同一时期，公司内部通常会并存规划、试点、上线、稳定运营和价值闭环等不同成熟度的场景。因此，要理解一家券商的 AI 转型进展，不能只看已经建设了多少个场景、上线了多少个 Agent 或沉淀了多少项 Skill，而要同时观察两个层次：一是单个 AI 场景发展到了什么阶段，二是公司整体是否已经形成支撑 AI 规模化运行的平台、治理机制和组织能力。

一、AI 场景进展的分类

判断 AI 场景的真实进展，可以将场景划分为五个阶段。

阶段1：需求成立。这一阶段的通过条件是，业务问题、目标对象和应用边界已经明确。场景不再只是一个泛化的 AI 构想，而是能够说清楚要解决什么问题、由谁使用、应用在哪个环节，以及哪些事项不应交给 AI。此时，场景可能还没有形成可用产品，但建设方向已经基本成立。

阶段2：能力可用。这一阶段的核心功能、原型或分析链路已经完成，并且经过测试、历史回溯或样本验证。AI 已经能够生成内容、完成分析或执行部分任务，但主要证明的是“具备这项能力”，尚未证明它能够在真实业务环境中稳定运行。

阶段3：生产上线。这一阶段的 AI 能力已经进入真实业务环境，或者已经正式投产并参与实际业务运行。与阶段2相比，这一阶段的关键变化不是功能更多，而是 AI 开始面对真实数据、真实用户和真实业务约束。系统接口、数据权限、人工复核、合规要求和运行稳定性都会在这一阶段成为现实问题。

阶段4：稳定使用。这一阶段需要有持续时间、用户规模、任务次数、日常运行或常态化使用证据。正式上线并不自动等于稳定使用，只有当 AI 被持续采用，并逐步成为日常工作流程的一部分，才能说明场景真正越过了“上线即完成”的阶段。

阶段5：价值闭环。这一阶段不仅要有相对基准的量化业务结果，还要具备持续运营、反馈迭代或复制机制。AI 的价值能够通过效率、成本、收入、客户体验或风险控制等指标得到验证，使用结果又能转化为新的数据和反馈，推动模型、规则和流程持续优化。

这五个阶段区分了“规划”“开发中”“完成测试”“灰度运行”“正式上线”和“稳定使用”等不同状态，也区分了能力与结果。能够生成内容、支持分析，说明能力已经形成；只有披露实际使用、质量或业务指标时，才能表述为取得成效。

二、券商 AI 转型的六个阶段

单个场景可以用5个阶段判断成熟度，但一家成熟券商的整体 AI 转型，还会经历更广泛的六个阶段。

第一阶段：战略动员与场景发现

这一阶段的重点是形成共识，寻找业务切口。各部门开始提出 AI 场景，建设知识库、提示词、简单 Skill，并通过专项规划、创新活动或内部试用推动员工接触 AI。

这一阶段最难的是场景选择。组织容易追逐技术热点，提出大量看起来新颖的场景，但业务对象、目标用户、价值目标和责任边界并不清晰。场景数量快速增长，并不意味着转型已经取得实质进展。

第二阶段：能力验证与经验显性化

这一阶段的重点是证明 AI“能做”。组织开始建设原型、MVP、历史回测、样本报告、规则库和专业知识库，将业务人员的经验转化为可以被模型和系统调用的能力。

这一阶段最难的是专业知识的工程化。投研、交易、风控等业务经验往往是隐性的，难以完整转化为稳定规则。即使原型可以输出看起来合理的结果，也可能由于样本不足、专业语境缺失或验证标准不完整，而无法证明其可靠性。

第三阶段：生产上线与人机协同

这一阶段的重点是让 AI 进入真实业务流程。场景开始灰度运行或正式投产，AI 连接业务系统和数据，人工承担复核、审批或最终决策职责。

从演示走向生产通常是最困难的一步。存量业务系统主要是为人设计的，AI 难以稳定取数、调用功能和回写结果。同时，组织还要解决权限控制、过程留痕、合规审查、异常熔断、应急回退和责任归属等问题。

第四阶段：规模使用与平台收敛

这一阶段的重点是让 AI 从部门工具变成组织能力。随着用户数、任务量和使用频率上升，公司开始建设统一知识库、数据 MCP、Skill 目录、模型服务和算力平台，使不同业务部门能够共享底层能力。

规模化也会带来新的碎片化问题。各部门可能重复建设平台和功能，Skill 缺乏复用机制，数据口径不一致，模型及算力资源承压。公司需要在统一治理与业务灵活性之间找到平衡：既不能让各部门长期分散建设，也不能因过早统一而拖慢业务创新。

第五阶段：价值闭环与持续运营

这一阶段的重点是证明 AI“值得做”。公司不再只关注上线数量、调用量和内容产出量，而是开始建立使用、质量、业务结果和风险指标，并通过反馈回流、模型优化及跨部门复制形成持续运营机制。

这一阶段最难的是价值归因。调用量不等于价值，效率提升也不一定意味着经营结果改善。客户资产、交易量、收入或留存的变化，往往同时受到市场行情、业务策略和运营活动影响。如果缺少基准、对照组、统计周期和归因口径，就很难证明 AI 的独立贡献。

第六阶段：AI 原生组织与治理制度化

这一阶段的重点是用 AI 重构流程、岗位和管理体系。Agent 从辅助工具逐步转为流程参与者，数据资产、系统接口和业务经验开始围绕 AI 重构，数据治理和 AI 建设结果进入高管及部门考核。

这一阶段最难的是组织变革。公司需要重新划分人、Agent、业务部门、技术部门和治理部门的职责，同时处理岗位变化、跨部门协同、数据责任和考核公平性。AI 转型由此从技术和场景建设问题，转化为组织运行机制问题。

三、每个阶段的关键“跃迁门槛”

1. 从场景发现到能力验证

不是完成一个界面或提示词，而是要明确业务问题、目标用户、输入数据、人工复核点和验收标准。最大的误区是把知识库、看板或自动化脚本统一包装成 Agent，却没有验证其是否能够理解任务、调用工具并完成完整工作流。

2. 从能力验证到生产上线

关键不是模型更聪明，而是能否稳定接入数据和系统。实际建设中会反复出现“取数依赖临时方案”、“存量系统不支持 Agent 调用”、“业务上下文不足”等问题，说明真正的瓶颈往往是数据语义、接口、权限和工程保障，而不只是模型本身。

3. 从生产上线到稳定使用

上线不等于采用。必须观察活跃用户、任务量、成功率、人工修改率、采纳率和持续使用周期。很多场景虽然已经投产，但还无法证明它已经成为日常工作方式。只有 AI 被持续使用，并稳定嵌入原有流程，场景才能从生产上线进入稳定使用。 

4. 从稳定使用到价值闭环

需要从“用了多少”转向“产生了什么结果”，每个生产场景至少应形成四类常态化指标。第一类是使用指标，包括用户数、任务量、覆盖率和持续时间。第二类是质量指标，包括准确率、任务成功率、误报漏报和人工修改率。第三类是业务指标，包括节省工时、成本下降、客户转化、收入、风险损失和客户体验。第四类是风险指标，包括异常事件、合规退回、审计记录和模型漂移。

这一阶段最容易出现“把同期业务增长归因于 AI”的问题，因此必须建立基准、对照组、统计周期和归因口径。

5. 从单场景价值到企业级转型

单个场景成功后，下一步不是无限复制功能，而是沉淀统一的数据服务、知识资产、Skill、模型能力和实施模板。否则，每个部门都会重复采购、重复清洗数据、重复建设平台，并形成新的数据和能力孤岛。

企业级转型要求公司识别已经得到验证的共性能力，将其沉淀为统一的数据服务目录、权限和审计标准、模型及算力能力，以及可持续运营的工程机制。

6. 从企业级能力到 AI 原生组织

最终变化不是“员工多了一个 AI 工具”，而是标准化、高频任务由 Agent 执行，确定性计算交给专业工具，人负责目标设定、重大判断、风险决策和结果问责。与此同时，工作过程自动留痕并形成反馈数据，管理者能够观察任务执行、质量和闭环情况，成熟的个人经验也能够持续转化为可验证、可复用的组织能力。

四、成熟券商最核心的五类长期难点

1. 数据不是“有没有”，而是 AI 能否理解和调用

仅有字段和值不够，还需要业务定义、适用场景、统计口径、数据血缘、权限和更新时间。传统数据治理更多关注数据能否被人查询，而 AI 友好的数据治理还要解决数据能否被机器准确理解、稳定调用和正确组合。

2. 专业经验难以稳定复制

优秀投顾、研究员、交易员和审核人员的判断包含大量隐性知识，需要经历样例沉淀、测试、人工抽检、反馈和迭代，不能通过一次性编写提示词完成。

专业经验转化为组织能力，需要建立覆盖经验提炼、样例沉淀、测试验证、反馈改进和迭代优化的全生命周期机制。

3. 生产安全要求远高于普通企业

对客服务、交易、投资、风控和合规审核等场景，必须具备权限控制、人工确认、操作审计、异常熔断、版本管理和应急回退。

在高风险业务中，更现实的人机协同方式通常是“AI 自动处理、确定性工具计算、专业人员把关”，而不是直接追求完全无人化。

4. 平台统一与业务创新存在天然张力

完全放任会形成平台和数据孤岛，过早统一又可能拖慢场景创新。合理路径通常是先允许围绕明确业务问题进行有限试点，再依据真实使用情况识别共性需求，逐步收敛公共能力。

公司级平台应提供数据、模型、算力、权限和审计等通用能力，同时为不同业务条线保留必要的专业配置空间。

5. 组织和考核最终决定转型深度

当数据治理被纳入公司级专项考核，并以“数据资产完成梳理、完成中台上架、可被稳定调用”为验收标准时，AI 才从创新项目转化为明确的组织责任。

但考核也必须区分责任边界。业务部门应对数据内容、业务口径和交付质量负责；平台算力、模型缺陷、系统功能和工程实施等问题，则应由相应的平台和技术部门承担责任。只有责任清晰，治理机制才能真正推动跨部门协同，而不是在项目后期形成推诿。

成熟券商的 AI 转型，最终不是建设更多工具，而是让 AI 能力进入真实业务、产生可验证价值，并逐步改变公司的流程和组织方式。

因此，衡量 AI 落地是否成熟，不应只看场景数量，而应持续追问五个问题：

是否稳定调用，是否质量可控，是否价值可证，是否风险可审计，是否能力可复用。