热门搜索
首页 » 行业资讯 » 服务器买了,场景在哪?——券商AI建设的三重困局与破局之道

行业资讯

加入亿拓客·流量大师 撬动财富之门！！！

服务器买了,场景在哪?——券商AI建设的三重困局与破局之道

wang 2026-07-27 行业资讯
服务器买了,场景在哪?——券商AI建设的三重困局与破局之道

一场"先买卡再找场景"的军备竞赛正在证券行业上演，但越来越多的券商发现：GPU上架了，模型跑通了，账却算不清了。

卡买回来了，然后呢？

2025年，DeepSeek的横空出世在证券行业引发了一场算力采购的恐慌性行情。头部券商的IT预算水涨船高——招商证券19.08亿、中信建投16.94亿、中金公司16.51亿、广发证券15.48亿，十家头部券商IT投入全部破10亿。GPU服务器一车一车往机房里拉，大模型平台一个接一个搭建起来。
但到了2026年上半年，一个越来越让人不安的问题浮出水面：花了大价钱买回来的算力，到底用起来了吗？
答案不容乐观。在与多家券商IT负责人的交流中，一个高频词汇反复出现——"卡在那闲着"。不是技术跑不通，而是找不到能让业务部门买单的场景。GPU的利用率曲线在POC（概念验证）阶段短暂冲高，然后迅速回落到令人尴尬的低位。某中大型券商CIO私下坦言："我们现在最大的焦虑不是模型不够好，是花了几千万买的服务器，领导问产出在哪，我说不出来。"
这折射出券商AI建设中一个根本性矛盾：技术先行了，场景还没跟上。

困局一：缺场景，缺"能算账"的场景

严格来说，券商不是"没有场景"——研报可以AI写、客服可以AI答、合规可以AI审、风控可以AI查，听起来每一个都是场景。但问题在于，这些场景在PPT上看起来很美好，落到实操层面却面临两重拷问：
第一，能不能算清投入产出比？一个典型的券商AI项目，硬件采购只是第一笔账。后面还有模型微调的人力、Prompt工程的人员工时、推理框架选型和升级的试错成本、将模型嵌入现有交易或合规系统的集成改造费用。很多券商只算了服务器的钱，没算后面这一串。等到项目跑起来发现，一年下来Token消耗量不大，但人员投入已经远超预算。CIO拿着这个账去见CEO，说不服。
第二，场景能不能闭环到业务价值？AI写出来的研报，研究员不信任，还是要自己重写一遍；AI推荐的投资组合，客户经理不敢给客户推，怕担责；AI筛查出来的合规风险，合规部说"我们本来也能查到"。场景跑了半年，用户量上不去，业务部门觉得"有帮助但不是必须的"，IT部门觉得"我平台搭好了你们不用"——两边都委屈，两边都没错。
这就是券商AI落地的第一个困局：缺的不是场景的名字，缺的是能说清ROI、能让业务部门心甘情愿用起来的场景。

困局二：七种"见过但治不好"的常见病

如果把十家头部券商过去一年的AI建设经历摊开来看，会发现七种困境反复出现，几乎没有一家能完全幸免：
决策难。"不做AI怕落后，做AI怕踩坑。"看不清场景ROI，不敢拍板投入。CEO说我们要拥抱AI，CFO说你给我个数，CIO夹在中间。
效果差。好不容易把POC跑通了，上了生产环境才发现：用户不买账。幻觉不可控，输出不稳定，业务人员用两天就放下了。
汇报难。投入产出比算不出来，成本分摊不下去。一个AI平台的钱到底该算IT基础设施还是业务创新费用？摊给财富管理部还是研究所？没人说得清。
选型偏。跟风采购。"隔壁买了H800我们也买""他们接了大模型我们也接"。买回来的卡和模型跟自己的业务场景匹配不上，大炮打蚊子。
隐性成本高。只算了硬件这笔明账。模型微调的试错成本、Prompt工程师的持续投入、与老旧IT系统的集成改造、安全性加固——这些隐性开支少则几十万多则上百万，预算表上根本没有这一栏。
数据没准备好。券商有海量数据——几十万份研报、上百万份合同、数不清的客户对话记录。但大部分是PDF扫描件、Word文档、邮件正文，非结构化且未清洗。模型买回来了，数据喂不进去。或者喂进去了，吐出来的东西带着幻觉，根本不敢用。
组织不协同。最根本也最难治的一条。IT部门牵头做AI，业务部门看热闹。"你们做出来我们试试"——这种态度本身就是问题。纯IT牵头的AI项目最终都会陷入"为技术找场景"的陷阱，因为业务流程的痛点只有业务部门自己知道，IT部门替不了。

