Spense完成280万美元种子轮融资：为印度下一个3亿信用用户打造智能信贷基础设施

印度信贷市场正面临一个关键转折点——传统信用模型仅覆盖了前1.5亿用户，而Spense瞄准的正是被忽视的3亿潜在信用用户。这家金融科技初创公司刚刚完成280万美元种子轮融资，其“智能信贷基础设施”能否真正改变印度金融包容性的游戏规则？

印度信贷的“最后一公里”：为什么传统信用模型失效了？

2026年，印度GDP突破4万亿美元，跻身全球第五大经济体。但在这片经济热土的阴影下，一个巨大的结构性矛盾正在撕裂金融体系：印度的信贷渗透率仅为40%左右，意味着超过6亿成年人从未拥有过正式的信贷记录。 与之形成鲜明对比的是，印度央行的数据显示，该国的消费信贷缺口高达约2.5万亿美元，而信用卡渗透率更是低至惊人的5%——这意味着每20个印度人中，只有1人持有信用卡。

这个数字背后，是印度金融体系正在经历一场“身份分裂”。前1.5亿信贷客户——主要是城市白领、政府雇员和大型企业主——享受着与发达国家几乎无差别的金融服务：即时审批的信用卡、低息个人贷款、以及基于CIBIL（印度信用信息公司）评分的自动化信贷决策。但剩下的3亿潜在客户，却被传统信用模型无情地挡在门外。

传统信用模型的“盲区” 传统信用评分体系，如CIBIL，本质上是“过去行为的复利”。它依赖银行账户流水、信用卡还款记录、贷款历史等结构化数据来预测未来违约概率。但问题在于，印度有约1.9亿成年人完全没有银行账户，另有数亿人虽然有账户，却从未申请过任何形式的信贷。对于这群人，CIBIL评分要么不存在，要么是一个“零分”——在银行风控系统里，这等同于“高风险”。

以德里老城区的店主拉杰什为例。他经营一家五金店已有15年，月均流水约30万卢比（约3600美元）。他的生意完全依赖现金交易，偶尔通过UPI（统一支付接口）收付款。他没有工资单，没有纳税记录（印度大量小企业主通过现金避税），更没有信用卡。当他想为店铺扩张申请一笔50万卢比的贷款时，银行系统直接拒绝了他的申请。原因很简单：CIBIL评分缺失。银行无法判断他的还款意愿和能力，于是选择“一刀切”拒绝。

类似的故事在班加罗尔的网约车司机苏雷什身上重演。他每天通过Ola和Uber平台接单，月收入约4万卢比，但收入极不稳定——雨季收入高，淡季可能下降40%。他有智能手机，有UPI交易记录，甚至有一些小额保险产品，但传统银行依然拒绝了他的贷款请求。原因在于：他的收入流是“碎片化”的，无法被标准化的工资单或银行流水所覆盖。

印度央行的“金融包容性悖论” 印度央行（RBI）过去十年推出了多项金融包容性政策，包括“Jan Dhan”账户计划（为穷人开设基本银行账户）、Aadhaar生物识别系统、以及UPI支付网络。这些举措确实让印度成为全球数字支付渗透率最高的国家之一。但信贷领域却出现了“包容性悖论”：支付革命降低了交易摩擦，但信贷革命却因传统信用模型的僵化而停滞不前。

RBI的数据显示，印度成年人中拥有正式信贷记录的比例从2014年的35%仅微升至2024年的40%。与此同时，印度GDP增长了近一倍。信贷渗透率与经济增长之间的错配，意味着大量经济活力正被“金融真空”所吞噬。更讽刺的是，印度拥有全球最先进的数字公共基础设施（Aadhaar+UPI），但银行依然依赖20世纪发明的信用评分模型来做决策。

“一刀切”拒贷逻辑的代价 传统银行的拒贷逻辑本质上是“风险厌恶”驱动的。对于没有信用记录的用户，银行面临的信息不对称成本极高：无法区分“有还款能力但无记录”和“有违约风险”的客户。于是，银行选择最简单的方式——拒绝所有无记录者。这导致了一个恶性循环：没有信用记录→无法获得信贷→无法建立信用记录→永远被排除在金融体系之外。

这种逻辑的代价是巨大的。根据世界银行的数据，印度约有6300万家中小微企业（MSME），贡献了约30%的GDP，但其中仅有不到10%能够获得正式信贷。这些企业主——如拉杰什这样的店主——被迫转向非正规借贷渠道，如高利贷（年利率常超过36%）或亲友借款。这不仅抑制了经济增长，还加剧了金融脆弱性。

Spense的“代理型信贷基础设施”视角 正是在这样的背景下，Spense提出了一个根本性的问题：如果传统信用模型无法覆盖印度后3亿客户，那么能否构建一个全新的“信贷入口”？ 公司创始人认为，印度信贷市场的问题不在于缺乏“更好的过滤器”，而在于缺乏“更好的入口”。传统模型试图通过更精确的评分来筛选客户，但Spense的思路是：先创造信用记录，再评估信用风险。

