研报速递提效是明面，沉淀是复利。
先记住这句话，再看一个反差。
你在券商APP里聊过的那个AI，会讲段子，会画K线，会一本正经地告诉你"投资有风险"。2025年券商真金白银砸的是另一头：有大型券商负责人公开说了实话，这一年券商AI的竞争主要集中在对内员工展业赋能。沙丘智库的统计更直白：试水大模型的券商，2023年19家，2024年37家，2025年上半年超过60家——跑得最快的那批，重心全在员工端。而这一头的标杆摩根士丹利交出的成绩单是：98%的财务顾问每天在用AI助手，不是注册过，是每天用。
我在券商做科技，这一年看着同行把员工端AI从"又一个信息化项目"做成"知识资产工程"，把这件事想透，只需要分清两层：第一层提效，省时间，做完就能算清账；第二层沉淀，把人的经验变成公司的资产，越滚越厚。绝大多数券商拿到了第一层，极少数在挖第二层。
第二层才是这场军备竞赛的真实目的：提效买回来的是产能，沉淀攒下的是家底。产能会折旧，家底会滚大。
这篇讲四件事：为什么这一轮的主战场在员工端（第一节）；建设员工端AI怎么干——一个前提，五步路径，每步带判断标准，看完能自查（第二节）；自研还是抱大厂，三条路怎么选（第三节）；以及一个所有从业者都遇到过的现象——为什么公司部署的AI总被员工嫌"笨"（第四节）。
一、先算账：为什么这一轮的主战场在员工端
先算一笔三分钟的账。
一个投顾平均要服务近3000名客户。3000名客户什么概念？就算投顾每天不吃不喝打100个电话，一个月也轮不完一圈。财富管理转型喊了这么多年，"提升投顾专业服务能力"始终是行业级痛点，因为线下队伍的能力天花板摆在那里。
AI直接抬这个天花板。摩根士丹利的账最硬：AI助手让98%的顾问每天在用，行政事务时间降三到四成，能多接25%的客户；另一个工具Debrief自动生成客户会议纪要，每场会给顾问省30分钟——摩根每年百万量级的客户会议，收益自己乘。
这还只是第一层提效的账。真正让员工端AI成为主战场的，是它恰好砸中了券商的三块老毛病：
知识散。制度文件、研报、产品资料、操作手册、历史案例，散落在七八个系统里。客户问一个产品要素，投顾要翻三个系统找十分钟。这不是投顾懒，是知识没有统一的入口。
经验走。金牌投顾离职，他脑子里的客户偏好判断、话术、配置逻辑全部清零。公司花十年培养的人，一纸辞职信带走十年积累。这不是假设——每个做了十年财富管理的券商，都吃过这个亏。
响应慢。客户在电话里等答案，投顾在系统里翻资料。等的人不耐烦，翻的人满头汗。
三块死结看着是三个病，其实是同一个病根：券商最值钱的知识，只存在员工的脑子里。脑子不可复制，会疲劳，还会带着积累跳槽。过去二十年的解法是加人、加系统——人加了几个，系统加了几个孤岛，病根没动过。
员工端AI是第一条真正对症的路：把知识从人脑搬进系统。搬的过程，就是建设的全部。怎么搬？先补一个前提，再走五步。路子是从2026年跑通的案例里反推出来的，每一步都有人做对，也都有人做错。
二、建设员工端AI：一个前提，五步路径
第0步：先让数据对AI友好
很多人以为建设员工端AI，第一步是选模型。错。第一步是收拾自己的数据。
为什么这步编号是0？因为它不算建设的步骤，算建设的前提——后面五步，步步都踩在这块地上。
AI这台机器，进什么原料，出什么货。行业研究给过一个扎眼的数字：券商数据治理的投入，只占IT总投入的1%到2%。数据分散、口径不一、质量不高，是全行业通病。地基不修，大模型就是盖在沙滩上的楼。
什么叫让数据对AI友好？举两个做对的例子。
华安证券的做法是把非结构化数据全部做多模态解析：图片里的表格、扫描件上的印章、手写签名，OCR加视觉解析全部转成机器可读的结构化数据。这些数据过去是躺在档案室里的死纸，现在是知识库里的活料。
