数据要素、人工智能、金融SaaS这几个词放在一起懂行的人应该立刻能闻到味这已经不是单纯的IT系统买卖而是一条从数据加工、模型训练到业务决策的完整价值链条。2023年12月这个时间点恰好处于大模型热潮从通用对话向行业落地迁移的拐角金融作为数据密度最高、付费能力最强的行业很自然成了AI最先变现的试验场。这篇东西我想从一个常年跟踪金融科技产业链的视角把百融云、宇信科技、长亮科技这批公司的业务逻辑拆开看讲清楚它们各自吃的是哪碗饭以及往后几年产业链的价值会往哪个环节集中。无论你是做产业研究、一级二级市场观察还是在金融机构里负责数字化选型这篇文章都值得花点时间过一遍。我尽量不讲空泛的概念只聊商业模式、技术底座和那些决定企业天花板的关键问题。1. 数据要素正在重塑金融SaaS的价值逻辑先说一个基本判断金融SaaS这行当的传统买卖方式正在被数据要素这个概念重写。以前银行买一套信贷管理系统、一个风控引擎本质上买的是软件许可证和实施服务SaaS厂商赚的是开发工时和运维费。但数据要素的核心含义是数据本身要变成可计量、可交易、可入表的资产。这个转变直接改变了供应商的角色定位——你不再是卖软件的而是帮客户把数据加工成生产资料的。1.1 从“工具上云”到“数据资产化”金融行业跟数据打交道的深度远超其他行业。一笔零售信贷从申请到放款中间要经过反欺诈、额度测算、定价、贷后监控每个环节背后都是数据在流动。过去这些数据分散在核心系统、信贷系统、催收系统里各自为政模型也多是规则引擎——专家把经验写成if-then条件系统照着跑。这种模式下数据是系统的副产品用完即弃谈不上资产。数据要素的逻辑完全反过来。金融机构开始追问我的行内数据能形成什么样的客户画像哪些数据维度在违约预测里权重最高外部采购的工商、司法、税务、舆情数据经过清洗和特征工程之后能不能变成一个标准化的评分产品对外输出这些问题一出现SaaS厂商的服务边界就被撑开了。原来只交付软件现在要交付模型、特征库、标签体系甚至直接帮客户运营一套完整的智能决策流程。这个转变对厂商能力的要求是质变。软件工程能力解决的是流程线上化数据要素运营能力解决的是数据增值。《这也就是为什么我2023年跟踪这些公司时特别关注它们披露的数据产品收入占比和模型调用量——这比单纯的软件合同额更能反映真实价值创造。1.2 为什么金融机构最先跑通数据变现金融机构能把数据变现这件事跑通底层有三个别人复制不了的优势。第一个是数据质量。银行、消金、保险的业务数据都是强结构化的有明确的字段定义、严格的录入规范坏账、逾期、还款这些标签是经过真金白银验证过的。对比一下互联网公司的用户行为数据金融数据的颗粒度和置信度完全不是一个量级。训练风控模型最怕的噪声问题在金融场景里天然被压得很低。第二个是决策闭环。一笔贷款还不还、一个客户是否流失、一张保单是否出险结果在几个月内就能反馈到模型上。这种高频、短周期的反馈机制让模型迭代有了持续的动力也让“数据-模型-决策-结果-再训练”的飞轮转得起来。反观一些To B场景决策结果可能半年才能回来一次模型优化效率不在一个档次。第三个是付费意愿。金融业务的试错成本极高一笔坏账可能吃掉几十笔好客户的利润。所以金融机构对能提升决策准确率的外部分析服务普遍舍得花钱。这也是为什么数据要素和AI最先在金融SaaS里形成真正的收入而不是停留在PPT层面。1.3 人工智能在金融决策链条里的位置迁移金融行业用AI不是新鲜事2015年前后大数据风控就火过一轮。但这一轮的差别在于AI从“外围工具”变成了“决策主干”这个位置迁移需要打个比方以前AI像计算器工作人员做判断时拿来算几个数现在AI像副驾驶它自己在读路况、提建议、甚至执行部分操作人只负责盯着和纠正。落到金融场景信贷审批这条链路是最典型的。传统的审批流程里模型输出一个分数人工审核员参考分数结合经验做最终决定。