从"拍照留档"到"可信输入"：金融影像件管理的AI升级路径
2026 年 1 月 1 日起，一项对金融机构影响深远的新规正式施行。《金融机构客户尽职调查和客户身份资料及交易记录保存管理办法》由中国人民银行、金融监管总局、证监会三部门联合发布，文号〔2025〕第 11 号。这份文件的核心要义可以概括成一句话：影像件不再是"拍照留档"的辅助材料，而是具有法律效力的核心证据。
过去，很多机构的影像件管理停留在"拍了就行"的层面。客户经理用手机拍一张身份证，上传到系统，就算完成了身份核验。但新规对这种粗放模式划出了明确红线：影像件不清晰、不完整、未核验、未保存，将被视为未履行尽职调查义务。监管可采取的处罚措施包括罚款、责令整改、暂停业务，情节严重的还要追究责任人。如果因影像件问题导致洗钱或恐怖融资事件发生，机构需承担法律责任。
这意味着，影像件质量从"运营细节"上升到了"合规生死线"。而影像件质量的把控，恰恰是 AI 技术能够大显身手的领域。
【图像质量检测：进件质量的第一道防线】
一、新规的六大核心要求：从"有"到"好"的质变
新规对影像件提出了六个维度的硬性标准，这六个维度构成了一个完整的"可信影像件"评价框架。
第一是法律效力等同。影像件与纸质原件在法律上具有同等效力，这就排除了"电子版只是参考"的侥幸心理。一旦影像件出现问题，其法律后果与原件出问题完全相同。
第二是独立核验。影像件必须经过独立的验证程序，不能简单采信客户自行提交的材料。金融机构需要建立技术手段，确保影像件的真实性、完整性可通过系统自动校验。
第三是全要素清晰。以身份证为例，国徽、照片、姓名、号码、有效期、签发机关、防伪特征等全部信息必须完整入镜，无遮挡、无裁切、无涂改。很多机构过去的做法是只拍正面，或者拍是拍了但反光严重，这些在新规下都属于不合规。
第四是可溯源。每一张影像件从采集、传输、存储到调阅的全生命周期，都必须有明确的操作记录和时间戳。谁拍的、什么时候拍的、上传到哪台服务器、被谁调阅过，这些信息都要留痕。
第五是可重现。影像件在系统中不能以无法还原的方式压缩或转换。如果原始影像是高分辨率的扫描件，那么经过系统处理后，必须能够在任何时候还原出与原始状态一致的质量。
第六是安全存储。影像件属于敏感个人信息，存储环境必须满足等保和密评要求，传输过程必须加密，访问权限必须分级。
这六个要求叠加在一起，对金融机构的影像件管理体系提出了前所未有的技术挑战。传统的人工抽检模式显然无法覆盖海量的进件材料，而市面上通用的文档扫描工具又缺乏针对金融合规场景的专项能力。机构需要一个既懂"影像质量"又懂"合规语义"的智能解决方案。
二、图像质检 Skill：从像素层到语义层的双重把关
合合信息的图像质量检测 Skill，设计的出发点不是"让图片更好看"，而是"让图片满足法定标准"。它包含两个层次的检测能力。
第一个层次是像素层检测。系统会对上传的影像件进行自动化的图像质量评分，检测维度包括分辨率是否达标、是否存在模糊或抖动、是否有反光或阴影遮挡、是否存在摩尔纹、是否经过 PS 或翻拍等篡改痕迹。对于不符合标准的影像件，系统会实时返回拒收建议，并提示具体的重拍要求，比如"请将证件放平后重新拍摄""请避免强光直射""请确保证件四角均在取景框内"。
第二个层次是语义层检测。这一步跳出了纯图像处理的范畴，进入了文档理解的领域。系统会读取影像件中的文字内容，判断关键字段是否齐全。比如一份营业执照的影像件，语义层检测会核实：企业名称是否可读、统一社会信用代码是否完整、注册资本和成立日期是否清晰、经营范围是否被裁切。如果检测到关键字段缺失，即使图像本身很清晰，系统也会标记为"不合规"并提示补充材料。
像素层和语义层的检测结果会合并成一份结构化的质检报告，包含总分、分项得分、不合格项明细和改进建议。这份报告可以直接作为机构内部合规审计的附件，也可以在面对监管检查时作为"已履行核验义务"的证据。
三、文档解析作为可信输入层：让影像件变成可计算的数据
质检通过只是第一步。影像件进入系统后，金融机构还需要从中提取业务所需的信息。传统 OCR 工具能把身份证上的姓名和号码识别出来，但面对更复杂的金融文档——比如带有手写批注的尽调报告、跨页断开的财务报表、印章覆盖的合同条款——就显得力不从心。
合合信息 TextIn 文档解析引擎的定位是"业务判断的可信输入层"。它不是简单的文字识别工具，而是面向大语言模型、智能体、RAG 等上层应用的基础设施。其核心能力体现在三个技术特点上。
第一是版式无关。不同金融机构、不同业务线的文档版式千差万别。同样是尽调报告，有的机构用固定模板，有的用手写补充页，有的甚至把报告拆成多个 PDF 分段上传。版式无关的解析能力意味着，无论文档以什么形式出现，系统都能自动判断其内容结构，识别出标题、正文、表格、附件等不同区域，并按照逻辑关系重新组织。