广发证券和腾讯乐享合作，把散落在各部门、各系统的投研报告和市场数据，整合成公司级的知识中台。一个入口，全公司用，直接支撑了十多个业务场景跑起来。
这一步怎么判断做没做对？给你一个土办法：
让你的新员工在入职第一天，去知识库问一个"只有老师傅才知道答案"的问题。他能不能在30秒内得到准确答案？能，数据友好化合格。不能，先停下所有大模型采购，回头补这一课。
第1步：选场景——高频、刚需、低风险
数据收拾好了，选第一个场景。这一步最容易犯的错，是挑最痛的，而不是挑最容易跑通的。
万联证券的顺序值得抄：先在制度流程问答、产品信息助手这类场景试点，跑通了，再往核心业务推。为什么这个顺序聪明？因为制度问答这类场景，天天有人问（高频），问完马上要用（刚需），答错了也就是答错了，不产生业务损失（低风险）。
反面是什么？一上来就做投资建议。客户真按你的AI建议买了股票亏了钱，这个责任谁来负？合规审不过，员工不敢用，出了事没法收场。第一仗就打攻坚战，是员工端AI项目烂尾的最常见死法。
选场景就三个问题，一个一个过：
这个场景每天发生多少次？错了的代价有多大？员工现在是怎么凑合的？
三个问题都答得上来，这个场景才配上。答不上来，换下一个。
第2步：接工序——AI嵌进工作流，不是加个聊天窗
场景选好了，最常见的产品形态错误来了：给员工发一个聊天机器人，让他们"有空的时候用用"。
有空的时候，没人有空。
我们内部评审员工端AI产品时有个不成文的检验法：把demo投在大屏上，如果界面是个对话框，基本就可以判断这个项目会死——因为对话框意味着员工要"想起它、打开它、组织语言问它"，三个动作，一个都比工作本身累。
所有跑通的案例，没有一个是靠聊天窗跑通的。共同点只有一个：员工不用"去用"AI，AI就在他正在干的活里。
看两个层次。
摩根士丹利Debrief，接的是顾问和客户开Zoom会议这个工序：AI自动听会、生成纪要、起草跟进邮件、把要点写进CRM——整个纪要工序被接管，顾问唯一要做的是发送前看一眼。就这一眼，是设计出来的：人工验证环节写死在流程里。
国信证券的鑫投顾助手，接的是投顾的"写"工序：个股诊断、基金诊断、账户诊断，AI自动生成底稿和合规话术，3000多名投顾的日常工作被整个武装起来。
部分券商的中后台运营也一样在接：机构开户的资料AI录入、流程断点自动处理、清算日志回溯——这类数字员工已经在多家券商的运营部门落地。不是员工变快了，是员工不用干了。
这一步的判断标准，一句话：
员工要不要"切换出去"专门用你的AI？要，就没接进工序，注定沦为摆设。不要，才叫嵌入。
第3步：沉知识——把这次建设变成资产，不是变成又一个系统
前几步做对，你拿到的是提效。这一步做对，你拿到的才是复利。这是五步里最深的一步，也是拉开差距的一步。
知识沉淀分三层。
第一层，把文档变成可检索的资产。制度、研报、案例入库，RAG检索增强生成，员工提问秒回。绝大多数券商在这一层。万联的"万事通"是这一层的标准做法：金融垂直知识图谱打底，DeepSeek做动态知识引擎，双轮驱动。华安做得更细：个人、部门、业务条线、公司四级知识库，全生命周期管理。
第二层，把人的判断过程变成可复用的资产。这一层开始出现分水岭。
国信做的事值得细品：他们把3000多名投顾的投研逻辑归纳、固化进系统，做出了"会思考"的国信股市助手。翻译一下——金牌投顾的判断过程，从人脑子里拆出来，装进了公司系统。人可以离职，判断留下了。
申万宏源做的是另一个方向：客户投资画像体系，38个投资风格标签，覆盖数百万客户，每天给3000多名一线客户经理当武器使。客户的偏好判断，从客户经理的个人感觉，变成了公司级的标签资产。
华泰的AORTA平台更进一步：客户画像加产品画像双画像驱动，线索分发、方案生成、服务跟踪全流程数字化。投顾依赖经验的那个部分，被系统一点点接走。
