“消耗Token就能贷款”——这听起来像段子，但它已经成为现实。

中国银行、中信银行、广州银行、建设银行、农业银行、江苏银行，甚至张家港农商银行，都在推出“Token贷”“算力贷”。截至2026年8月，仅中国银行广州分行的“中银·算力Token贷”累计授信规模就接近20亿元。

2026年8月，广州一家只有十几个人的AI应用公司，没有厂房，没有设备，没有抵押物，却从中国银行拿到了3000万元纯信用贷款。

那银行看的是什么？看的是这家公司每个月消耗了多少Token，买了多少算力服务合约，应收账款来自哪些客户？

这件事表面上是一个金融产品创新。

它背后藏着金融领域一个深层次的变化：信贷的逻辑变了。

而信贷是货币政策传导最主要的血管。这条链条叫“信贷传导渠道”。

它的前提假设是：央行控制的是资金价格，银行看的是还款能力及与之相匹配的抵押品。

这个逻辑简单、清晰、可预测。央行的“遥控器”按下去，信号顺着“利率→银行→企业”这条线传下去，效果大致可预期。

token贷正在把这条线剪断，然后重接新线。

第一条被剪断的线：抵押品不再是信用的核心之一。

“Token贷”的逻辑是：一家AI公司没有厂房、没有土地、没有设备，但它有算力消耗数据、有Token结算流水、有算力服务合约。这些数据，在AI风控模型眼里，比一栋楼更能说明这家公司“在真实经营”。这意味着什么？

意味着银行放贷的决策依据，从“你有什么资产”变成了“你的算法怎么评价你”。

网商银行的“AI银行”Agent百灵2.0，面向4200万小微用户，用户“一句话说出需求，全行各环节的能力就能调用起来”，复杂融资的办理时间从3天压缩到10分钟。

放贷效率也在快速提升，token贷风险也在同步放大。

一家企业今天Token消耗量大，明天可能因为产品失败而骤降。AI模型如果只学会“Token多=信用好”，它就会在经济下行时突然收紧信贷——因为它看到的“信用信号”在消失。

这就是AI版本的“顺周期”风险。

传统银行的顺周期是“抵押品价格跌了，就抽贷”，AI银行的顺周期是“数据信号弱了就断贷”。

前者受制于房地产市场的调整速度，后者受制于模型参数的一次刷新。

抵押品是“死”的，AI信用评估是“活”的。

后者的速度快得多，而速度快，意味着风险传导也快。

第二条被剪断的线：利率的“信号功能”正在被算法稀释。

传统政策操作上，央行降息，银行的资金成本下降，贷款利率跟着降，企业融资成本降低。这个链条依赖一个前提：银行对利率变化是“敏感”的。

AI让银行对利率的敏感度变得非常复杂。

纽约联储2026年4月发布的研究框架指出，AI可以通过改变“中介楔子”——即政策利率与借款成本之间的差额——来影响货币政策的传导弹性。具体来说就是，AI增强的信用评分和风险监测可以压缩利差，让政策利率更快地传导到借款成本。

听起来是好事？传导更快了！

这份报告也警告：AI可能导致“模型同质化”——如果所有银行都用类似的AI风控模型，那么当模型判断“经济下行”时，所有银行会同时收紧信贷。这不是“传导更快”，这是“传导更猛”。

英格兰银行的结论更直接：AI让“贷款供给曲线变平”，这意味着任何信贷供给的负面冲击，都会对贷款量和利率产生更大、更直接的影响。

传统上，央行降息是“慢慢拧开水龙头”；AI时代，可能变成“瞬间开关水闸”。

而央行的“遥控器”，是按“慢慢拧”的逻辑设计的。

第三条被剪断的线，也是最隐蔽的一条：稳定币正在“放大”货币政策传导。

BIS在2026年6月发布的一篇工作论文，第一次系统性地量化了稳定币对货币政策传导的影响。

他的结论出人意料：稳定币的广泛采用，会通过“银行借贷渠道”放大货币政策传导。

当央行加息时，稳定币持有者会把资金从稳定币赎回，存回银行；银行的存款增加了，但资金成本也上升了，为了维持利润银行会提高贷款利率而收紧贷款供给。结果是加息对信贷的抑制效果，比传统模型预测的更强。

