張磊：“你從照片看出來的？”
“從她沒有把效率當萬能好事看出來的。”
何苗：“她這句話可以留。”
他們把新聞寫進“普通人被風吹到以後”資料夾。張磊建議做一期文章，標題叫《三分鐘貸款，三秒鐘破防》。何苗刪掉。最後標題定為《AI 風控看見了什麼，又看不見什麼》。
文章裡，林凡寫了三個小例子。
一個小店老闆因為道路施工流水下降，被系統判定風險升高。
一個外賣員收入不穩定，但並非沒有還款能力，只是平臺派單波動。
一個老人頻繁購買藥品，不一定代表財務風險，也可能代表家庭照護負擔。
他寫：
“AI 風控可以幫機構看見過去看不見的資料，但資料不是人本身。一個分數背後，可能是懶惰、欺詐、困境、疾病、施工、季節、平臺規則變化，也可能只是生活剛好摔了一跤。問題不在於要不要用 AI，而在於當系統給出分數時，有沒有人願意繼續問：為什麼？”
文章發出後，評論區不少人講自己貸款被拒的經歷。有人說資料齊全但系統說綜合評分不足，客服也不知道哪裡不足；有人說自己開店流水很好，卻因為行業標籤被判高風險；還有人說父親想辦小額貸款，系統要求補一堆線上經營記錄，可他父親的店連收款碼都是兒子幫忙貼的。
一條評論寫：
“以前被人看不起，至少知道是誰看不起。現在被系統拒絕，連門衛都沒有。”
林凡看著這條，心裡發沉。
張磊讀完後說：“這比我被封號還憋屈。”
何苗：“你封號還能申訴。很多評分連申訴入口都沒有。”
第二天，老周把林凡叫到工位旁邊，給他看一份舊專案資料。那是幾年前一個銀行風控外包專案，還是傳統規則引擎時代。裡面有大量規則：近三個月流水、經營年限、負債比例、逾期記錄、行業風險。
老周說：“AI 風控不是憑空來的。以前也有規則，只是現在規則更多、更細、更難解釋。”
林凡問：“那是不是更準？”
“有時候。”老周說，“但更準也要問準在誰身上。”
這句話又讓林凡停住。
老周繼續：“樣本里誰多，誰就更容易被理解。誰的資料少、亂、非標準，系統就容易把他當風險。”
“小微商戶？”
“老人、個體戶、臨時工、外賣員、自由職業者、剛創業的人，都可能。”
林凡看著資料，忽然覺得，AI 風控不像婚禮字幕那樣一錯就全場笑，也不像小區謠言那樣一眼能看到群裡炸。它更安靜。一個分數變低，一筆貸款被拒，一個額度被降，一個人不知道為什麼被擋在門外。
安靜的錯誤，更難被當成事故。
晚上，他在筆記本上寫：
當 AI 決定誰值得信任時，最需要被信任的人，可能最先被懷疑。
：寫又
。掉省釋解把率效是題問，題問是不率效
：增新板白來未啟雲
。人是不數分
：補磊張
。足不生人於等不，足不分評合綜
：寫苗何
。境見看要還，後之料資見看
：寫後最凡林
。麼什為問要人，論結給統系
”？場出會不會後以“：說然忽，圖截聞新段那”曉蘇“著看磊張
”？說小當活生把又你“：他看苗何
”。友隊來未們我像話說要主，是不“：磊張
。下一了笑凡林
。來起藏收訪採的曉蘇把只，麼什說有沒他
。起一在纏地深很生人至甚、擇選、作工的他和會後以字名個這，道知不還他時那
。者訪的醒清個一裡聞新是只曉蘇，下眼
：亮發在還語告廣的融金穹星，面下聞新而
”。見看被用信讓“
。句半差還得覺，話句那著看凡林
。見看被用信讓
。己自釋解會機有人讓要也
