问题是：

如果一个平台只能预测谁会逾期，却不知道为什么逾期、采用什么方式、花费多少成本、最终能够收回多少钱，这套AI系统究竟创造了风控价值，还是只生成了一张更漂亮的评分表？

时空网判断

贷前模型决定钱敢不敢放。

贷后能力决定损失能不能停。

AI并没有在坏账发生后失去能力。

真正沉默的，是没有回收标签、没有资产数据、没有成本数据，也没有组织闭环的模型体系。

看见风险，只是风控的上半场。

控制损失，才是风控的下半场。

一个真正有价值的模型，不只要告诉平台谁可能出问题，还要帮助平台判断：哪一种资源，应该用在哪一个客户、哪一台设备和哪一项资产上。