BIS的模型还发现，稳定币对经济的长期净影响是“轻微的收缩性”——银行借贷渠道的收缩效应，略大于财政渠道的扩张效应；最值得警惕的还不是这个结论，而是BIS指出的另一个机制：财政渠道“激活得更快”。

也就是说，在稳定币普及的过程中，短期内会先出现“正产出效应”，因为稳定币发行人买国债压低了政府借债成本，然后才因为银行信贷收缩，慢慢显现“负产出效应”。

这意味着什么？

意味着央行的政策评估框架，可能在未来几年内持续收到“自相矛盾”的信号。降息了，经济短期在涨，央行以为政策有效；但中期数据出来，发现信贷在收缩，经济在放缓。央行不知道该相信哪个信号，该继续降息还是转向。

这不仅仅是“信号失灵”。

这是“信号打架”。

总体来看，AI对货币政策传导的影响归纳为三条渠道：价格渠道、信贷渠道、潜在增长率渠道。

价格渠道：AI投资推高PPI和核心CPI——短期是通胀性的。

信贷需求渠道：新质生产力更“轻型”，单位GDP需要的贷款更少——这对信贷传导是“削弱性”的。

潜在增长率渠道：如果生产率真的提升了，自然利率会上升，央行需要更高的政策利率来维持“中性”——但生产率效应何时显现，无人能确知。

三条渠道叠加，央行面对的不是“该加息还是降息”的问题而是我看到的通胀，到底是需求拉动，还是供给收缩？我看到的信贷放缓，到底是政策效果，还是经济结构变了？我看到的增长，到底是真实的，还是AI泡沫吹出来的？

这表明，AI的需求效应与供给效应存在显著的时序错位，正在模糊传统宏观周期指标的信号识别。

全球央行由此进入“信号重新校准期”。

不是没有数据，而是数据不告诉你确定的故事。

拿到3000万Token贷的那家公司的创始人说了一句话，让我想了很久。他说：“银行看的不是我的厂房，是我的数据。但数据是会变的。今天我的Token消耗量高，银行说我是好客户。明天我的产品方向调整了，Token消耗量降了，银行会不会突然觉得我是坏客户了？”

这个担忧放大，就是整个经济体的担忧。

央行的货币政策，最终要通过银行信贷传导到千千万万个这样的企业。如果信贷的“闸门”由一个AI模型控制，而这个模型的逻辑连银行自己都不完全清楚——那么央行降息25个基点的效果，就不再是“可预测的”，而是“取决于算法怎么解读这个信号”。

央行的遥控器还在，但它按下去的按钮，连接到的是一个黑箱。

你按了“开”，它可能开，可能关，也可能先开三秒再关。

你不知道为什么？你只能事后看结果。

那么，央行怎么应对？

纽约联储给出了一个研究框架：央行不需要重新定义目标，需要“重新校准框架”。具体来说，AI的扩散“模糊了周期性波动与结构性转变之间的界限”，央行应该更加重视“成本侧诊断”和“稳健政策策略”，而不是单纯依赖“简化的通胀缺口与增长缺口”。

更直白的表达是，央行不能再只看“通胀高了还是低了”，它还需要了解“通胀为什么高”。是因为需求太旺？还是供给收缩？是因为AI投资在推成本？还是算法在制造泡沫？

不同的原因，需要不同的政策策略。

传统的泰勒规则，只能给出一个“加息还是降息”的答案，回答不了“为什么”的问题。

这就是AI时代货币政策传导的终极困境：决策者仍然在做决策，但传导链条，已经不再完全由决策者掌控和监测。

而这个问题，还在变得更加复杂。

下一节要讨论比传导链条更根本的问题：当AI开始直接影响“自然利率”——那个央行用来判断“利率是高还是低”的基准锚——整个货币政策的坐标系，就面临被重写的风险。

如果锚变了，船上的所有人都会晕。