困局三：合作方选错了，问题比不选还大

券商不是不想找合作方。但放眼市场，两类传统合作方各有各的"原罪"。
传统证券ISV——他们的优势是懂业务，但仔细拆开会发现：他们懂的是软件层面的业务流程，不是券商前台的业务实质。更致命的是，ISV的生存逻辑决定了他们天然会"知识复用"——从A券商学到的业务流程、核心提示词、微调方法，经过他们的手，下一版产品更新里就会出现在B券商的系统上。这不是道德问题，是商业模式问题。此外，ISV习惯的是需求→开发→验收→交付的瀑布式项目制，但AI模型需要持续优化迭代，项目制基因和AI的"永远在优化"天然矛盾。再加上ISV的核心系统大多十几年历史，架构不是为AI设计的，硬嫁接只会积累技术债。
云厂商——他们的优势是懂模型、懂调优、人才储备充足。但账要算两面。一方面，云厂商也盯着上层软件的地盘，你的业务数据和流程同样面临外泄风险。另一方面，他们的MaaS平台把模型、算力、工具链打包，初期POC很便宜，一旦接入生产流量，Token计费+微调计费+并发计费+存储计费层层叠加，投得越深越换不了。更不用说证券行业受强监管，核心交易数据和客户信息能不能上公有云本身就是个问号。
选ISV怕被复制，选云厂商怕被绑定。这构成了券商AI建设的第三个困局。

破局之道：九个必须

痛点和困局说清楚了，解法其实也在其中。基于行业观察和头部券商的实践经验，我们梳理出券商AI建设的九个"必须"：
第一，找场景先跑起来，以战养建。不要等"把平台建好再说"，先选一个确定能出效果的场景打穿。在落地过程中，采购标准、运维规范、数据治理流程、模型微调能力、人员配置、组织架构会自然生长出来。比"先建平台再找场景"务实一百倍。
第二，内部培养+外部合作双轨并行。外部AI人才贵且不懂业务，内部业务人才懂行但不会AI。唯一解：外部合作方带着技术和经验进场，同时内部选拔业务骨干跟学跟做，一个项目周期后完成能力转移。两条腿走路，缺一不可。
第三，从特色业务中找场景。别人抄不走的核心壁垒不在模型本身，而在你独有的行业know-how、制度沉淀和业务数据。通用模型加上你的私有数据微调，产出的才是别人做不出的东西。找那些没有AI之前就是公司特色的业务——有经验积累、有制度积累、有文档积累、有数据积累。
第四，切一小块，快速闭环。大场景容易做成烂尾工程。小场景两三个月能出效果、能看到数字、能向上汇报。一个跑通了，信心和预算自然来。第一个场景选对了，后面是滚雪球；选错了，AI建设可能就此熄火。
第五，业务+IT必须联动。这不是"IT做平台、业务来试用"的关系。业务部门要出人梳理流程、出力标注数据、参与模型评测。业务出知识，IT出技术，联合考核，联合交付。这是唯一可持续的模式。
第六，先定义什么叫"成功"。降本增效提质不能靠感觉说。启动之前就要定好数字化KPI——比如"研报摘要从人工2小时压缩到AI辅助30分钟，准确率不低于95%"。没有数字，向上永远汇报不清。
第七，合规框架与场景同步建设。券商受强监管，AI输出必须可追溯、可审计、可干预。不是等出了事再补，而是在第一个场景跑通的同时就建好三样东西：模型输出的审核兜底机制、幻觉检测和纠错流程、对客AI输出的合规审批标准。
第八，快赢场景和长期能力分开立项。3个月能出效果的快赢项目，和需要12个月以上的体系性能力建设，如果混在一起，短期项目会被长期成本拖死，长期项目会被短期考核逼成面子工程。
第九，外部合作必须约定能力转移。合作方进场时就要在合同里写死：项目结束时不光交付系统，还要交付操作手册、微调方法论、Prompt工程规范、评测数据集。厂商走了，能力留下。

回到最初的问题

服务器买了，场景在哪？

答案不在机房里，不在模型参数里，不在任何一家厂商的PPT里。
答案在业务部门的流程痛点里，在券商自己独有的数据和经验积累里，在IT与业务的联合交付里，在一个敢先跑起来的小场景里。
AI建设不是拼谁买的卡多、谁的模型参数大。真正的胜负手在于：能不能找到一个能说清ROI的场景、能不能建立一个业务和IT联合投入的机制、能不能选一个不会复制你的壁垒也不会绑定你的未来的合作方。
军备竞赛的上半场，大家在比谁跑得快。价值回归的下半场，赢家是那些能把每一块钱的AI投入都算清楚账、把每一个场景都扎到业务深处的人。
本文基于对证券行业AI建设现状的持续观察与分析撰写，数据引用自各券商2025年年报及公开报道。

猜你喜欢

发表评论

发表评论: