从关系催收到合规重塑，银行催收3.0时代的真正挑战是什么？

前文提要：2025年末，商业银行不良贷款余额已达3.26万亿元，催收介入的时候，债务人的资产可能已经转移，关联风险早已传导，那扇可以干预的窗口，悄悄关上了——银行对借款人外部真实风险状况的掌握，严重滞后于贷款本身的账面数据。

#银行催收部 #资产管理部 #不良资产处置

金融机构催收的演进与重构

1.0时代，从关系催收到粗放外访

回望2000年代初，国内银行的对公信贷催收主要依赖客户经理的“个人关系”，一笔贷款出了问题，客户经理先给借款人打电话，约出来喝茶，谈还款……谈不下来，再一级级向上汇报，最后走诉讼。

周期基本一年起步，执行回款遥遥无期。

这个阶段，催收的核心能力是 「关系」，信息高度依赖人的经验积累。同一家企业，不同客户经理了解到的风险程度可能完全不同。

粗放，但不复杂，信贷规模有限，不良率的绝对值也不高，很多银行选择“借新还旧”把问题往后推。

2.0时代，系统化与数据孤岛

2010年前后，信用卡消费贷崛起，个人信贷规模急剧扩大，人工催收的效率瓶颈暴露。

银行开始引入催收管理系统CMS，把债务台账、催收记录、案件分配等环节搬到线上，批量外呼系统上线，催收从一对一谈变成一对多打。

这个阶段，催收的核心能力是 「流程」，效率来自标准化作业。

但问题是 数据在各机构内部流转，与外部世界是隔离的。 一家企业的被执行记录在法院系统里，工商信息在市场监管系统里，企业的关联方分布在十几张不同的数据库里。银行只能看到自己系统里的还款记录，看不到借款人在外面的真实风险状况。

信息孤岛，是2.0时代的结构性问题。

3.0时代：合规重塑与数据基础设施重建

2021年是一个转折点。

《个人信息保护法》、《数据安全法》相继落地，对数据采集和使用划定了严格边界，对过度采集债务人信息、暴力催收等行为被明令禁止，催收行业被迫从粗放走向规范。

2026年1月，中国银行业协会发布《金融机构个人消费类贷款催收工作指引（试行）》，对催收时间、频率、方式、AI催收的技术公平性等做出全面规范。

监管的逻辑很清楚——催收是可以做的，但要在合规框架内，用合理的方式进行。

合规成本在上升，但另一个趋势也在加速——不良资产的处置市场正在快速扩容。2024年个贷不良批量转让成交1583亿元，2025年全年挂牌超3500亿元，仅中国信达与中信金融资产两家AMC年收购规模就超5400亿元。

规模放大的背后，是一个效率问题：AMC要买，银行要卖，但资产包里有多少是真正可回收的有价值资产，有多少是空壳公司或早已资不抵债的垃圾资产，批量尽调的效率和准确性，直接决定了转让定价的合理性。

这个效率问题，贯穿了1.0、2.0、3.0三个时代，到现在依然没有完全解决。

区别在于3.0时代，解决这个问题的工具变了。

外部数据基础设施在过去五年快速成熟——工商、司法、知识产权、招投标、舆情等多维度市场主体数据覆盖，AI技术让数据查询从人工翻档案变成自然语言提问，信息孤岛正在被打破，但谁先接入，谁就先拿到优势。

催收这件事，正在被重新定义

一笔对公贷款逾期90天，客户经理翻出借款企业的联系方式，打过去，无人接听，上门去注册地址，发现那是一栋早已清退的写字楼。

企业工商登记状态显示“存续”，但实际控制人名下还有哪些公司，这些公司有没有被起诉、有没有被执行，档案里看不到。

这笔不良，最后打折转给了AMC。转让的那一刻，没有人知道如果早三个月介入，结果会不会不一样。

这不是某一家银行的问题，这是整个行业在面对的，一道结构性的信息差。

另一边，不良资产的处置市场正在快速扩容，“合规”与“效率”，正在成为催收工作的两条并行主线。

而这两条主线背后，都指向同一个基础设施问题：数据够不够及时，够不够全。

催收效率的本质，是一个信息对称问题

为什么数据对催收这么重要？

先看一组数字。

2025年四季度末，商业银行不良贷款余额3.5万亿元，较年初增长约1000亿元。不良率约1.5%，看似不高，但考虑到信贷规模的基数，实际新增的不良资产体量相当惊人。

这些不良资产最终流向两个出口：要么银行自己催，要么打包转让给AMC。

无论走哪条路，都面临同一个问题——银行对借款人的信息掌握程度，往往远低于对贷款本身账面数据的了解。

账面数据是结构化的，涉及到**贷款金额、利率、期限、担保方式，**但借款人的真实风险状况是分散的：在外面有没有被起诉？有没有被执行？实控人名下还有没有其他公司？这些公司之间有没有互保关系？资产有没有已经被抵押出去了？

这些信息分布在工商、司法、知识产权、招投标、舆情等多个系统里，不主动去查，根本不知道。

而催收的时机，往往就卡在「不知道」和「知道了」之间。

现实中大量案例表明很多债务人并不是没有能力还，而是有意转移资产后选择不还，等到催收介入时，企业账户早已清空，名下资产早已抵押或转让，查封执行回款聊胜于无。

这不是催收人员不努力，这是信息获取的时点太晚了。

另一个结构性问题是 关联风险。

借款企业A本身看起来正常，但实控人控制的B公司已经被执行，B对C有担保关系，C又在与A相同的地址办公。这类关联传导在传统信贷管理里几乎没有被前置识别，等到A也出现违约时，损失已经扩散了。

催收工作中有一个信息窗口期的概念——从风险信号出现到损失真正形成，中间有一段可以被干预的时间。

但这个窗口期的有效性，完全取决于信息到达的速度，如果风险信号滞后才被人工发现，窗口期早就关闭了。

数据的作用，就是在窗口期之内把信息送到决策者面前。

工商变更、司法案件、股权质押、资产查封——这些信号单独看都是零散的，但连在一起，就是一家企业真实风险状况的全景图。

当这套全景图在贷款发放时就存在，在贷后管理中持续更新，在催收介入前就已生成，催收策略的制定依据就不再是催收人员的个人经验，而是「完整的风险画像」。

这个转变，才是数据真正改变催收效率的核心逻辑。

催收业务流程里的四个信息盲区

银行催收工作通常分为三个阶段：贷后监控、深度催收、处置回收。每个阶段，都存在信息不对称的典型盲区。

盲区一：贷后监控滞后

大部分银行的贷后管理还处于定期翻档案阶段，每季度或半年翻一次还款记录，没有逾期就默认正常。

但很多风险信号不等季度性报告。

更隐蔽的是关联企业风险。借款企业本身还在正常经营，但同一实控人名下的另一家公司正在被法院执行，或者刚刚被吊销。这种关联传导在传统贷后管理里几乎没有触发条件。

批量导入存量客户清单，持续监控风险情况，任意一项触发即推送预警至客户经理，无需人工定期查询。

盲区二：催前尽调信息不足

一笔贷款进入M1（逾期1-30天）阶段，催收人员拿到企业名称，能看到的基本信息有限。

真实的风险藏在看不见的地方，比如一家借款企业本身看起来正常，但实控人名下其他公司已经被执行了多条记录，或者实控人本人已经收到限制高消费令。这类信息在催收介入前如果能获取，催收策略会完全不同。

支持新增逾期客户一键尽调，生成完整风险画像。

盲区三：债务人失联

企业的备案网站、APP、小程序，招聘网站的联系方式，分支机构的地址，历史变更记录里留下的旧地址，都是可以追溯的触达路径。关联方的触达同样是突破口——股东、主要人员任职信息、上下游合作伙伴，甚至担保人，都可能成为重新建立联系的节点。

从单一企业出发，拓展催收线索网络。

盲区四：不良资产处置效率

进入处置阶段，意味着回收率已经开始打折。但资产包里往往混入了大量看起来有债权、实际无资产可执行的空壳公司，尽调成本高，处置周期被拉长。

一家企业注册地址异常、零纳税、零社保、频繁变更法人——这类特征组合在一起，基本可以判断为空壳，不值得花费催收资源。而另一部分企业虽然表面正常，但动产抵押记录显示设备已被抵押，股权出质记录显示股权早已质押，这类资产线索直接影响回收价值的判断。

企业财税数据支撑回收价值评估，帮助识别高价值和低价值资产，分层处理，提高处置效率。

某互联网银行催收部是怎么做的？

在过往合作中，该银行企业风险部在日常催收工作中遇到一个问题：催收人员拿到一笔不良贷款，知道企业名字，能看到的基本信息有限。

他们的做法是收集申贷企业有进行中的司法案件，里面藏着对手方企业，这个对手方的联系方式、地址、主要人员，是催收可以直接用的线索，同地址的其他关联企业，同样是线索。

通过申贷企业找到当前在审/在执的司法案件，提取对手方企业及其联系方式；通过地址字段匹配，找到同地址的其他关联企业。线索一旦拉出来，催收的方向就清晰了。

这个场景的底层逻辑是——催收本质上是信息挖掘工作，信息的完整性决定了催收的效率和质量。

AI如何融入催收环节

企查查MCP智能体数据平台，是一个专为AI智能体和大模型打造的企业数据基座，通过MCP协议和CLI命令行双栖接入，180个原子工具分布在6大Server：

对于有AI应用规划的机构，这意味着在行内AI对话系统里直接问 「这家企业有没有被执行记录」 或 「帮我扫描这个实控人名下的关联风险」，系统实时调用对应工具返回结果，催收人员不需要切换系统，不需要手动查询，AI直接给出结论。

值得一提的是，这套平台内置了实体强锚定机制——大模型常见的企业主体混淆问题（比如把乐视影业查成乐视网），通过强制信用代码验证来规避；同时全面实施参数下推，引导AI按需索取数据而非全量返回，显著降低Token消耗，对行内AI系统的集成成本更友好。

这个能力对于人力有限的城商行和农商行特别有价值——客户经理不需要学习专业系统，用日常语言提问，就能拿到结构化的风险信息。

催收这件事，长期被简单理解为打电话和上门，但真正做过催收的人都清楚，催收的本质是一场信息战，谁更早拿到债务人完整的信息图谱，谁就握住了回收的主动权。

监管在收紧，合规成本在上升，但技术也在给出新的解题思路。

让风险信号比债务人先到，这是数据能做的事。

产品能力对照

根据不同的业务场景和接入需求，企查查提供四套数据服务方案，可灵活匹配各类金融机构的技术能力和预算：

常用API接口参考：

来源引用：

[1] 国家金融监督管理总局，《2025年四季度银行业金融机构主要监管指标数据》，2026年2月12日

[2] 银登中心，《2024年不良贷款转让业务统计》，2025年

[3] 财联社，《两大全国性AMC年收购不良资产超5400亿》，2026年4月

[4] 中国银行业协会，《金融机构个人消费类贷款催收工作指引（试行）》，2026年1月30日

[5] 国家金融监督管理总局，《金融机构合规管理办法》，2024年12月25日