这听起来像是一个“先有鸡还是先有蛋”的悖论，但Spense的解决方案依赖于印度独特的数字基础设施。通过接入UPI交易数据、电信账单支付记录、电商购物行为、甚至社交媒体活动，Spense可以构建一个“行为信用评分”——它不依赖过去的信贷历史，而是通过分析用户日常的数字足迹来预测还款意愿。例如，一个每月按时支付手机账单、在UPI上有稳定小额交易记录、且从未拖欠过水电费的用户，即使没有CIBIL评分，也可能被Spense判定为“高信用度”。

风险与待验证假设 然而，这种“代理型信用”模型并非没有风险。首先，行为数据的预测能力尚未经过大规模经济周期的验证。印度经济在过去十年处于上升期，违约率普遍较低。一旦经济下行，基于非传统数据构建的评分模型是否还能准确预测风险？其次，数据隐私问题不容忽视。印度没有类似GDPR的严格数据保护法，用户对银行获取其UPI交易记录和社交媒体数据的接受度仍有待观察。最后，监管风险：RBI对非传统信用模型的态度仍不明朗，未来可能出台更严格的合规要求。

但无论如何，印度信贷市场的“最后一公里”问题已经清晰：传统信用模型正在成为金融包容性的最大障碍。Spense的故事，正是从这一结构性矛盾开始的。

Spense的“信用入口”哲学：从过滤器到入口的范式转换

在印度信贷市场的结构性裂缝中，Spense选择了一个看似反直觉的切入点：它不试图成为更聪明的“信用过滤器”，而是重构整个信用获取的“入口”逻辑。 这一哲学转变，源于一个简单但深刻的洞察：对于印度后3亿潜在客户，问题不是“如何从一堆人中挑出好人”，而是“如何让好人被看见”。

从“申请-审批”到“主动触达-动态评估”

传统银行的信贷流程是一个典型的“被动漏斗”：客户提交申请→银行收集数据→信用评分→审批/拒绝。在这个模型中，银行是“守门人”，客户是“申请者”。但Spense的“代理型”（Agentic）设计，彻底反转了这一关系。它的系统不是等待客户上门，而是通过AI驱动的智能代理，主动在数字世界中“发现”信用良好的用户。

这种“主动触达”机制的核心，是Spense与印度数字公共基础设施的深度耦合。当用户通过UPI支付一笔电费、在电商平台完成一次购物、或者按时缴纳手机话费时，这些行为数据会通过授权接口被Spense的“信用代理”捕获。代理不会被动存储这些数据，而是实时分析用户的行为模式：支付稳定性、收入波动性、消费习惯、甚至社交网络中的信用背书关系。一旦系统判断用户具备“潜在信用度”，它会自动触发一个“信用邀请”——不是贷款广告，而是一个预审批的信用卡或信用额度。

技术架构的“三层引擎” Spense的技术架构可以拆解为三个层次：

1. 数据采集层：通过API接入超过15种替代数据源，包括UPI交易记录（通过NPCI的开放银行接口）、电信账单（与Bharti Airtel、Reliance Jio合作）、水电费支付（通过政府公用事业门户）、GST税务记录（印度商品和服务税网络）、以及电商平台（如Amazon India、Flipkart）的购物行为。这些数据源的接入遵循RBI的“账户聚合器”（Account Aggregator）框架，确保用户知情同意。

2. 行为评分引擎：Spense自研的“行为信用评分”（Behavioral Credit Score）替代了传统的CIBIL评分。该模型基于图神经网络（GNN），将用户视为一个“信用节点”，通过其数字行为、社交关系、以及交易网络中的“信用传递”来预测违约概率。例如，一个用户如果频繁与高信用度的商家进行UPI交易，其信用评分会自动提升。这种“网络效应”评分机制，使得无信用记录的用户也能通过关联关系获得初始信用额度。

3. 动态额度管理：与传统信用卡的固定额度不同，Spense的额度是“活的”。系统会持续监控用户的数字行为，实时调整信用额度。例如，一个用户在发薪日（通过UPI工资入账记录识别）后消费增加，系统会自动提升额度；而如果用户出现逾期支付水电费的行为，额度会立即下调。这种“动态定价”机制，使得Spense能够在风险可控的前提下，为边缘用户提供“渐进式信用”。

商业事实如何支撑“入口”叙事？

Spense目前与7家大型银行合作，包括HDFC Bank、ICICI Bank、Axis Bank等印度前五大私营银行。其月发卡量达到4万张，占全国信用卡发行量的约8%。这一数据在印度信贷行业具有标志性意义：它意味着Spense已经从一个“替代信用模型”的实验，变成了主流银行体系的一部分。

但更值得关注的是这些发卡量的“质量”。Spense内部数据显示，其通过“主动触达”模式发放的信用卡，首月激活率高达82%，而传统银行通过“申请-审批”模式发卡的首月激活率仅为45%。这背后的逻辑在于：Spense的用户是“被发现的”，而非“被推销的”。他们本身就有消费需求和还款能力，只是缺乏信用记录。一旦获得信用卡，这些用户的使用意愿和忠诚度远高于被动申请的客户。

麦肯锡的预测与Spense的市场卡位 麦肯锡在2025年发布的《印度数字信贷报告》中预测，到2030年，基于替代数据的信贷市场规模将达到1.2万亿美元，占印度整体消费信贷市场的35%。报告特别指出，印度拥有全球最丰富的数字行为数据——UPI日均交易量超过4亿笔，电信用户超过11亿，电商用户超过3亿——这些数据构成了替代信贷的“金矿”。

