一、6天前，监管发话了

2026年10月19日下午，金融街论坛年会开幕式，证监会主席吴清在台上讲了四件事。

其中第二件，被转得最多：

"发布实施人工智能在证券期货业安全合规应用的意见，健全业务发展、数据安全等监管规范，促进在风控、投研等重点场景安全高效应用，引导科技向善。"

这句话不长，有两个词值得划重点："安全合规应用" 和 "规范"。

往前推四个月，2026年6月的陆家嘴论坛，已经提过一次：将适时发布规范发展资本市场人工智能的指导意见，依法从严打击利用人工智能非法荐股、造谣传谣、违法交易等乱象。

再看一条更具体的：正在修订的《证券基金投资咨询业务管理办法》，专门增设了"程序化咨询"相关条款——只要实质开展自动化投资咨询服务，就需纳入投顾监管框架，不得以"工具"之名规避监管。

翻译成大白话：

以后你的 AI 对客户说的一句话，和你的投资顾问对客户说的一句话，要承担的是一样的责任。

这句话一旦落地，会直接改变一件事——你的 AI 必须能回答监管的追问：

当时凭什么这么判？依据是第几条？当时的数据长什么样？

而这个问题，现在绝大多数券商的 AI 答不上来。

二、另一边，钱已经花出去了

同一时间轴上，行业的另一组数字滚烫。

2026年上市券商半年报收官后：43家上市券商上半年合计营收 3647.1亿元、归母净利润 1553.7亿元，两项核心指标同比增幅都超过 40%。

钱砸在哪？AI。

国泰海通明确"ALL in AI"策略，上半年累计发布智能体 1314个、Skills 404个，以自研千亿参数多模态证券垂类大模型"君弘灵犀"为底座，搭起由 60 余个 Agent 组成的智能体矩阵。

华泰证券"ALL IN AI"，"AI涨乐"的任务助手统筹调度多类专业智能体。

中信证券把 AI 压到风控上，"风控AI管理员"具备风险事件实时推断与多主体识别能力。

东北证券用 AI 做客户画像与需求识别，上半年经纪业务新增有效客户同比增长 75.58%。

整个行业的措辞，已经从"投入期"改成了"产出期"。

1314 个智能体。这个数字很震撼，也值得停下来想一想。

三、但另一份报告说：只有34%进得了生产

2026年10月5日，MIT Technology Review Insights 联合 Neo4j 发布了一份面向 300 位数据、AI 与技术高管的调研《Connecting AI agents to enterprise knowledge》。

核心结论一句话：

平均只有 34% 的企业智能体项目真正进入生产环境。即便是高科技行业本身，也很难突破这个天花板。

（说明一句：这份由 MIT TR 定制内容部门完成的赞助调研不是同行评议的学术论文，反映的是受访高管的体感。但它的结论方向，和其他几家机构的独立测算高度一致。）

其他几个数字：

MIT Project NANDA：95% 的生成式AI试点没有产生任何可衡量的 P&L 影响。

Gartner：到 2027年底，超过 40% 的 agentic AI 项目将被取消，主因是数据质量差与基础设施碎片化——不是模型不行。

S&P Global：2025年有 42% 的公司放弃了大部分 AI 计划，上一年这个数字只有 17%；平均每个组织在进入生产前废弃掉 46% 的 POC。

这下有意思了。

一边是"产出期"、"ALL IN AI"、"1314个智能体"；一边是三分之二的项目上不了线。

同一年，同一个行业群，两拨人说的都是真话。差别在于：前面那组数字说的是「做了多少」，后面那组说的是「用了多少」。

而这条裂缝，恰恰是接下来那纸监管意见要伸手摸进去的地方。

四、卡住的不是模型，是一个很土的问题

MIT 那份报告给失败原因排了序，前三名是：遗留数据系统、安全与隐私顾虑、知识与上下文缺失。

第三条才是要命的。它说得很直白：企业攒了几十年数据，但智能体不知道这些数据在你的业务语境里是什么意思，于是做出错判。55% 的受访高管把"数据碎片化"列为扩大智能体知识访问的最大障碍。

听起来抽象？落到证券公司，它就变成三个天天被问、天天答不准的问题：

问题一：张先生是我们的客户吗？开户算客户？有资产算？近一年有交易算？他在 CRM 有客户号、柜台有资金账号、资管有 TA 账号、投顾有服务编号、集团有统一客户号。同一个人在五个系统里，可能状态不同、等级不同、标签不同。

问题二：这只 R4 产品能卖给他吗？你得同时知道：他的风险等级、测评在不在有效期、是不是专业投资者、产品风险等级、在不在代销白名单、买了之后集中度超不超标。

问题三：为什么？依据是第几条？监管检查、内部审计、客户投诉的时候，你要拿出"当时凭什么这么判"的完整证据链。

SQL 能答第一个问题的一半，但答不了"同一个客户"。检索能找来三段制度原文，但算不出第二个问题的结论。第三个问题，多数机构要动十几个人、花两三周才能勉强拼出来。

这三个问题缺的是同一样东西：

一套被显式写下来、集中维护、机器可读的业务定义。

它有个不太讨喜的名字，叫本体（Ontology）。

五、"本体"这个词很劝退，但它其实就是一本说明书

别急着划走。

打个比方：本体就是业务世界的可计算说明书。

它只干五件事：

▪ 定义这个行业里有哪些对象（客户、账户、产品、标的、事件、制度条款）；

▪ 每个对象有哪些属性、取值从哪来；

▪ 彼此是什么关系（谁持有谁、谁依据谁）；

▪ 必须遵守什么规则（适当性匹配、集中度限额、关联交易识别）；

▪ 以及可以对它们执行什么动作（预检、拦截、起双录、登记）。

Excel 类比更好懂：本体是"表头 + 填写说明 + 校验规则"，数据是填进去的行。 没有表头，每个人按自己的理解填，最后没人能合并。

它不是又一个知识库，也不是又一个图谱。一句话分清楚：

知识库是容器和结果，本体是其中的骨架与语法。RAG 解决"找得到"，本体解决"算得准、说得清、做得对"。

所以"有了本体是不是就不用向量库了"——反过来才更常见。公告、研报、制度、录音转写这些非结构化证据，还得靠检索召回；本体负责把召回回来的东西结构化、对齐、校验，并且挂到具体条款上。

六、一个能跑的最小本体：6个对象、6条关系、3条规则

抽象讲完，直接上东西。以"适当性预检"为例：

就这么点东西，足以支撑一个真实可用的 AI 应用。

真正值钱的是三处细节：

▸ id 用代理键，不用身份证号。 客户会换手机号、证件会更新、各系统格式不一致。用自然键做主标识，后面所有关系都会随证件更新而断链——这是本体建模里最不起眼、返工代价最高的一个决定。

▸ 关系必须带时间。 "曾经任职"和"当前任职"要能区分。没有 validFrom/validTo，"当时他属于哪个部门"就答不了——而这恰恰是合规最常问的。

▸ 判定必须挂条款。 没有"依据"这条边，结论就无法举证。

七、最反常识的一句：大模型应该在倒数第二步才出场

这是我认为整件事里最重要的一句话。

一个可信的智能体处理请求的顺序是：

理解意图 → 语义对齐 → 取事实 →规则判定→大模型组织语言→ 执行动作

客户经理问："帮我看看张先生能不能买这只 R4 债基。"

1. 意图理解：识别出客户"张某"、产品"P-77"、动作"适当性预检"