第三层，把组织记忆变成可传承的资产。新人培训成本骤降，业务连续性不再依赖任何个人——老员工离职，新人接手，客户体验无感。这一层，目前还没有券商系统性做到。这是所有人的机会，也是下一轮竞争的胜负手。
顺便说一句行业现状：三层层级往上走，人越来越少。绝大多数券商还在第一层搬文档，爬上第二层的屈指可数，第三层现在只是个方向。这不是坏消息——对建设者来说，这意味着每一层的攻略都还是空白，先爬上去的人，写的攻略就是行业标准。
为什么说这一步决定成败？
我见过太多次这样的复盘会：系统上线一年，用例数漂亮，满意度调研好看，项目评了奖。然后负责人调岗，系统没人管，员工悄悄退回原来的工作方式——一年后你去看，公司多了一套过期软件，别的什么都没变。
场景会过时，模型会升级，供应商会换。唯一不贬值的，是沉淀下来的知识资产。这一步的判断标准也是五步里最狠的一个：
这个项目如果明天下线，公司会留下什么？留下知识资产，项目成功了。什么都不留——那不叫建设，叫租赁。租约一到，还回去的是系统，留下来的是一地鸡毛。
第4步：定边界——画红线比堆功能更重要
这一步是券商和互联网公司的分野。互联网公司堆功能，金融机构画边界。
行业的红绿灯清单已经基本形成共识。绿灯：投研辅助、知识问答、合规检测、营销内容生成。红灯，绝对不能碰：实盘交易决策（AI生成下单指令）、未公开的投行项目信息（IPO、并购重组的原始数据）、客户敏感数据出内网。
万联给了这步一个漂亮的说法：合规即代码。边界不是写在制度文件里靠人自觉，而是写进系统里，技术上就过不去。
摩根士丹利是同一个逻辑的另一个版本：Debrief生成的纪要必须顾问人工验证后才能发给客户；AI只喂内部内容源，宁可牺牲一些外部信息的丰富度，也要保证每句话可溯源。出事的时候，能完整回答"AI当时为什么这么说"。
这就是判断标准：出事时，你能不能完整还原AI的决策链路？能，边界做对了。不能，你埋的不是功能，是定时炸弹。
第5步：扩场景——用第一个场景的弹药，打第二个
前几步跑完一个场景，恭喜，但别庆功。员工端AI是长跑，招商证券的规划是三阶段：基础建设一到两年，核心能力两到三年，场景渗透三到五年。
扩场景的核心逻辑是复用：第一个场景建好的知识库、工作流引擎、审计框架，第二个场景直接拿来用，边际成本递减。
判断标准：第二个场景的建设周期，是不是第一个的一半以下？是，复利结构成立，你的AI建设开始滚雪球。否，说明每个场景都在重复造轮子——停下来找原因，别急着上第三个。
三、路径之外的另一个决策：自研，还是抱大厂
五步是建设路径。但动手之前，还有一个前置决策：技术从哪来。
2026年这个问题的答案，分成了三条路。
头部自研。国泰海通的灵犀大模型，"一个行业大模型+N个场景"，落地15个应用场景；东吴有秀财；中信搭了CAP平台，财富条线出Wealth Copilot，合规条线出iCare。这条路的门槛很高：算力买得起，团队养得起，数据喂得起。不是给多数人准备的。
外部底座加内部沉淀。2026年的主流打法。华泰和字节系合作，豆包大模型做底座，先孵化A股观察助手，再迭代出独立App"AI涨乐"；国信和火山引擎合作，豆包加智能体构建平台，内部沉淀的投研逻辑往里灌。广发和腾讯乐享建知识中台，前面说过。
轻量接入。中小券商的现实选择。万联DeepSeek本地化部署，叠加自有金融知识图谱；长城证券用开源组件搭AI中台，AI原子能力统一纳管。先跑起来，再谈架构。
三条路怎么选？有一个容易忽略的角度：金融业选大厂，选的不是模型，是工程体系。火山引擎服务了八成头部券商，腾讯云的AI大模型落地了超100个金融业务场景。模型三个月一迭代，今天的最强模型半年后就未必是——但工作流工程、审计框架、部署运维这套体系，是沉淀出来的，不会三个月就被翻篇。
但有一条底线要守住：外部底座可以买，知识主权不能卖。
模型、工程、token都可以是大厂的；数据、知识、判断逻辑必须留在自己手里。这就是"外部底座+内部沉淀"成为主流的原因，一句话说透：你出工程，我出知识，资产归我。
四、一个真问题：为什么公司部署的AI，总被员工嫌弃"笨"
路径讲完了，最后一个现象值得单独说。很多券商科技部的负责人都遇到过：
同一家公司，员工私下用DeepSeek如鱼得水，写文案、做表格、查资料，效率翻倍。但公司花大钱部署的企业级AI助手，被员工吐槽"又笨又死板"——问什么都是标准答案，一点不灵活。
是IT部门水平差吗？
不是。是两者的设计目标就不一样。这里需要一对概念：敏态AI，和它的反面——稳态AI。
敏态AI，就是你在私下用的那种：自主规划，想怎么答怎么答，每次结果不一样，反应分钟级，过程是个黑盒，难以审计。它为创造力设计。给它自由，它给你惊喜——也给你惊吓。
稳态AI，是企业级部署的那种：人类把工作流定死，AI只在轨道里跑，输出高确定性，秒级响应，每一步留痕可审计。它为生产设计。
现在你能看懂那个"笨"了。
公司AI助手为什么"死板"？因为它被装进了轨道。适当性匹配、风险揭示、双录留痕——监管要求的强制节点，一步不能跳。敏态AI的"每次不一样"，在写文案时是灵感，在合规场景里是事故。
为什么同一个大模型，个人用是助手，企业用是生产力？差别从来不在模型，在工作流工程。
为什么摩根士丹利的Debrief宁可让顾问多看一眼再发？因为那一眼就是轨道的一部分——人机协同的边界，是设计出来的克制。
一句话钉住这个区别：敏态AI给你惊喜也给你惊吓，稳态AI只给你无聊的可靠。券商员工端AI，宁可无聊，不可惊吓。
员工嫌它笨，恰恰说明边界画对了。要做的是让轨道内的体验更好，而不是把轨道拆了。
五、写在最后：三个判断
第一个判断，给正在建设的同行：员工端AI的终局不是聊天窗口，是嵌进工序的智能体。五步路径里最值钱的是第3步——知识沉淀。绝大多数券商还在第一层文档资产化，国信华泰们在第二层判断资产化已经跑出数据，第三层组织记忆资产化没人做到。差距没拉开，机会还大。
第二个判断，给选型的决策者：外部底座加内部沉淀，是多数券商的最优解。别被"自研"的叙事绑架——自研买的是知识主权，但你完全可以用更便宜的方式守住知识主权：工程外包，沉淀内置。
第三个判断，给普通投资者。
上一篇文章我说，AI平权了工具，但工序还在垄断——机构赢在工序。这篇文章讲的就是那道工序的施工现场：机构正在把每一个员工，变成"带着AI的员工"。
服务你的那个投顾，身后是整个公司的知识库——沉淀着几千名投顾的判断逻辑，覆盖着数百万客户的偏好标签。你看到的不是一个顾问，是一支被AI武装过的队伍。
看清这一点，不是让你焦虑，是让你校准预期：面对"带着AI的员工"，个人投资者真正的功课不是买更贵的工具，是想清楚自己的定位——哪些事交给专业的人，哪些事自己拿主意。
券商员工端AI这一仗，打的是效率，攒的是家底。
效率省下的是时间，沉淀攒下的是复利。时间会花掉，复利会滚大。
这两件事的区别，就是这场军备竞赛的全部真相。
往期文章精选：
我是狗哥，某券商的科技从业者。「狗哥聊金融科技」写金融AI落地的一线观察：架构、选型、合规、组织，和真实的踩坑记录。不蹭热点，不追新闻，只写想清楚了的东西。
这篇是"员工端"系列的第一篇——也是上一篇《AI炒股亏损潮的真相》埋的钩子的兑现：那篇讲机构赢在工序，这篇带你进工序的施工现场。如果你在券商做科技、做财富管理，这篇的五步路径可以直接当检查清单用；如果你是投资者，它帮你看见服务你的投顾身后那套系统。转给同行，也欢迎留言：你们公司的员工端AI，走到五步里的哪一步了？卡在哪一步？——你的卡点，可能就是下一篇的选题。
发表评论
发表评论: