AI 智能尽调：
难的不是写报告

现在的大模型写报告确实很强。所以很多人的第一反应是：让它直接帮我写一份尽调报告不就行了？

施阳乐在台上把这个假设拆得很干脆：报告只是最后的任务。 在报告之前，有一大堆工作要做——收集大量证据材料、核实来源和真实性、看财务是否合规、 验证经营情况、查行业上下游、从错综复杂的数据里找风险、和客户反复确认、经过人工审阅…… 最后才形成一份授信方案。

报告其实不是尽调的起点，也不是尽调最难的部分。 真正难的是前面那一连串工作。
最耗时间的不一定是最终的「写」，而是前面的找、去看、去抄、去审核、去整理。 施阳乐

这句话其实定义了整个产品的价值位置：它不跟你抢「写报告」这件事，它去啃前面那段没人愿意干的活。

这一段是全场讲得最清楚的一个划分，几乎可以直接当原则用。尽调真正做的是四件事：

同一句话在不同场景里被不同的人反复讲：银行说「让 AI 负责执行，人来负责判断」， 资管说「AI 给建议不做决策」，保险说「合规专家做卡口」。措辞不同，画的是同一条线。

这是整场里我觉得最有价值的一段论证，因为它解释了为什么「聊天式 AI」在严肃业务里走不远。 如果你每天都用聊天 AI，这五个问题应该都遇到过：

反过来，传统系统也有短板：它擅长管流程（项目、表单、状态、审批）， 但不擅长动态分析。因为它严格限定了每个环节只能做一件事， 一旦你想加一个新的分析维度，系统承接不了。

这是它最核心的产品结构。理解这张图，后面所有操作就都顺了。

三个组件各管一件事，直播里概括得比我说得准： 基座负责智能，专家团负责专业，工作台负责严谨。

还有一个容易被忽略的细节：授权进入应用之后，后台会自动装好两样东西——专家团和 MCP 连接器。 用户不需要自己去配置。这个体验差别很大，因为金融机构里没人愿意先折腾半小时装插件。

演示用的是一笔流动资金贷款。整个流程走下来，能看清这套东西到底在哪些环节替人干活。

几个现场细节值得单独拎出来，因为它们说明这套东西真的在做事：

每一个分析模块都遵循同一个产品逻辑，这个套路值得记下来：先呈现客观事实 → 再输出风险要点（按高/中/低分级）→ 最后写专项报告。 顺序不能反。先给结论再找证据，就是编。

发起任务的正确姿势，是把「做什么」和「重点看什么」一次说清。演示里的原话是这样的：

报告模板几乎每家机构都有自己的要求。演示里给了三种调法，从轻到重：

最后一条给人用的原则，也是这套东西的边界：

AI 足够智能，但它提出的是风险的建议，不能替人拍板。 客户经理可以采纳，也可以不采纳；可以补充自己的判断， 也可以让 AI 基于人工意见重新组织分析结论。
人工的审阅不只是一个备注，它是后续分析和报告生成的重要上下文。