2026年6月，北京某政务服务大厅，一家新能源车企的负责人对着屏幕发愁：公司供应链因上游芯片商信用波动面临断供。传统人工排查要两周，接入“小京灵”后，系统4小时生成了一份完整方案——替代供应商、物流路径、可申请的政策补贴都列在里面。
这不是演示，而是北京“信用+AI”治理框架的日常。背后是一套叫“至信大模型”的政务大模型，和一个挂在它前面的智能助手“小京灵”。
从“人找政策”到“数据找人”
过去企业要主动跑窗口、翻文件，才能知道哪项政策适合自己。现在，模型从工商、税务、招投标、知识产权、司法诉讼几个口子实时拉数据，串成一张动态产业链图谱。
北京市经信局2026年上半年公布了一组数字：基于这套大模型的信用评估，中小微企业平均获贷审批时间缩短了65%，坏账率下降0.8个百分点。审批效率上去的同时，银行的资金风险也在往下走。
这套逻辑的关键，是把信用从静态的等级标签，变成可以实时计算的风险信号。模型把政策文件、行业报告这些非结构化文本转成语义向量，再去对照企业的实际经营数据。
从“双随机”到风险预警
市场监管过去靠“双随机、一公开”，事后抽查，反应滞后。现在模型把用电量、社保人数、投诉量、舆情这些维度交叉比对，能在风险冒头时就识别出来。
举个具体场景：某餐饮连锁投诉量突然上涨，模型顺着供应链往上游查，发现食材供应商已有信用预警，于是自动给监管端推送一条高风险提示，建议启动专项核查。
这套机制被官方称为“无感监管”。它不是为了多查企业，而是把有限的监管资源集中到真正出问题的环节，减少对守法企业的打扰。
帮企业做供应链体检
“小京灵”对企业不只是查询入口，更像一个免费顾问。
亦庄一家精密仪器制造商发现交付周期变长，把数据接入图谱后，才看到二级供应商里有一家关键零部件厂因知识产权纠纷被冻结了账户，连带影响了整条产线的原材料供应。系统随后推荐了三家信用评级相近的备选供应商，并模拟了切换的成本和影响。
这种推演能力来自模型对异构数据的融合——财务、物流、海关报关、气象信息都在它的处理范围内。2026年夏季极端天气影响物流时，模型提前预判了部分区域的配送延迟，并联动交通部门调整路网信号，把堵车的时间抢回来一些。
数据怎么不越界
深度的数据整合，必然带来隐私的讨论。北京的解法是分层：原始信用数据留在政务内网，只有脱敏和向量化之后的特征数据才进入大模型推理环节。
针对大模型常见的“幻觉”问题，系统设了人机协同机制：涉及重大政策解读或信用惩戒的结论，必须经过人工复核才能输出。AI负责把问题捞出来，最终裁量权交给具体的人。
还剩什么没解决
这套框架不是万能的。它高度依赖数据接入的完整度和质量，链条上任何一个口子断了，推演结果都可能偏。中小企业接入意愿强，但部分老牌企业仍担心商业敏感数据外流，宁愿继续走人工。
另外，模型对突发性、跨区域的复合风险（例如同时叠加汇率、地缘、气候因素）的判断，目前还比较依赖历史样本，遇到完全超出训练范围的事件，仍要靠人补位。
北京把信用、AI、政务服务拼成了一张网，方向是清晰的：让数据流转起来，让企业少跑腿，让监管更早出手。剩下的，是把这张网继续织密、补上盲区。
