——从1H26半年报，看一场从“数字化”走向“认知基础设施”的行业重构

过去二十年，科技改变了证券公司的渠道、系统和流程，却没有真正改变证券行业最核心的生产方式：研究员形成判断，交易员完成定价，投顾理解客户，投行人员识别风险。

AI带来的不同，在于它第一次开始进入这些过去只能由专业人员完成的“认知环节”。

当一家券商的研究框架、交易经验、客户理解和风险规则，可以被沉淀为知识库、Skills、智能体和工作流，并被数千名员工反复调用时，变化的已经不只是效率。

证券行业最稀缺的资产——专业能力——开始具备了被规模复制的可能。

很多重大技术变化，在最初出现时，看起来都只是一个效率工具。

互联网刚进入证券行业时，最直观的变化是网上交易取代电话委托；移动互联网兴起后，开户、行情、交易、资讯、理财逐渐装进一个APP；随后十余年的数字化转型，又把客户、交易、风控、运营和管理逐步搬进一套套系统。

这些变化极大提高了证券公司的效率。

但有一件事情其实始终没有发生根本改变。

系统负责传递信息，真正形成判断的仍然是人。

研究员阅读几百页资料之后判断一家公司的价值，交易员在市场波动中决定价格和风险，投顾根据客户情况组织资产配置方案，投行人员从数千页材料中发现异常。

证券公司的很多核心能力，因此一直高度依附于“人”。

这也是为什么证券行业看起来高度数字化，却仍然是一个典型的知识密集型、人才密集型行业。

而2026年上半年的券商半年报中，一个值得关注的变化正在出现。

过去频繁出现的“大模型”“数字化平台”，正在被一批新的词汇取代：

智能体、Skills、MCP、多智能体协同、产业链图谱、数字员工、智能工作流。

国泰海通披露已累计发布1,314个智能体、404个Skills；国信正在构建开放AI Skills生态，把核心金融能力封装为标准服务；中金开始构建“对客智能体—投顾助手智能体—财富数字员工”智能体群；中信建投的“行业分析Skill”“多资产配置平台”开始进入研究流程；招商提出建设“AI证券公司”；申万宏源开始推动“AI+APP”；东方证券则继续建设AI治理框架和“东方大脑”智能算力集群。

如果把这些动作理解成又一轮金融科技“军备竞赛”，可能低估了它们的意义。

真正值得关注的，不是券商开始拥有越来越多AI工具，而是AI开始从“处理信息”走向“参与工作”。

这条线一旦跨过去，证券行业的竞争规则就可能开始变化。

一、从“信息数字化”到“认知数字化”：这一轮AI为什么和过去不同

过去二十年的金融科技，本质上完成了一件事：

把信息数字化。

客户的信息进入CRM，股票行情进入交易系统，研究报告进入数据库，风险指标进入风控平台。

于是信息传递得更快了，业务流程也更高效了。

但信息进入系统之后，下一步“如何理解”，大部分工作仍然交给人。

一名研究员打开数据库以后，仍然需要自己判断哪些指标重要；

一名投顾看到客户持仓以后，仍然需要理解客户真正面临的风险；

交易员拿到询价以后，仍然需要结合市场、库存、风险限额和历史经验完成定价。

过去的软件能够记录知识，却很难真正“使用知识”。

生成式AI改变的恰恰是这一点。

它开始能够阅读、理解、归纳和组织非结构化信息；而当大模型进一步与企业数据、知识库、Skills以及交易和业务系统连接之后，它获得的就不再只是“回答问题”的能力。

它开始具备完成任务的可能。

这也是为什么2026年券商半年报里，“智能体”和“Skills”的出现，比“大模型”三个字本身更值得关注。

模型解决的是通用智能。

而Skill解决的是：

这家公司究竟会做什么。

一家券商可以把自己的财务分析方法封装成Skill，把行业研究方法沉淀成Skill，把交易参数识别、产品筛选、合规审核甚至复杂业务流程做成可以被智能体调用的能力模块。

于是，一家公司过去存在于制度、数据库、代码以及员工经验中的知识，第一次有机会被重新组织。

如果说数字化解决的是：

“把公司的信息放进系统。”

那么智能化真正要解决的是：

“把公司的专业能力放进系统。”

两者之间，差的不是一次技术升级。

而是生产方式。

二、从“功能入口”到“任务入口”：财富管理可能最先被重新定义

这种变化最容易被普通投资者感知的地方，是财富管理。

过去十几年，券商在APP上的竞争其实一直遵循着一套相似的逻辑：

功能越来越多。

行情、资讯、研报、社区、理财、条件单、资产分析……

功能不断叠加之后，一个非常现实的问题也随之出现：

投资者必须先知道自己应该使用什么功能。

用户想控制组合回撤，需要知道去哪里看持仓；

想进行网格交易，需要知道如何设置参数；

想判断一条新闻对自己持仓有什么影响，需要在资讯、个股、研报和交易几个页面之间反复切换。

所以传统证券APP的底层逻辑，其实是：

人理解问题，系统提供工具。

AI正在尝试把这套关系反过来。

中金把人工智能提升为核心战略之一，并围绕财富管理建设“对客智能体、投顾助手智能体、财富数字员工”，一端直接面对客户，一端辅助投顾，一端进入后台运营。

申万宏源的“AI+APP”则开始利用大模型提炼资讯、梳理信息关联，并进一步向“千人千面、实时陪伴”演进。

国信的金太阳AI财富助手已经采用多智能体协同服务模式。

另一些实践则开始继续向前跨一步。

华泰“AI涨乐”已经把任务助手定位为全链路投资执行中枢，可以调度不同专业智能体，串联选股、持仓复盘、智能盯盘和条件交易，并支持通过语音指令生成网格交易、分批止盈等策略。

这里真正重要的不是“语音生成网格交易”。

而是AI与金融系统之间的关系发生了变化。

过去：

用户理解需求→ 用户寻找功能 → 用户输入参数 → 系统执行。

未来越来越可能变成：

用户表达目标→ AI理解意图 → 调用专业能力 → 形成方案 → 完成执行。

证券APP正在从“功能入口”变成“任务入口”。

如果这一变化继续推进，财富管理真正被改变的就不只是界面。

过去，普通客户必须主动寻找信息、理解产品，再自己组合大量工具。

而未来，一个真正成熟的金融智能体需要回答的是：

你是谁？

你持有什么？

市场发生了什么？

这些变化与你有什么关系？

你现在需要做什么？

哪些事情可以执行，哪些事情必须由人确认？

这意味着财富管理长期以来围绕“产品货架”和“流量入口”建立的竞争逻辑，可能增加一个新的维度：

谁更理解客户，谁更接近客户的真实任务。

而当客户不再需要理解金融机构复杂的内部菜单时，真正有价值的将不再是“拥有多少功能”。

而是：

能够调动多少专业能力，完成一个客户目标。

三、从“生成内容”到“形成判断”：AI开始接近证券行业真正的价值核心

但财富管理只是表层。

AI是否真的能够改变证券行业，最终要看它能不能进入更难的一层：

研究、投资、定价和交易。

今天很多人判断金融AI的价值，仍然习惯看它能不能总结会议、写报告、做PPT。

这些应用当然有价值。

但如果AI最终只是帮助金融从业者“更快地写东西”，它对行业竞争格局的影响可能没有想象中那么大。

证券公司的核心价值从来不是文字。

而是文字之前的判断。

一个优秀研究员真正稀缺的，并不是每天能够写多少页报告。

而是他知道：

什么信息值得看；

什么变化只是噪声；

一个行业指标异常意味着什么；

产业链上下游之间如何传导；

什么时候原来的投资假设已经失效。

所以AI能不能写研报并不是最重要的问题。

更重要的问题是：

它能不能进入形成研报之前的那条认知链。

今年已经出现一些值得关注的迹象。

中信建投持续推进智能投研，“多资产配置平台”“行业分析Skill”等投研智能体已经开始应用，并明确提出进一步深化AI在投研领域的拓展。

华泰则把新能源车、智能驾驶、创新药以及锂电池储能、半导体设备等产业数据和专业认知进行整合，构建以产业链图谱为核心的智能投研体系；在权益投资中，多智能体工作流已经覆盖数据采集、产业链分析、行业研究、个股研究和组合管理。

这两类探索真正值得关注的地方，都不是“报告生成”。

而是研究过程开始被拆解、重组。

过去，一个分析师完成研究，是一条主要存在于个人头脑中的链路：

数据→ 事实 → 关系 → 假设 → 判断。

现在，这条链正在逐渐转化为：

数据源→ 知识库 → 产业图谱 → Skill → 智能体 → 人机协同判断。

当AI开始进入“判断形成过程”，它才真正靠近证券行业的核心生产力。

而比研究再向前一步，就是交易。

这恰恰也是最难的一步。

因为AI在研究中犯错，可能意味着一段错误文字；AI进入交易之后，错误就会变成真实风险。

因此，交易场景真正考验的已经不是语言模型能力，而是AI与数据、定价、合规、风险限额、交易系统乃至人工授权之间的系统连接。

东方证券迭代超级投资管理平台“东方思朴”，围绕定价引擎、自营策略、信用债定价、客户画像等场景升级，同时建设AI治理体系和智能算力底座。

这类应用远没有“AI聊天”那么容易传播。

却可能更接近AI真正的价值。

因为它意味着：

AI正在从证券公司的成本中心，逐渐靠近收入中心。

未来判断一家券商AI做得究竟深不深，一个值得观察的指标也许不是模型参数，不是智能体数量，甚至不是日活。

而是一个更加简单的问题：

AI距离P&L究竟还有多远？

能够帮员工整理材料，是第一层。

能够辅助客户完成服务，是第二层。

能够进入研究决策、交易定价和风险管理，才意味着它开始碰触这家公司的核心价值创造过程。

四、从“个人经验”到“组织能力”：真正的护城河开始浮现

但如果只看到AI提高业务效率，仍然可能低估这一轮变化。

对于证券公司而言，AI更加深远的影响，也许发生在组织内部。

金融行业一直存在一个很难解决的问题：

最有价值的知识，往往也是最难沉淀的知识。

数据库可以保存财务数据。

系统可以记录交易结果。

制度可以规定业务流程。

但一个资深交易员为什么在某个价格愿意成交，一个优秀研究员为什么对某个指标格外敏感，一个优秀投顾为什么能迅速判断客户真正担心的问题，这些经验很难完整写进传统系统。

它们被称为“隐性知识”。

过去一家证券公司获得这些能力，最主要的方法是招聘优秀的人、培养优秀的人，并尽可能留住优秀的人。

这决定了金融机构长期以来一个非常重要的经营逻辑：

专业能力与专业人员高度绑定。

而智能体、Skills、知识图谱和工作流结合之后，第一次出现了另一种可能：

把员工解决问题的方法，本身沉淀下来。

国信半年报中提出的一个表述非常值得注意：打造开放化AI Skills生态，将核心金融能力封装为标准服务，实现跨平台、跨场景复用。

国泰海通累计发布1,314个智能体和404个Skills，背后同样反映出AI开始进入规模化组织应用阶段。

真正值得关注的，是生产AI能力的人发生了变化。

过去的软件生产链通常是：

业务提需求→ 科技部门开发 → 测试 → 上线。

而智能体时代正在出现一种新的模式：

业务人员发现问题→ 调用数据与Skills → 搭建智能体 → 形成工作流。

研究员不再只是AI使用者。

投顾不再只是AI使用者。

交易员也不只是AI使用者。

他们开始成为公司智能能力的生产者。

这可能意味着金融机构一个极其重要的组织变化：

过去，一名优秀员工每天完成的是业务；

未来，一名优秀员工除了完成业务之外，还可能把自己完成业务的方法沉淀下来。

前者创造的是一次产出。

后者创造的是一种可以反复调用的能力。

如果这种机制真正建立起来，证券公司的知识第一次可能具备类似软件代码一样的特征：

可以沉淀，可以组合，可以调用，可以迭代。

这时候，AI真正改变的就不是“一个人一天能做多少事情”。

而是：

一家组织能不能记住自己为什么做对过一件事情。

五、从“项目数量”到“能力密度”：券商AI的竞争规则正在改变

也正因为如此，接下来券商之间的AI竞争，可能很快会告别最初的“数量时代”。

今天我们很容易比较：

多少个模型；

多少个智能体；

多少个Skills；

多少名员工使用。

但这些更像数字化转型早期的“系统上线数量”。

它们能够证明投入，却无法直接证明竞争力。

真正决定下一阶段差距的，可能是另外三个维度。

第一，是AI进入业务的“深度”，而不是覆盖场景的“宽度”

几乎所有头部券商都能够很快拥有几十、几百个AI场景。

真正困难的是往下走。

从研报摘要走到产业链分析；

从智能客服走到资产配置；

从行情问答走到交易执行；

从数据查询走到询报价；

从合规提醒走到流程审核。

越接近核心业务，系统复杂度、准确率要求和风险责任都会指数级提高。

因此真正重要的不是：

“AI有没有进入这个业务。”

而是：

“AI进入了这个业务的第几层。”

从这个角度看，不同券商已经开始形成不同的探索路径。

国泰海通体现出较强的规模化部署能力；

国信体现出比较完整的平台与Skills生态思路；

中金在探索财富管理人机协同；

中信建投继续向智能投研深入；

招商从公司层面提出构建“AI证券公司”；

申万宏源从客户入口探索“AI+APP”；

东方证券强化智能投资平台、算力和治理体系。

华泰将AI应用同时向客户端交易、投研投资、场外衍生品、合规运营和员工工作流纵向延伸，并开始出现部分可量化结果。

这些路径现在还很难简单排出名次。

但它们至少说明一个问题：

券商AI已经开始从“有没有”进入“深不深”的阶段。

第二，是能否形成闭环，而不是能否完成单点任务

一个会回答问题的AI，和一个能够完成任务的AI，中间隔着巨大的系统工程。

真正的金融智能体必须知道：

要调用哪些数据；

什么时候需要调用哪项Skill；

结果是否满足监管要求；

什么情况下必须人工确认；

最终如何进入业务系统。

这意味着未来真正的竞争并不只是大模型能力。

而是：

模型× 数据 × 专业知识 × 工作流 × 核心系统 × 风险治理。

少一个环节，AI都很难从Demo进入生产。

第三，是能不能最终进入经营结果

华泰披露，费用报销场景已有85%的流程实现全智能审核，并达到T+0实时审核；经纪运营中，智能审核数字员工也已经应用于客户信息变更、证券组合开户等高频业务。

为什么这样的数字值得关注？

因为它第一次不再回答：

“我们用了多少AI？”

而开始回答：

“AI到底改变了多少业务？”

这会逐渐成为新的分界线。

未来真正值得金融机构管理层关注的AI指标，可能越来越接近经营指标：

人工工时降低多少？

单个投顾服务客户数提升多少？

研究覆盖效率提高多少？

询报价响应速度提升多少？

自动审核比例是多少？

客户需求到交易执行缩短多少？

AI贡献了多少新增收入？

单位业务成本下降多少？

如果无法回答这些问题，再先进的模型最终仍然可能停留在科技预算里。

当这些数字能够进入经营分析，AI才真正进入了公司。

六、从“人才密集”到“人才×AI”：证券行业真正被重写的，可能是生产函数

再往前看一步，会发现这轮AI变革最终触碰的，其实是证券行业最基本的生产函数。

过去一家证券公司的产出，可以非常粗略地理解成：

资本× 客户 × 专业人才 × 组织效率。

其中，“专业人才”是极其关键、同时又很难规模复制的变量。

一家券商想覆盖更多上市公司，要增加研究力量；

想服务更多高净值客户，需要更多优秀投顾；

想进入更复杂的交易业务，需要培养更多交易员。

人，是这个行业最重要的能力载体，也天然成为扩张速度的约束。

AI不会让这个变量消失。

恰恰相反。

未来真正有价值的研究员、交易员和投顾可能更重要。

但人与组织之间的关系会发生变化。

过去：

一名优秀员工= 一份优秀能力。

未来可能变成：

一名优秀员工× AI杠杆 = 一组可以持续扩散的组织能力。

一个优秀分析师形成的产业研究框架，可以被更多团队调用；

一名优秀投顾反复使用的方法，可以沉淀成工作流；

一套成熟的交易规则，可以进入智能询报价和风险检查；

一个业务团队解决过的问题，可以被新的员工和新的智能体直接继承。

于是，金融机构过去最难解决的“专业能力规模化”问题，第一次出现了新的技术路径。

这才是AI可能真正颠覆证券行业的地方。

它不是简单替代几个人。

而是在重新定义：

一个人能够创造多少价值；

一份经验能够被使用多少次；

一家公司能够沉淀多少认知。

七、当模型不再稀缺，什么才是下一代券商真正的护城河？

这也带来最后一个问题。

如果未来绝大多数头部券商都可以使用相似的大模型，相似的算力，甚至相似的Agent框架，那么AI最终还会构成竞争优势吗？

答案很可能是：

模型本身不会。

真正能够形成差异的，是模型背后的东西。

一家券商几十年积累的交易数据；

研究员长期形成的产业知识；

不同客户的行为和需求；

大量历史项目形成的风险认知；

不同业务之间如何协同的规则；

以及公司能不能把这些内容重新组织成AI能够理解和调用的能力。

所以未来真正的竞争，可能越来越接近一场“认知基础设施”的竞争。

基础模型解决：

机器知道什么。

数据和知识决定：

机器知道你什么。

Skills与工作流决定：

机器会替你做什么。

治理和组织机制最终决定：

这些能力能不能真正进入一家公司的日常经营。

这也是为什么，同样接入最先进的大模型，不同金融机构最终得到的结果可能完全不同。

AI时代最容易复制的，恰恰可能是AI本身。

最难复制的仍然是一家公司长期积累的专业能力。

只是过去，这些能力主要存在于人的脑中。

而未来，领先者需要做的是另一件事情：

让它们同时存在于组织之中。

AI真正改变的，是人的能力能否留下来

AI真正重写的，从来不是某一个金融产品。

它重写的是专业能力形成、传递和复制的方式。

变化的是工具。

变化的是组织。

变化的甚至可能是证券公司的生产函数。

但有一样东西不会变：

金融行业最终仍然需要理解企业、理解资产、理解风险，也需要对客户负责。

AI无法替代专业价值。

它真正可能做到的，是让真正优秀的专业价值被更大规模地保存、放大和传递。

过去，一家证券公司的能力有多少，很大程度上取决于它拥有多少优秀的人。

未来，还要取决于这些优秀的人，究竟为组织留下了多少可以持续进化的能力。

当“专业能力”第一次可以被规模复制时，

券商AI真正的比赛，才刚刚开始。