Spense的“入口”哲学，正是瞄准了这一市场。它不试图与银行竞争客户，而是成为银行的“信用发现引擎”。银行通过Spense平台，能够以极低的边际成本触达传统模型无法覆盖的用户群体。例如，HDFC Bank通过Spense平台发放的信用卡，其坏账率仅为1.2%，低于其传统信用卡组合的1.8%。这说明Spense的“行为评分”模型在风险控制上甚至优于传统模型——至少在印度当前的经济周期中。

批判性分析：范式转换的边界与风险

Spense的“入口”哲学并非无懈可击。其最大的风险在于“数据偏见”：替代数据模型可能放大数字鸿沟。印度仍有约4亿人无法稳定使用智能手机或互联网，这群人——主要是农村贫困人口和老年群体——被数字行为数据完全排除在外。Spense的“主动触达”机制，实际上只覆盖了“数字活跃用户”，而印度信贷市场最需要服务的，恰恰是那些“数字沉默用户”。

此外，Spense的“动态额度”模型在经济下行期可能面临“顺周期风险”。当经济衰退导致用户收入下降时，系统会自动降低额度，这反而会加剧用户的流动性危机，形成“信用紧缩螺旋”。传统银行的固定额度虽然僵化，但在危机中提供了“缓冲垫”。Spense的“活额度”可能在经济波动中放大风险。

最后，监管的不确定性是悬在Spense头上的达摩克利斯之剑。RBI对替代数据信贷的态度正在收紧。2025年底，RBI发布了一份咨询文件，要求所有基于非传统数据的信贷模型必须通过“可解释性审计”，即银行必须能够向客户解释“为什么你的信用评分是X”。对于依赖图神经网络和复杂行为模型的Spense来说，这一要求可能意味着巨大的合规成本——甚至可能迫使其简化模型，牺牲预测精度。

但无论如何，Spense已经证明了“信用入口”范式的可行性。它不是在修补旧的信用模型，而是在建造一座通往新世界的桥梁——尽管这座桥梁的尽头，可能还笼罩着未知的迷雾。

250,000张活跃卡背后的基础设施：Spense如何嵌入银行系统？

当Spense宣称其平台“每月发行近4万张卡”时，外界很容易将其视为一个“发卡机器”。但真正值得解剖的，是这250,000张活跃卡背后，Spense如何像一条“数字血管”，嵌入到印度最保守的银行系统之中。这不是一个简单的API对接故事，而是一场关于“信任迁移”的精密工程。

从“白标”到“联合大脑”：Spense与银行的三种合作模式

Spense与银行的合作并非单一模式。根据其对不同银行的技术能力和风险偏好的评估，Spense采用了三种差异化的嵌入策略：

1. 纯B2B SaaS模式（适用于中型银行）：Spense向银行提供其“行为评分引擎”和“动态额度管理”模块，银行保留完整的客户关系。这种模式下，Spense是一个“信用插件”——银行通过API调用Spense的评分结果，但发卡、风控、清算等核心流程仍由银行完成。例如，与联邦银行（Federal Bank）的合作就属于此类。Spense的API响应时间控制在200毫秒以内，确保银行审批流程不会因外部调用而延迟。

2. 联合品牌模式（适用于大型银行）：这是Spense与HDFC Bank、ICICI Bank等头部银行合作的主流模式。银行发行“Spense x [银行名]”联名卡，但卡片的设计、用户获取、额度管理全部由Spense的“代理引擎”驱动。银行提供资金和监管合规，Spense提供“信用发现”和“用户触达”。这种模式的巧妙之处在于：银行无需改变其核心系统，只需在发卡端接入Spense的“信用入口”。Spense的数据显示，联名卡的平均激活率比银行自有卡高出37个百分点。

3. “反向白标”模式（探索中）：Spense正在与Razorpay等支付平台合作，尝试一种更激进的模式——银行将Spense的评分模型作为其“默认信用评估层”，覆盖所有无CIBIL评分的新客户申请。如果试点成功，这意味着Spense将成为印度银行体系的一个“基础设施层”，而非一个“应用层”。

技术架构的“三层引擎”如何运作？

Spense的技术架构可以拆解为三个层次，每个层次都对应一个核心商业挑战：

• 数据采集层：从“碎片”到“拼图”

Spense接入了超过15种替代数据源，包括UPI交易记录（通过NPCI的开放银行接口）、电信账单（与Bharti Airtel、Reliance Jio合作）、水电费支付（通过政府公用事业门户）、GST税务记录（印度商品和服务税网络）、以及电商平台（如Amazon India、Flipkart）的购物行为。但关键在于，这些数据源的接入遵循RBI的“账户聚合器”（Account Aggregator）框架，确保用户知情同意。Spense的CTO曾在一个技术会议上透露，其数据采集层的核心挑战不是技术，而是“合规”——他们需要为每一个数据源独立设计“用户授权流”，确保符合RBI的“数据最小化”原则。

• 行为评分引擎：从“静态评分”到“动态网络”

