科技优势一键重置,现在自研和外采的券商在同一起跑线

券商系统建设有一个老话题，自研还是外采。

过去十几年，自研的长期优势是不言自明的。自研能力强的券商，在核心业务系统上积累的壁垒，竞争对手很难在短时间内突破。你有一套打磨了十年的交易系统，别人不是随随便便买一套回来就能追上的。

但AI来了以后，局面在变。两个方向的力量同时在拆解这个壁垒。

第一个方向来自基础设施。

AI要真正进入企业，知识工程要做，数据治理要做，接口标准化要做，本体建模要做。这些东西不管你是自研还是外采，都要从头做起。大家用的模型是一样的，工具链是一样的，面临的问题也是一样的。

第二个方向来自智能体。

Agent能搭载工作流，调用插件，通过接口跟各种系统交互，执行一系列操作。这意味着以前大量固化在业务系统里的功能，可以外包给一群高度专业化的智能体去完成。

这个变化对系统架构的影响是根本性的，各类业务系统都必将大幅瘦身。

我在之前的文章只送大脑：交易平台的AI应用之道里以交易平台为例讨论过这个问题。未来交易系统很可能只保留三样东西。

一是核心数据，交易全生命周期的完整链路、实时头寸、风险限额、客户画像。

二是核心功能，风控和广义撮合。

三是关键接口，跟交易所、清算所、托管行、行情系统这些上下游的高性能连接。

剩下的，中后台管理、各类查询、各类报表，甚至对时延不敏感的场外询报价和下单，都可以重构为由智能体驱动的服务。

以前你花十年打磨的那套大而全的系统，里面一大半功能在AI时代不再是核心竞争力了。系统本身在变轻，系统壁垒自然在变薄。

两个方向一叠加，以前靠系统壁垒拉开的差距，被AI一键重置了。自研和外采，在这个维度上被拉回了同一起跑线。

但这并不意味着自研的优势消失了。

强自研的券商，现在唯一的优势在于工程能力。这里的工程能力，指的不是你以前写过多少行代码、积累过哪些业务模块。它指的是能不能快速把软件工程的最佳实践迁移到AI应用场景中去。

具体来说，体现在几个方面。

首先是系统架构能力，能不能设计出松耦合、高可用的AI服务架构，让智能体安全、稳定地调用核心系统。

其次是持续交付能力，AI应用迭代速度极快，交付效率直接决定了你的AI能力能不能跟上业务节奏。

最后还有很重要的一点，质量保障能力。AI输出的不确定性远高于传统系统，怎么建立一套适合AI Coding的Spec范式、测试体系和监控体系，怎么避免AI代码屎山越堆越高积重难返，是个全新的课题。

比如同样是给研究员做一个智能体，帮他们查数据、写市场摘要。工程能力强的团队，数据管道两周搭好，Agent挂上标准接口就能稳定调用持仓和估值，上线前跑过自动化测试，研究员第一天拿到的摘要就是准的。工程能力弱的团队，数据取出来跟系统对不上，Agent调了三个月还经常张冠李戴，研究员用了两次不敢再用了，代码堆在那儿没人敢动。这个差距，比当年自研和外采在业务系统上的差距，一点都不小。

需要强调的是，工程能力的优势，在基础设施搭建阶段最明显。当AI应用进入成熟期，基础设施变成标准化的云服务或行业方案，这个优势可能会再次缩小。

如果自研团队把精力花在反复选型、换模型、做Demo上，甚至致力于表演式AI，而没有把工程能力用在建基础设施和交付流程上，这个优势很快就会耗光。

窗口期不是无限的，甚至很有可能比我们想象得都短。