AI 真的看得懂困境信貸嗎？專訪 Axim Intelligence 創辦人 Harneet Kaur

Axim Intelligence 創辦人暨執行長 Harneet Kaur 主張，大型語言模型在無法驗證的問題上——例如陷入困境的債權未來會怎麼走——並沒有預測優勢；但一套結構化、逐層推進的推理流程，能迫使不同模型收斂到同一個機率分佈。這場 14 分鐘的演講，大部分時間都花在這個實驗及其意涵上，而非標題所拋出的抽象命題：Kaur 先定義何謂困境債權（distressed credit）、說明傳統評分方法為何已經過時，接著完整走過 iHeartMedia 的實際案例——兩個模型起初看法嚴重分歧，但在推理過程結構化之後趨於一致。讀者最後帶走的是一套具體的 AI 信用分析評測框架（抽取、推導、判斷、預測），以及一個關於模型收斂對市場定價意味著什麼的犀利觀察。

Kaur 在金融界約有十年資歷，近幾年於一家困境資產 PE／避險基金擔任困境債權與特殊情況投資人，如今在 Axim 打造她口中的「困境債權投資情報層」。本集是搭配投影片的研討會式演講，中途還發生電腦斷電的技術插曲。最有價值的內容，是模型的前後對照，以及她主張：可衡量的特性或許是收斂，而非準確率——這正是 AI 流程系統化之後的關鍵。

兩個模型對 iHeartMedia 看法分歧，直到推理過程結構化才收斂

Kaur 的核心實驗以 iHeartMedia 為物件。該公司 2018 年聲請破產，2024 年又完成一次壓力交易——這是個沒有標準答案的進行中案例。她把同一份結構化脈絡餵給兩個模型 Astra 6 與 Opus 5.5，要求給出未來各種路徑的機率分佈。結果兩者出現實質分歧。

最醒目的分歧在破產機率：62% 對 25%。Kaur 坦言她無法判定誰對，因為沒人知道未來會怎樣；她說自己個人較傾向 Astra 6 的看法。在她套用結構化推理流程之後，兩個模型都收斂到約 25% 的破產機率，並同樣認為協商重整是較可能的路徑。

「面對無法驗證的問題，給同樣的結構化脈絡、像人類一樣組織過的脈絡——這些模型有預測優勢嗎？你只能說，沒有。」

逐層評測，而非只看最終答案

Kaur 不採「大型金融 benchmark」路線——她點名 Rogo 與 Harvey 這類公司，是以離散的金融問題來評測 AI，例如哪一順位（tranche）的債權在結構上更優先——她主張要逐階段評分，因為任何一層出錯，都會汙染下游全部。她的論點是：建立在錯誤資料點上的判斷，不會是好判斷。

flowchart TD
    A["抽取 — 從申報檔案、PDF、Excel 抓出 EBITDA、負債"] --> B["推導 — 用抽取出的數字計算槓桿"]
    B --> C["判斷 — 這筆債權是否陷入困境？"]
    C --> D["預測 — 未來各種路徑的機率分佈"]
    A -.->|"誤差向下傳遞"| D
    B -.->|"誤差向下傳遞"| D
    C -.->|"誤差向下傳遞"| D

她對各層現況的評估是：抽取對上市公司而言「大致已解決」，但面對私募貸款、Excel 檔案和 PDF 仍是挑戰。推導（把 EBITDA 與負債換算成槓桿）與判斷（判定算出的槓桿是否代表困境）夾在抽取與投資人真正在乎的預測層之間。唯有下層經過驗證，預測層的評測才有意義。

困境已不再是二元違約預測

Kaur 先把債權簡單定義清楚——公司債或貸款，並以可口可樂的債券為例——再拆解是什麼讓它變成壓力債權或困境債權。壓力可能來自景氣迴圈問題（營建與房市下行）、營運衝擊（餐廳遇上大規模食品召回），或結構性顛覆（今日面臨 AI 衝擊的軟體業）。有些企業能復原，有些則走向困境。

對建模的關鍵啟示是：困境有多種結局，不是隻有破產。Kaur 列出責任管理操作（liability management exercise）、庭外重整、協商換債，與聲請破產並列。過去工程問題是二元的——預測違約或不違約——這套框架已不合時宜。

她也認為傳統工具箱已明顯老化。十年前、二十年前主流的評分方法 Altman Z-score，面對一個可能每月、每季就變化的情境，如今顯得「非常靜態」。私募信貸興起讓市場更不透明、可取得的定價資訊更少，也擴大了量化評分與困境投資人實際從事的質化工作之間的落差——讀財報、理解貸方立場、讀懂信用檔案。這套人工流程難以規模化，正是 Kaur 打造 Axim 的切入點。

收斂或許才是可衡量的特性，而它看起來就像價格

整場演講最具前瞻性的主張，是關於收斂的意義。Kaur 認為，如果你能系統性地建立一套流程，讓不同模型得出相同的機率結果，「那實質上就是市場裡的價格」。換句話說，結構化 AI 流程的價值，或許不在於正確，而在於產出穩定、可重現的分佈——這正是讓市場得以撮合的特性。

她明確表示，收斂不等於正確。大家同意的路徑是否為真，事前無從得知；她也指出，任何歷史回測都會引入前視偏誤（look-ahead bias），唯有實際結果才能真正檢驗這套流程。這讓整個框架處於一個不太舒服但誠實的位置：它可以就內部一致性與各層準確度來評測，但在事件底定之前，其預測效度仍未獲證實。

真正「讀懂」一筆債權需要什麼

Kaur 把投資人的問題拆成三大類，這正是標題背後的實質內容。財務面：流動性如何、資本結構如何。法律面：這筆債權的結構優先順位為何——這一順位相對其他順位是優先還是次順位。營運面：生意怎麼運作、營收從哪來，以及依基本面分析它會上升還是下滑。只回答財務問題的模型，並沒有讀懂這筆債權；法律與營運這兩層，才是困境分析創造報酬的地方。

「真正讀懂信用、尤其是困境債權，關鍵在於你能不能預測接下來會發生什麼——我能不能推斷出這條路未來會怎麼走，並給出機率分佈？」

給 AI 信用評測實務者的重點整理

演講以兩點明確結論收尾，另有一點隱含其中。第一，在無法驗證的問題上、即使脈絡完全相同，當前模型彼此之間並沒有預測優勢——分歧是常態，不是瑕疵。第二，結構化的推理流程能讓不同模型對一家公司及其可能路徑收斂到相同看法。第三點則懸而未決：收斂不等於正確，唯有實際結果能定論。

對實務工作者而言，操作上的啟示是：先投資在抽取與推導這兩層，再去信任任何預測層的產出；並且把模型在無法驗證問題上的分歧，視為推理架構有所缺失的訊號，而不是挑選「比較有自信」那個模型的理由。

尚未化解的張力，正是 Kaur 點出卻無法收束的那一點：整套設計是為了對無人能驗證的結果產出機率分佈。若收斂就是交付成果，下一個問題——演講中並未處理——是：由結構化 LLM 推理得出的收斂分佈，究竟比它所取代的人工分析流程更能為風險定價，還是隻是更快地複製了市場共識？Kaur 自己在 iHeartMedia 一案上較傾向 Astra 6 而非 Opus 5.5，說明她並不把收斂當成最終答案。