第二是跨页表格合并。金融文档中的表格往往非常复杂，一张表可能横跨两三页，中间还夹着页眉页脚。开源解析工具通常会把每一页当作独立单元处理，导致表头只出现在第一页，后续页的表格内容被当成纯文本丢弃。TextIn 的跨页表格合并算法能够识别出属于同一张表格的跨页片段，把分散的内容拼接还原，保留表头与数据的对应关系。这对于财务报表、审计报告等场景至关重要。
第三是印章与手写干扰处理。金融文档经常带有红色印章和手写签名，这些元素在图像上会与文字重叠，造成传统 OCR 的误识别。TextIn 通过多模态理解能力，能够区分印章区域、手写区域和印刷文字区域，对重叠部分进行分层处理，优先保证关键业务字段的识别准确率。
【影响 RAG 效果的关键因素：文档解析（含跨页表格、密集表格对比示例）】
四、智能尽调：从"人工跑腿"到"智能生成"
影像件质检和文档解析解决的是"输入可信"问题。输入可信之后，还需要"过程可信"和"输出可信"。这就是贷前尽调智能体要解决的问题。
传统尽调流程的核心痛点是信息不对称与时间成本高。客户经理拿到客户提交的材料后，需要跨系统查询企业的工商信息、司法风险、舆情动态、关联关系，然后把搜集到的信息手动整理成一份尽调报告。这个过程中，信息遗漏和人为偏差难以避免。两个客户经理面对同一家企业，做出来的尽调报告可能大相径庭。
贷前尽调智能体的工作方式完全不同。客户提交的所有影像件和电子文档，首先经过图像质检 Skill 和文档解析 Skill 的双重处理，变成结构化的字段。同时，企业查询 Skill 和风险预警 Skill 在后台自动完成企业的全景画像扫描，涵盖基础工商信息、股东与实际控制人、对外投资、司法诉讼、经营异常、行政处罚、知识产权、舆情动态等数十个维度。
智能体把这些内外部数据按照机构内部的尽调模板进行自动编排，生成报告初稿。报告中的每一个结论都有明确的数据来源标注，比如"该企业注册资本 5000 万元，实缴 3000 万元，数据来源于启信宝 2026 年 3 月 15 日快照"。如果某个字段存在多个来源且相互矛盾，智能体会自动标记"数据冲突，建议人工核实"，而不是强行给出一个唯一答案。
这种"生成+标注+复核"的三段式输出，既保留了 AI 的效率优势，又尊重了金融行业对人工判断的刚性需求。客户经理不需要从零开始写报告，但也无法闭着眼睛直接提交。他们在复核过程中，实际上是在用自己的业务经验对 AI 的输出进行"人机交叉验证"——这种模式比单纯的人工尽调更可靠，也比完全自动化的黑箱输出更令人放心。
五、合规治理：把"事后补材料"变成"事中留证据"
很多金融机构在应对监管检查时，最头疼的不是"没做"，而是"做了但没留证据"。新规要求影像件管理全流程可溯源、可重现，这意味着机构必须在业务发生的当时就建立好审计链条，而不是等检查来了再补台账。
可信金融智能体的治理层设计，正是为了解决这个"证据管理"问题。从影像件上传的那一刻起，系统就会生成一个唯一的任务 ID，记录时间戳、操作人员、设备指纹、网络地址。影像件经过质检、解析、抽取、比对、生成的每一个环节，都会留下不可篡改的操作日志。最终生成的尽调报告，会附带一份完整的"数据来源清单"和"模型推理路径"，说明报告中的每一个数字是从哪份影像件里提取的、经过了哪些 Skill 的处理、与哪些外部数据做了交叉验证。
这种设计有一个额外的好处：它倒逼业务人员在上传影像件时就更认真。因为系统会记录影像件的原始质量评分，如果一份低质量影像件被强行提交并进入了后续流程，那么当最终报告出现问题时，回溯日志会清晰地指出"影像件在上传环节已被标记为分辨率不足，建议重传，但操作人员未处理"。责任边界因此变得清晰。
六、写在最后：合规不是成本，是竞争力
有一种观点认为，合规是金融机构的"成本中心"——为了满足监管要求，不得不投入人力物力去做一些"不出错就行"的事情。但如果换个视角看，合规能力其实可以成为"竞争力中心"。
当同业还在为监管检查手忙脚乱补材料的时候，你的机构已经能够通过智能体实现"一键生成合规报告"。当同业还在因为影像件质量问题被监管约谈的时候，你的机构已经把影像件质检自动化到了进件的第一秒。当同业还在用两周时间做贷前尽调的时候，你的客户经理两天就能带着一份数据翔实、来源清晰的尽调报告出现在客户面前。
合规不是枷锁，是护城河。而 AI 的作用，是把这条护城河挖得更深、更宽，同时也让你的船更容易通过。
本文所有产品性能效果和案例数据仅供参考，均不作为履约依据，具体效果请以贵司实测效果为准。