现在的智能化流程里AI不仅出分还会自动生成解释性文本说明哪些特征触发了决策变化并在授信策略允许的范围内自动完成额度调整。2023年下半年我注意到一个明显趋势金融机构的采购需求从“买一个评分卡模型”转向“买一套支持模型自主迭代的平台”乙方需要提供特征工程、模型训练、影子测试、灰度发布、效果监控的完整能力。这个迁移直接把行业门槛拉高了。没有数据积累、没有建模团队、没有运维体系的金融SaaS厂商会在这轮竞赛里掉队。反过来真正手握高质量数据和模型工程化能力的厂商会拿到远超软件订阅本身的定价权。2. 产业链全景数据、模型、算力与应用的四层结构拆产业链不是按公司名单划拉两下就完事得看价值在哪一层形成、怎么流动。我习惯把人工智能金融SaaS拆成四个层次底层数据源和治理、中间模型与决策引擎、上层业务应用场景再加上横穿全链的算力与合规基础设施。2.1 上游数据源与数据治理的隐性壁垒金融AI的上游不是芯片也不是算力而是数据。算力现在可以租、可以买标准化程度很高但高质量数据是稀缺的尤其那些带标签、经过清洗、能直接用于建模的数据。上游数据源大致分三类公共数据工商、司法、税务等、机构自有数据银行内部交易、还款记录、第三方商业数据电商消费、运营商行为等。这里面有几个容易被忽略的门槛。第一个是合规门槛数据获取和使用受严格约束厂商必须证明数据来源合法、使用范围合规这直接过滤掉一批想走捷径的玩家。第二个是工程门槛原始数据不能直接喂给模型要经过解析、标准化、特征衍生、质量监控这一整套流水线做得好的厂商积累了大量规则和模板后来者想追得花很长时间。第三个是隐私计算门槛很多数据因为敏感性不能出域厂商需要提供联邦学习、可信执行环境这类技术让模型在“数据不动模型动”的框架下完成训练和推理。这些上游能力不容易被看见但正是它们决定了中游模型效果的上限。我跟踪产业链时会把厂商的数据源覆盖广度、数据更新频率、数据治理自动化程度作为比表面营收更重要的先行指标。2.2 中游AI模型、决策引擎与SaaS平台的三角结构中游是产业链的枢纽也是百融云这类公司的阵地。拆开看有三个角色模型层提供的是算法能力包括反欺诈模型、信用评分、收入预测、流失预警等等。通用大模型在这层也有切入机会比如用语言模型理解尽调报告、解析合同条款、生成授信建议但纯粹的通用模型很难直接用于信贷决策需要海量金融数据进行领域微调。决策引擎层是模型落地的骨架。它负责把模型输出整合进业务流程定义策略规则、管理模型版本、支持A/B测试、记录每一次决策日志。没有这一层模型再强也变不成生产力。这层产品的核心壁垒在于稳定性和灵活性银行生产环境对系统稳定性的要求接近苛刻而业务策略又需要快速调整两者平衡很考验产品功底。SaaS平台层则负责交付形态。云端的按调用量计费私有的按年订阅也有混合模式。2023年金融SaaS领域的明显变化是客户更偏爱“本地化部署云端模型更新”的组合——模型代码和核心数据留在客户侧但特征库和模型参数可以定期从云端同步。这种模式的深层原因是数据安全焦虑SaaS厂商需要在交付效率和客户信任之间找到平衡。2.3 下游银行、消金、保险的落地场景差异下游场景决定需求的频次和付费方式金融SaaS的下游不能一概而论。零售信贷是最成熟的场景。从获客、反欺诈、审批、定价到贷后管理每个环节都有对应的SaaS工具商业模式以调用量付费为主弹性好、天花板高。小微金融场景早年比较难做因为单笔金额小、数据碎片化但2023年以来随着税务、发票等多维度数据的打通机器学习模型在小微风控上开始跑通头部银行在大力投入。财富管理场景则完全是另一种玩法。智能投顾、客户画像、产品匹配推荐这些应用对模型准确率的容错度比信贷高但合规要求极其严格话术审查、适当性管理层层叠加导致落地节奏偏慢。保险场景的AI应用主要集中在核保理赔和反欺诈上需求真实但改造周期长项目制色彩重。从付费逻辑看信贷相关场景能直接对接到贷后资产质量改善ROI清晰客户愿意按效果付费。而财富和保险场景多是对内部运营效率的提升付费决策链条长更难单独定价。所以二级市场在给金融SaaS公司估值时用零售信贷客户收入占比做基准是有道理的。2.4 价值分配数据、模型、场景里谁的议价能力最强追踪产业链最终要回答的是利润往哪里走。我的判断是中间层的模型和决策引擎厂商拿着最强议价权。原因在于上游数据虽然稀缺但同质化竞争已然显现同样的工商数据可以在不同厂商处买到价格战压低了数据层的利润率。下游金融机构虽然直接面对C端用户、掌握业务场景但它们的核心诉求是规避风险和降低成本恰好是中游模型能力可以满足的。在一个信息不对称的博弈局面里掌握“数据如何变成决策”的工艺比单纯拥有数据或场景都更值钱。当然一个既有的现实是能够闭环完成“数据获取-模型训练-场景落地”全链条的公司会在产业链里拿走最大份额。这解释了为什么头部金融SaaS公司在不断地补数据短板、强化建模能力、甚至往咨询和运营服务延伸。全栈化和平台化是产业成熟期的必然方向单一环节的护城河会越来越浅。3. 重点公司跟踪三家公司三种打法具体到公司层面三家头部金融科技公司刚好代表了三种完全不同形态的生意百融云做的是模型和数据资产的标准化输出宇信科技走的是银行业的贴身项目制服务长亮科技则把赌注压在了核心系统的重构和海外市场上。3.1 百融云把模型当服务卖百融云的商业模式核心是MaaSModel as a Service加BaaSBusiness as a Service。前者是按调用量收费的标准化模型服务和决策引擎后者是深度嵌入客户业务流程的一体化解决方案。从技术侧看这家公司把特征衍生、模型训练、策略仿真、模型监控做成了工程化的产品客户不需要自己组建算法团队拿来就能用。百融云这类公司的看点不在单个项目的合同金额而在“活跃客户数×单客户调用量×续约率”这个乘数模型。只要模型效果持续跑赢客户的内部方案调用量就会自然增长收入弹性远大于传统IT项目制。我2023年追踪时关注的一个重点是它的决策类产品对大模型的吸收程度——风控场景里不是非要上大模型但模型可解释性和自动化策略生成能力一旦提升对客户粘性和客单价的拉动是显著的。风险点也要说清楚部分银行客户会在模型成熟后转向自研数据供应商变成乙方里的乙方议价权会被稀释。所以百融云需要持续推出新的高价值数据产品和模型服务才能维持收入的护城河。3.2 宇信科技银行业的贴身项目制玩家宇信科技的生意本质是承接银行IT系统建设的整体工程从信贷管理系统到数据中台、监管报送、渠道整合项目制、集成制色彩非常浓。这类公司的收入来源主要靠新签合同和存量系统的运维升级人员规模和技术栈广度是关键竞争力公司要与银行客户建立长期信任关系在系统替换周期里拿到连续订单。跟踪这类公司核心矛盾在于收入质量和交付效率。项目制意味着回款周期长、应收账款高需要盯现金流指标。另一个关键指标是人效如果人员规模增长但人均创收不动说明交付效率遇到瓶颈。2023年大模型技术对这类公司的意义更多是降本——用代码生成辅助开发、用智能测试减少返工把利润率拉起来比收入跳增更现实。在国产化软件栈适配和核心系统改造的趋势下宇信这类离银行客户最近、绑定最深的服务商会持续受益。受益逻辑不在于技术有多领先而在于银行系统改造这个存量需求极度依赖熟悉业务和历史的长期服务商替换成本极高。3.3 长亮科技核心系统的分布式改造与出海机会长亮科技做的是银行信息系统中最难啃的骨头——核心业务系统。这是一套记录账务、结算、客户、总账的神经中枢系统也是最难替换的系统。传统银行核心系统多构建于集中式数据库和大机架构之上升级方式通常是“分布式架构通用服务器国产数据库”的新体系这个替换潮为长亮提供了确定性很高的需求。做核心系统生意的特点是周期长、金额大、标杆效应强。一个核心系统项目从招标到上线往往要两三年但一旦交付成功后续扩展项目自然会落进来。另外核心系统厂商很适合出海——东南亚大量银行的信息化水平相对滞后对低成本、灵活的新核心系统需求旺盛能够把国内积累的分布式架构经验打包输出。跟踪长亮这类公司最前瞻的指标是核心系统订单的落地节奏和标杆客户案例的扩展情况。单个大行订单就能贡献全年收入的相当比例反过来关键项目延期也会对整年业绩造成明显冲击。与新技术的融合方面分布式核心配合AI运维和智能调度是大方向但核心系统的优先级永远是稳定压倒一切。3.4 三家公司的核心差异对照维度百融云宇信科技长亮科技核心产品决策模型、智能风控、MaaS/BaaS信贷管理、数据平台、监管报送核心业务系统、分布式架构主要客户银行、消金、互金银行为主国有大行和股份行银行、东南亚金融机构商业模式订阅制、调用量计费项目制、集成制、维保服务项目制、软件许可、实施服务技术关键词机器学习、特征工程、模型监控业务中台、数据治理、系统集成分布式架构、国产数据库适配跟踪指标活跃客户数、调用量、续约率新签合同额、回款、人效核心系统订单、海外收入占比三家各有各的确定性也各有各的软肋。产业链不会只有一种活法模型公司拼效果、项目公司拼交付、核心系统公司拼耐力每个位置都需要深耕的时间复利。4. 2023年末最值得盯的几个趋势信号年末复盘总得看点趋势性的东西。2023年12月这个节点上产业链里正发生几个被反复讨论的变化它们大概率会决定未来两年各家公司的起跑位置。4.1 大模型从对话走向决策2023年是行业大模型元年金融圈也在尝试。早期趋势是“大模型客服问答”“大模型文档阅读”都还在信息检索和文本生成的舒适区里价值感知更强的是操作层面的流程重构解析授信报告、生成尽调初稿、自动提取合同要件AI变成业务人员的日常助手但还没有进入决策核心。到了年末部分厂商开始尝试将大模型接入信贷审批链路的边缘节点比如让大模型基座理解复杂非结构化数据后生成特征变量再喂给决策模型。这仍然不是大模型直接做放款判断但已经是一个明确的信号大模型在金融决策场景的嵌入通道被打通了。RAG检索增强生成和Agent编排是这段时间出镜率最高的技术词。RAG让模型能够基于行内知识库回答专业问题Agent则让模型可以自主调用工具、执行多步任务两者组合起来AI在金融场景的形态就会从“聊天框”进化成“数字员工”。对SaaS厂商来说这既是功能升级的窗口也是现金流模式升级的窗口——从卖模块变成卖自动化流程。4.2 存量系统替换潮带来的确定性需求金融IT支出的盘子2019年前后增长逻辑主要是线上化和移动端建设2023年往后则更多来自存量系统的整体替换。老一代核心系统和数据库架构在扩展性、成本、人才供给上都面临瓶颈越来越多的金融机构开始规划次代系统的演进路径。这个趋势对SaaS和应用软件厂商是极好的环境系统替换意味着要从底层重新适配老供应商不见得能跟上新玩家有机会切进去同时替换过程中AI和数据分析能力会作为标配一并规划单客户的价值量明显抬升。我判断这个窗口还会持续好几年因为核心系统的迁移周期很长第一批吃螃蟹的机构跑通之后会形成示范效应后续需求依次释放。当然系统替换的生意并不好做。银行对新系统的高度审慎导致验证流程极其冗长厂商需要投入大量售前资源能中标的往往是对业务理解最深、历史交付最稳的头部公司。小厂商短期内很难撼动这个局。4.3 数据要素入表之后的商业连锁反应数据要素入表是2023年的标志性事件它直接改变了企业看待数据资产的方式。数据要素正式计入资产负债表后企业内部会倒逼出一条新预算逻辑数据治理本身第一次从成本项变成了投资项。这个变化的传导链条是金融机构会更愿意把预算花在数据质量提升、标签体系建设、数据资产管理平台上——因为只有被治理过、被标准化、被评估出质量等级的数据才有资格作为资产入账。这个趋势对上游数据服务商是直接的利好数据资产评估、数据质量审计这类第三方服务需求浮出水面。对中游模型厂商则是间接利好数据质量的整体提升会推高模型效果的上限让“数据-模型-决策”的链路运转得更顺。不过数据要素的价值度量至今没有完全统一的模板金融机构的实际采购决策还是会由业务痛点驱动概念热度能不能转化为持续预算还得靠应用效果说话。5. 产业链跟踪实操指标、信息来源与避坑经验理论聊完说点实操层面的东西。跟踪一个产业链方法比信息更重要。信息满天飞但一个真实数据可能藏在几百页公告里关键是建立自己的分析框架和追踪节奏。5.1 看哪些指标不同公司的关键胜负手金融SaaS公司的跟踪指标不能一概而论要分业务形态来定。订阅类如百融云这类核心看三个数活跃客户数的增速、单客户月均调用量或收入的变动趋势、净收入留存率NRRNet Revenue Retention。NRR大于100%说明老客户在持续增购这是SaaS模式健康度最核心的指标。还要看客户集中度前五大客户收入占比过高的话议价权和业务稳定性都有隐患。项目类如宇信科技、长亮科技的跟踪重心不同。新签合同额是最前瞻的收入指标需要盯季度变化和与在手订单的比值应收账款周转天数反映客户回款节奏金融客户虽然信用好、但流程长平滑周转天数在合理区间是好信号人均创收和人均利润用来衡量交付规模化的能力。不管哪家公司都要看研发费用率配合人员结构的边际变化。研发费用率长期走低而产品力没有掉队说明产品化程度在提升反过来研发费用率下降伴随客户流失率上升说明是在省不该省的钱。5.2 信息来源与交叉验证再谈信息渠道优先级大概是公司披露的定期报告和业绩说明会纪要排第一招投标信息是第二优先级特别适合跟踪项目制公司能提前看到收入节奏行业会议的参会名单和演讲内容能反映产业链玩家的位置和话术公开招聘信息被很多人低估了——如果一家公司突然开放大量高级算法工程师岗位大概率在投钱做模型方向如果大规模招销售市场打法在变。招聘也是监测业务转折的先行指标。交叉验证格外重要。某公司声称中标某某银行项目回去查一下招标网站、中标公告的发布日期和项目内容是否对得上有时会发现时间线根本对不上那就值得警惕了。同时要区分订单和收入中标金额是合同额往往按实施进度分期确认收入中间有时滞。把订单节奏和收入确认节奏放一起比才能得出有效结论。5.3 我踩过的一些坑跟踪这些年没少踩坑列几条出来给大家提个醒。最大的坑是把“概念标签”当“商业模式”。有些公司对外讲AI故事但拆开收入真正的模型订阅收入占比很小大头还是传统的项目集成。遇到这种一定先分清收入结构再谈估值和前景。第二个坑是拿SaaS逻辑给项目制公司估值。项目制公司天然伴随人员扩张和现金流波动用云公司的市销率或者是续约率模型去套会得出严重偏离基本面的结论。不同类型的盈利模型必须要分开。第三个坑是忽略金融客户回款特征的季节性。银行客户一般第四季度集中验收付款前三季度现金流难看是常态如果只看季度数据容易多虑要拉长到年度看趋势。反过来年底的合同集中签订不代表质量高要留意是否存在压低价格抢单的现象。第四个坑在招投标数据的使用上。中标公告有滞后性而且大项目有时分拆成多个子包分别招标只看单一公告会低估或高估订单规模。同时要注意关联子公司中标的情况防止公司“左手倒右手”造成的信号失真。写在最后做一张自己的产业追踪表聊了这么多如果你只记住一件事我建议是从今天开始做一张自己的产业链追踪表。不用很复杂Excel就行按公司建sheet列上收入结构、订单、调用量、招聘变化、客户案例这些核心字段每季度更新一次。半年之后回头看你记录的边际变化绝对比任何一份研报都更贴近真相。我个人这几年的一个核心体会是金融SaaS和AI的故事从来不缺稀缺的是辨别哪些公司真的在创造用数据换钱的闭环哪些只是在融资PPT里画饼。判断标准只有一条客户是否在为效果持续付费。把这个标准刻在脑子里再去看产业链上的任何玩家答案会清晰很多。如果你已经在跟踪这几家公司或者正在金融数字化项目里踩坑欢迎把你的观察和问题留下来我们后面可以针对具体的业务场景再展开聊。产业链跟踪这事一个人闷头看容易错过关键信号交流本身也是交叉验证的一部分。