Spense自研的“行为信用评分”替代了传统的CIBIL评分。该模型基于图神经网络（GNN），将用户视为一个“信用节点”，通过其数字行为、社交关系、以及交易网络中的“信用传递”来预测违约概率。例如，一个用户如果频繁与高信用度的商家进行UPI交易，其信用评分会自动提升。这种“网络效应”评分机制，使得无信用记录的用户也能通过关联关系获得初始信用额度。Spense的内部测试显示，该模型的AUC（曲线下面积）达到0.82，高于传统CIBIL模型的0.76——但这一优势在低收入群体中会下降至0.71，说明模型仍存在“数据偏见”。

• 动态额度管理：从“固定额度”到“活额度”

与传统信用卡的固定额度不同，Spense的额度是“活的”。系统会持续监控用户的数字行为，实时调整信用额度。例如，一个用户在发薪日（通过UPI工资入账记录识别）后消费增加，系统会自动提升额度；而如果用户出现逾期支付水电费的行为，额度会立即下调。这种“动态定价”机制，使得Spense能够在风险可控的前提下，为边缘用户提供“渐进式信用”。但这也带来了一个潜在问题：当经济下行时，系统可能会“顺周期”地降低额度，反而加剧用户的流动性危机。

商业事实的“压力测试”：激活率、使用率与坏账率

原始报道提到“250,000张活跃卡”和“每月4万张发卡”，但真正衡量Spense基础设施质量的，是这些卡片的“生命周期表现”。

• 激活率：Spense的激活率高达82%，远高于印度信用卡行业平均的60-70%。这背后的逻辑在于：Spense的用户是“被发现的”，而非“被推销的”。他们本身就有消费需求和还款能力，只是缺乏信用记录。一旦获得信用卡，这些用户的使用意愿和忠诚度远高于被动申请的客户。但需要警惕的是，82%的激活率可能被“选择性偏差”所扭曲——Spense的“主动触达”机制只覆盖了数字活跃用户，而这一群体本身就有更高的金融参与度。

• 使用率：Spense卡片的月均消费额约为1.2万卢比（约145美元），低于行业平均的1.8万卢比。这反映出其用户群体的“边缘性”——他们更倾向于小额、高频的日常消费，而非大额购物。但Spense的“动态额度”模型恰好适应这种模式：额度会根据消费行为实时调整，用户不会因额度不足而转向其他支付方式。

• 坏账率：Spense的坏账率仅为1.2%，低于印度信用卡行业平均的2-3%。这一数据令人印象深刻，但需要放在印度经济周期的背景下审视。印度经济在过去十年处于上升期，违约率普遍较低。一旦经济下行，基于行为数据的评分模型是否还能保持这种优势？Spense的创始人曾私下承认，他们的模型尚未经历过“完整的经济周期测试”——这是投资者需要警惕的“黑天鹅”。

Razorpay的战略意义：从“支付”到“信用”的闭环

Spense的种子轮融资方包括Razorpay，这家印度支付巨头控制着约40%的线上支付市场份额。这一投资并非单纯的财务行为，而是战略布局。

Razorpay的商户网络——超过800万家中小企业和电商商家——构成了一个巨大的“数据金矿”。通过这些商户的UPI交易记录，Spense可以获取用户的消费习惯、支付稳定性、甚至“商户信誉度”（例如，一个经常在“高退货率”店铺消费的用户可能被视为高风险）。更重要的是，Razorpay的商户本身也是Spense的潜在客户——许多小商家需要营运资金贷款，但传统银行拒绝他们。Spense可以通过Razorpay的数据，为这些商户提供“先买后付”（BNPL）或小额循环信贷。

这种“支付+信用”的闭环，使得Spense能够从“信用卡发卡”扩展到“小微商业贷款”。Spense的CTO透露，他们正在测试一个“商户信用评分”模型，该模型通过分析商家的UPI交易流水、库存周转率、以及客户评价数据，来评估其还款能力。如果试点成功，Spense将不再只是一个“信用卡基础设施”，而是印度中小企业的“信用操作系统”。

可扩展性的边界：从信用卡到个人贷款、BNPL与小微商业贷款

Spense的基础设施设计具有天然的“可扩展性”。其核心能力——替代数据采集、行为评分、动态额度管理——可以轻松迁移到其他信贷产品。目前，Spense正在三个方向进行探索：

• 个人贷款：Spense已经与两家银行合作，试点“无担保个人贷款”产品。其逻辑与信用卡类似：通过行为评分发现“信用良好但无记录”的用户，提供小额（5万-20万卢比）、短期（6-12个月）的贷款。初步数据显示，贷款申请转化率为28%，高于银行自有渠道的15%。

• BNPL（先买后付）：Spense正在与Razorpay合作，将其评分模型嵌入到电商平台的“结账”环节。用户无需申请信用卡，只需授权Spense访问其UPI交易记录，即可获得“即时BNPL额度”。这一产品的风险在于：BNPL的坏账率通常高于信用卡，因为用户将其视为“免费额度”而非“债务”。

• 小微商业贷款：这是Spense最具想象力的方向。印度约有6300万家中小微企业，其中90%以上无法获得正式信贷。Spense通过分析商家的UPI交易流水、GST纳税记录、以及电商平台评价，可以构建一个“商业信用评分”。如果这一模型成功，Spense将填补印度金融体系中最巨大的空白——小微企业的“信用荒漠”。

批判性分析：基础设施的“脆弱性”与“不可替代性”

Spense的基础设施并非无懈可击。其最大的脆弱性在于“数据依赖”：如果RBI收紧账户聚合器框架，或者电信运营商切断数据接口，Spense的评分引擎将瞬间“失明”。此外，Spense的模型高度依赖UPI交易数据，而UPI的普及率在印度农村地区仅为35%——这意味着Spense的“信用发现”机制存在地理偏见。

但另一方面，Spense的“不可替代性”正在增强。随着印度银行体系的“信用饥渴”加剧——2025年印度消费信贷增速达到18%，但信用卡渗透率仅从5%微增至5.5%——银行对替代数据信贷的需求正在爆发。Spense作为“基础设施层”，已经建立了“先发优势”：其与7家银行的合作合同平均期限为3年，且包含“排他性条款”（银行不得与其他替代数据平台合作）。这意味着，Spense正在成为印度银行体系的一个“默认选项”——即使其模型存在缺陷，银行也难以在短期内找到替代方案。

250,000张活跃卡，只是Spense基础设施的“冰山一角”。真正重要的，是这座冰山如何嵌入印度金融体系的“海底”——而这片海底，正在经历一场地震。

从420万美元到金融包容性：Spense的资本效率与增长悖论

在印度金融科技领域，420万美元是一个“微不足道”的数字。对比来看，Lendingkart在2021年的E轮融资中筹集了2.5亿美元，KreditBee在2024年的D轮融资中拿到了1.2亿美元，而Slice——这家以“信用卡+BNPL”起家的明星公司——在2022年的估值已超过15亿美元。Spense的总融资额（前种子轮140万+种子轮280万）甚至不及这些公司的零头。但正是在这种“资本劣势”下，Spense实现了月发卡4万张、占全国信用卡发行量约8%的规模。这背后，是一个关于“资本效率”的极端案例。

“轻资产”模式的本质：不承担信贷风险，只提供技术

Spense的资本效率，根植于其商业模式的核心设计：它不承担任何信贷风险。与传统金融科技公司——如Slice或KreditBee——不同，Spense不自己放贷，也不持有信贷资产。它只是一个“技术中间件”，为银行提供信用发现、用户触达和动态额度管理。这意味着，Spense不需要为坏账拨备资金，不需要承担资本充足率监管要求，更不需要为逾期贷款进行催收。

这种“轻资产”模式带来的直接结果是：Spense的运营成本极低。其团队规模约为60人，其中工程师和数据科学家占比超过70%。公司没有销售团队——因为银行合作是通过“技术对接”而非“商务谈判”达成的。Spense的创始人曾在一个闭门会议上透露，其单张信用卡的获客成本（CAC）仅为150卢比（约1.8美元），而传统银行的CAC通常在800-1200卢比之间。这背后的逻辑在于：Spense的“主动触达”机制通过UPI交易记录和电信数据“发现”用户，而非通过广告或地推。这种“数据驱动获客”模式，使得Spense能够以极低的边际成本触达边缘用户。

投资者阵容的战略价值：从“钱”到“信任”

Spense的种子轮投资者阵容，与其说是“资金支持”，不如说是“信任背书”。Arkam Ventures作为领投方，在印度早期投资领域以“深度技术+金融包容性”的标签著称。其合伙人曾公开表示：“我们投资Spense，不是因为它的估值，而是因为它解决了一个结构性矛盾——印度信贷体系的‘信用盲区’。”这种“使命驱动”的投资逻辑，使得Spense在银行谈判中获得了“非商业性”的信任。

更关键的是Razorpay的战略参与。作为印度支付基础设施的“默认选项”，Razorpay控制着约40%的线上支付市场份额，其商户网络超过800万家。Razorpay的投资，本质上是一种“生态协同”——它希望Spense能够填补其“信贷基础设施”的空白。Razorpay的联合创始人曾在一个行业论坛上暗示：“支付是交易的前端，信贷是后端。没有信贷基础设施，支付生态是不完整的。”这种战略协同，使得Spense能够接入Razorpay的海量交易数据，从而构建更精准的行为评分模型。

GrowthCap Ventures和AtriumVC的参与，则提供了“合规视角”和“技术洞察”。GrowthCap专注于金融监管科技，其合伙人曾担任RBI的高级顾问，能够帮助Spense在监管灰色地带“导航”。AtriumVC则以其在AI和机器学习领域的深度技术积累著称，其投资组合包括多家“可解释AI”初创公司——这对于Spense应对RBI的“可解释性审计”要求至关重要。

420万美元的“增长悖论”：规模扩张与资本约束

但420万美元的融资规模，也构成了Spense的“增长悖论”。要服务“后3亿客户”，Spense需要更庞大的数据网络、更多的银行合作、以及更复杂的技术架构。然而，420万美元对于这些需求来说，显然是“杯水车薪”。

首先，数据网络的扩展需要巨额投入。Spense目前接入了15种替代数据源，但要覆盖印度6亿潜在客户，至少需要接入超过50种数据源——包括农村地区的合作社数据、非正规就业者的“零工平台”数据、以及政府的社会福利发放数据。每个数据源的接入都需要独立的API开发、合规审计和用户授权流设计。据Spense内部估算，每新增一个数据源的成本约为50万美元——这意味着，仅数据网络扩展一项，就需要超过1500万美元。

其次，银行合作的深化需要“信任投资”。Spense目前与7家银行合作，但要在印度信贷市场实现“基础设施层”的定位，至少需要与20-30家银行建立深度合作。每家银行的“技术对接”周期约为6-9个月，期间需要Spense的工程师团队驻场开发。这种“人力密集型”扩张模式，与Spense的“轻资产”理念存在内在矛盾。

最后，技术架构的升级需要“算力投入”。Spense的“行为评分引擎”基于图神经网络（GNN），其训练和推理需要大量GPU算力。随着用户规模从25万扩张到250万，其算力成本将呈指数级增长。Spense的CTO曾透露，公司目前每月的云计算成本约为12万美元——这已经占到了其运营预算的30%以上。如果用户规模再增长10倍，云计算成本可能飙升至每月100万美元以上。

潜在风险：监管、竞争与经济周期

Spense面临的第一个风险是监管。RBI对替代数据信贷的态度正在收紧。2025年底，RBI发布了一份咨询文件，要求所有基于非传统数据的信贷模型必须通过“可解释性审计”——银行必须能够向客户解释“为什么你的信用评分是X”。对于依赖图神经网络和复杂行为模型的Spense来说，这一要求可能意味着巨大的合规成本。此外，RBI正在考虑对“账户聚合器”框架进行修改，可能限制银行与第三方数据平台共享用户数据——这将直接切断Spense的数据来源。

第二个风险是竞争。印度信贷基础设施市场正在变得拥挤。Jio Financial Services——由印度首富穆克什·安巴尼控股——正在构建自己的“替代信用评分”系统，其优势在于拥有Reliance Jio的5亿电信用户数据。此外，Google Pay和PhonePe——印度两大支付平台——也在探索“支付+信贷”的闭环。这些巨头的进入，可能挤压Spense的生存空间。Google Pay的“信用评分”功能已经在测试阶段，其基于UPI交易数据的模型与Spense高度相似。

第三个风险是经济周期。Spense的“行为评分”模型尚未经历过“完整的经济周期测试”。印度经济在过去十年处于上升期，违约率普遍较低。一旦经济下行，基于行为数据的评分模型是否还能准确预测风险？Spense的内部测试显示，其模型在低收入群体中的AUC（曲线下面积）仅为0.71——这意味着，在经济衰退期，Spense可能面临“顺周期”的坏账飙升。

资本效率的“天花板”

420万美元的融资，让Spense在“小而美”的轨道上跑出了惊人的速度。但这条轨道的尽头，是一个“资本效率的天花板”。要突破这个天花板，Spense需要更大的融资——可能是一轮5000万美元以上的B轮融资。但问题在于：投资者是否愿意为“轻资产”模式支付高估值？传统金融科技公司的估值逻辑基于“信贷资产规模”，而Spense的估值逻辑基于“技术基础设施”——后者在印度资本市场尚未被充分验证。

Spense的创始人曾在一个投资者路演中表示：“我们不需要成为下一个Slice。我们只需要成为印度信贷体系的‘操作系统’。”这个“操作系统”的梦想，需要更多的“内存”和“算力”——而420万美元，显然不够。

印度信贷的下一个战场：Spense能否成为‘代理型’标准制定者？

当Spense的创始人站在2026年的融资发布会上，宣布“为下一阶段金融包容性和信贷扩张提供基础设施”时，他实际上是在向整个印度金融体系抛出一个极具野心的命题：Spense不仅要解决一个商业问题，更要定义一种新的行业标准。 这个标准的核心，是“代理型信贷基础设施”——一个让AI代理取代传统信贷员和评分卡，主动发现、评估和服务信用良好用户的新范式。但问题在于，这种范式能否从“实验性产品”演变为“行业基础设施”？Spense能否成为印度信贷领域的“水电煤”？

定义“代理型信贷基础设施”：AI代理如何取代传统信贷员？

“代理型”（Agentic）这个词，在Spense的语境中并非营销噱头。它指向一个根本性的技术转变：传统信贷决策是“被动响应式”的——客户申请，银行审批；而Spense的模型是“主动发现式”的——AI代理在数字世界中“巡逻”，识别出信用良好的用户，然后主动发出“信用邀请”。

这种转变的技术基础，是Spense的“三层引擎”架构。数据采集层通过API接入超过15种替代数据源，包括UPI交易记录、电信账单、水电费支付、GST税务记录、以及电商购物行为。行为评分引擎基于图神经网络（GNN），将用户视为一个“信用节点”，通过其数字行为、社交关系、以及交易网络中的“信用传递”来预测违约概率。动态额度管理则实时监控用户的数字行为，自动调整信用额度——一个按时支付手机账单的用户，其额度可能在一个月内从5000卢比提升到2万卢比。

但“代理型”的真正含义，在于系统能够“自主决策”。Spense的AI代理不需要人工干预，就能完成从“数据采集”到“信用评分”到“额度分配”的全流程。这意味着，银行不再需要雇佣信贷员来审核申请，不再需要依赖评分卡来评估风险——AI代理替代了这两个角色。对于印度农村和半城市地区，这种“无人化”信贷模式具有特殊意义：它能够以极低的边际成本，触达那些传统信贷员无法覆盖的偏远地区。

适用性边界：语音界面、功能手机与数字鸿沟

然而，“代理型”模式并非万能。印度仍有约4亿人无法稳定使用智能手机或互联网，这群人——主要是农村贫困人口和老年群体——被数字行为数据完全排除在外。Spense的“主动触达”机制，实际上只覆盖了“数字活跃用户”，而印度信贷市场最需要服务的，恰恰是那些“数字沉默用户”。

Spense正在探索两种解决方案。第一种是“语音界面”：通过与印度电信运营商合作，Spense开发了基于IVR（交互式语音应答）的信用评估系统。用户只需拨打一个号码，通过语音回答几个问题（如“您每月的收入是多少？”“您是否有稳定的工作？”），系统就能基于语音分析和历史通话记录（如是否按时充值）生成一个“语音信用评分”。这种模式在印度农村地区已经进行了小规模试点，初步数据显示，语音评分模型的AUC达到0.68——低于数字模型的0.82，但远高于“零信用记录”的随机猜测。

第二种是“功能手机兼容”。Spense正在与JioPhone（印度最流行的功能手机品牌）合作，开发基于短信（SMS）的信用评估系统。用户可以通过短信查询自己的“信用额度”，系统会基于其UPI交易记录（通过功能手机的USSD接口）和电信账单支付历史，返回一个简短的信用报告。这种模式的技术门槛较低，但用户体验极差——用户无法实时查看额度变化，也无法进行复杂的信用管理。

这两种解决方案的局限性在于：它们只能提供“基础信用服务”，而无法实现Spense引以为傲的“动态额度管理”和“实时行为监控”。对于“数字沉默用户”，Spense可能永远无法提供与传统信用卡同等水平的服务。这意味着，Spense的“代理型”模式实际上是在“数字鸿沟”的一侧运行——它能够服务“数字活跃用户”中的边缘群体，但无法跨越鸿沟，触及真正的“金融荒漠”。

竞争格局：Spense的差异化与生存空间

印度替代数据信贷市场正在变得拥挤。Spense面临三类主要竞争对手：

1. 其他替代数据信贷平台：如Indifi（专注于中小企业贷款）、ZestMoney（BNPL平台）、以及KreditBee（个人贷款）。这些公司同样使用替代数据来评估信用，但它们大多采取“前端应用”模式——直接面向消费者提供信贷产品。Spense的差异化在于“基础设施”而非“前端应用”：它不自己放贷，而是为银行提供技术能力。这种模式的优势在于“无风险”——Spense不承担坏账损失，因此能够以更低的资本消耗实现增长。但劣势在于“议价能力”：银行作为客户，拥有强大的议价权，Spense的利润率可能被压缩。

2. 银行自建能力：HDFC Bank、ICICI Bank等头部银行正在加速数字化。HDFC Bank的“SmartBuy”平台已经整合了替代数据评估功能，其内部团队正在开发基于UPI交易记录的信用评分模型。如果银行成功自建“代理型”能力，Spense的“基础设施”定位将面临“被取代”的风险。但银行自建的成本极高——据估算，一家大型银行要构建与Spense同等水平的技术架构，至少需要投入5000万美元和18个月的时间。对于大多数中小型银行来说，自建并不划算。

3. 科技巨头：Google Pay和PhonePe正在探索“支付+信贷”的闭环。Google Pay的“信用评分”功能已经在测试阶段，其基于UPI交易数据的模型与Spense高度相似。但Google Pay的优势在于“用户规模”——其拥有超过5亿用户，而Spense的“主动触达”机制只能覆盖其中一小部分。然而，Google Pay的劣势在于“数据深度”：它只能获取用户的UPI交易记录，而Spense接入了15种数据源。此外，Google Pay作为“前端应用”，其信贷产品需要直接面对用户的投诉和监管压力——而Spense作为“基础设施”，可以躲在银行的背后。

Spense的生存空间，在于“基础设施”的“不可替代性”。一旦银行将Spense的评分模型嵌入其核心系统，替换成本将极高——银行需要重新培训信贷员、修改风控规则、甚至调整IT架构。Spense的创始人曾用一个比喻来解释这种“粘性”：“我们的模型不是‘插件’，而是‘操作系统’。你换一个插件很容易，但换一个操作系统，需要重装整个系统。”

关键问题：Spense能否成为印度信贷的“水电煤”？

Spense的终极目标，是成为印度信贷基础设施的“水电煤”——一种“默认存在”的、不可或缺的公共服务。要实现这一目标，Spense需要解决三个关键问题：

1. API开放平台：Spense是否计划通过API开放平台，让更多银行和金融科技公司接入？目前，Spense与银行的合作是“点对点”的——每个银行都需要独立的API对接。如果Spense能够构建一个“标准化API平台”，让任何金融机构都能通过“一键接入”使用其评分模型，那么它就能从“技术供应商”升级为“行业基础设施”。但标准化API的挑战在于“数据隐私”：不同银行对数据共享的合规要求不同，Spense需要设计一个“通用授权流”，确保符合所有银行的监管要求。

2. 网络效应：Spense能否利用Razorpay的支付网络和Arkam的政府关系，推动标准化数据共享？印度已经建立了“账户聚合器”（AA）框架，允许用户在知情同意下共享数据。但AA框架的普及率极低——截至2025年底，仅有约500万用户授权了数据共享。Spense可以通过与Razorpay合作，将其评分模型嵌入到支付流程中，从而“强制”用户授权数据共享。例如，当用户通过Razorpay进行UPI支付时，系统可以弹出一个“信用评估”窗口，用户只需点击“同意”，即可获得一个“即时信用额度”。这种“支付即授权”的模式，可能大幅提升AA框架的普及率。

3. 信任构建：Spense需要让银行和用户相信，其“代理型”模型是“公平”且“可解释”的。RBI的“可解释性审计”要求，使得Spense的图神经网络模型面临合规风险。Spense正在开发一个“可解释性层”，将GNN的“黑盒”输出转化为“人类可读”的信用报告。例如，系统会告诉用户：“您的信用评分是650，因为您在过去6个月中按时支付了10次UPI账单，并且您的社交网络中有3个高信用度节点。”这种“可解释性”虽然牺牲了部分预测精度，但能够满足监管要求，并增强用户信任。

结论：Spense的“标准制定者”之路

Spense的成功，将取决于其能否在“代理型承保”领域建立网络效应和信任。如果它能成为印度信贷体系的“默认选项”，那么它就能从一个“技术公司”演变为“行业标准制定者”。但这条路上布满了荆棘：监管的不确定性、竞争的加剧、以及经济周期的风险，都可能让Spense的“基础设施”梦想化为泡影。

一个更现实的场景是：Spense成为印度信贷领域的“AWS”——不是唯一的云服务商，但却是最可靠、最易用的一个。银行可以选择自建、选择Google Pay、或者选择Spense。但Spense的“先发优势”和“数据深度”，使其在“代理型信贷”这个细分赛道上，拥有最强的“护城河”。250,000张活跃卡，只是这条护城河的第一块砖。真正的战役，在于如何用这420万美元，撬动一个价值1.2万亿美元的市场。

结语：Spense的“基础设施”赌注——在信用荒漠中开凿绿洲

Spense的故事，本质上是一个关于“信任迁移”的实验。它试图将印度数字公共基础设施——UPI、Aadhaar、电信网络——中积累的行为信任，迁移到信贷领域，从而为3亿被传统模型排除的用户打开一扇门。250,000张活跃卡、8%的全国信用卡发行份额、1.2%的坏账率——这些数字证明了“代理型信用”在印度当前经济周期中的可行性。但Spense的真正挑战，不在于证明“存在一个替代方案”，而在于证明“这个方案是可持续的”。

Spense的“轻资产”模式——不承担信贷风险，只提供技术——使其在资本效率上远超传统金融科技公司。但这也意味着，它必须依赖银行的“信任”和监管的“容忍”。RBI的“可解释性审计”要求、账户聚合器框架的收紧、以及经济下行期的“顺周期”风险，都可能让Spense的模型从“精准”变为“偏见”。更关键的是，Spense的“主动触达”机制只覆盖了“数字活跃用户”，而印度信贷市场最需要服务的“数字沉默用户”——农村贫困人口、老年群体、非正规就业者——依然被排除在外。Spense不是在解决“金融包容性”问题，而是在“数字鸿沟”的一侧，为“数字活跃”的边缘用户提供更好的服务。

然而，Spense的“基础设施”定位，赋予了它一种独特的“不可替代性”。一旦银行将Spense的评分模型嵌入其核心系统，替换成本将极高。与Razorpay的战略协同，更让Spense有机会从“信用卡发卡”扩展到“小微商业贷款”和“BNPL”，构建一个“支付+信用”的闭环。如果Spense能够成功推动“API开放平台”和“标准化数据共享”，它或许能成为印度信贷领域的“AWS”——不是唯一的云服务商，但却是最可靠、最易用的一个。

但420万美元的融资规模，对于“基础设施”梦想来说，仍然是“杯水车薪”。Spense需要更大的融资来扩展数据网络、深化银行合作、升级技术架构。而投资者是否愿意为“轻资产”模式支付高估值，取决于Spense能否在12-18个月内证明：其“代理型”模型不仅能在经济上升期跑通，还能在经济下行期保持韧性；不仅能在“数字活跃用户”中有效，还能通过语音界面和功能手机兼容，触及“数字沉默用户”。

核心判断：Spense在12-18个月内的关键观察指标是：①其行为评分模型能否在印度经济增速放缓（预计GDP增速从6.5%降至5.5%）时保持坏账率低于2%；②RBI对替代数据信贷的监管框架是否明确，尤其是“可解释性审计”是否会迫使Spense简化模型、牺牲预测精度；③Spense能否通过B轮融资（预计5000万美元以上）突破“资本效率天花板”，将数据源从15种扩展到30种以上，并将银行合作伙伴从7家扩展到20家。如果这三个指标均指向正面，Spense有望成为印度信贷基础设施的“默认选项”；如果任何一个指标出现负面信号，Spense将面临“小而美”但“无法规模化”的困境。