2. 语义对齐：把"张先生"解析成唯一客户 ID，把"这只R4债基"解析成产品 ID

3. 取事实：风险等级、测评有效期、投资者类别、白名单、集中度，每个值带来源

4. 规则判定：4 条规则逐条跑，返回 pass / block / needExtra 与命中项

5. 组织回答：大模型把结构化结果翻译成客户经理看得懂的话，附依据链接

6. 执行动作：起双录待办、登记风险揭示、写回柜台、落审计日志

大模型在第 5 步才登场，而且只干一件事：把已经确定的结论说人话。

结论由数据和规则决定，语言由模型决定。

反过来——让模型先下结论、再去翻依据——那是幻觉的标准生产流程。

"引用了一份2022年已废止的细则作为依据"，是这条路在金融场景里最经典的翻车姿势。

这也是"能演示的系统"和"能进生产流程的系统"的分界线：前者给你一段听起来正确的话，后者给你一个结论、四条逐条标注通过与否的规则，以及一条可以点开的证据链。

八、四种用法，四级台阶：多数项目死在第一级

本体的用法有四种，价值逐级上升，风险也逐级上升：

绝大多数项目死在：只做了第①种，却对外宣称要做第④种。

可靠的路径只有一条：先用①建立信任（业务发现"问它比问人快"），再用③建立价值（判定准确率、举证效率），最后才上④建立闭环。

直接跳到④的项目，通常在第一笔误拦截上，就失去了业务的信任。

回看 MIT 那个 34%：报告里那些"生产领跑者"，平均有 61% 的项目跨过试点门槛。他们做对了什么？答案落在同一个地方——在企业数据与智能体之间，补一层「知识层」：知识图谱、语义定义、AI 就绪的 API。

有意思的是，在他们解决了碎片化之后，最担心的事变成了另一个：72% 的生产领跑者把安全与隐私列为首要挑战。 因为一个能横跨所有系统取数的 Agent，攻击面远比一个人大。

九、别误会，这不是让你再造一次轮子

落到一家具体券商头上，被问得最多的一句永远是：

"我们的核心系统是不是要大改？"

答案是：不用。

改造三分法：

不动：柜台、集中交易、核心账务。原则是旁路增强、只读接入——最坏情况下整套下线，也不影响交易。如果方案里出现"改造柜台"四个字，基本可以判定这套方案过重。

改造：中台与治理——权威源认定、实体解析规则、口径登记、变更评审流程。

新建：语义服务 API、图存储与计算、规则库、动作编排与审计、评测与回归。

而且真正的工作量分布，和多数立项预算里的假设是反的：

语义映射与实体解析 50%~60%，语义设计与规则 30%~40%，应用与界面 10%~20%。

如果按"建模为主"估人力，项目几乎必然延期。

这也是很多方案在 POC 阶段漂亮、在生产阶段崩掉的原因——Demo 跑在精选数据上，生产跑在脏数据上。Gartner 的测算里，数据准备一项就吃掉 60%~75% 的项目工作量，而 POC 恰恰是唯一不用付这笔账的阶段。

给一个可校验的周期锚点：

▪ 试点 / POC：6~10 周。1 个场景、2~3 个系统、以只读为主，交付"可演示 + 可比对 + 可举证"

▪ 单域上线：3~4 个月。客户域 + 适当性，接入 3~6 个系统，含写回与审批

▪ 企业级本体：9~15 个月。多业务域、统一治理与运营体系

首期推荐组合：客户统一视图 + 适当性预检。

前者解决"人是谁"，后者解决"能不能做"，共用同一套客户、产品、账户对象，投入可复用；而且后者天然满足四个条件——规则明文可依、必须跨系统取数、结论必须可举证、错了有合规后果。在监管要来的这半年里，它是 ROI 最好讲清楚的一个。

十、验收别写"上线了"，写这四条

如果项目章程里还在用"上线了""跑通了"作为验收口径，建议现在就改掉：

1. 判定一致率：与合规/业务人工复核抽样比对 ≥ 200 笔，一致率 ≥ 95%，差异逐条有归因

2. 可举证率：随机抽取 50 笔判定，100% 能给出"数据快照 + 命中规则 + 条款版本"的完整依据链

3. 效率指标：对比基线，跨系统取数或判定耗时下降 ≥ 50%

4. 可移交性：甲方团队在无乙方参与的情况下，独立完成一次本体变更（新增属性并同步到应用），全流程 ≤ 1 天

第 4 条最容易被忽略，也最能区分"交付了一个系统"和"交付了一种能力"。

尾声：这半年，是最值钱的时间窗

回到开头那天的消息。

"人工智能在证券期货业安全合规应用的意见"——发布实施，这四个字意味着它不是征求意见稿式的远景。

接下来半年，一家券商里大概会发生这么一件事：

合规部来问 AI 部门一个问题——"监管进场问'当时为什么这么判'的时候，我们这个智能体，能拿出来什么？"

那一刻会有两类公司。

一类开始翻聊天记录、翻几十个系统里的 if-else、翻离职员工的交接文档。

另一类打开一张图：客户 → 测评 → 规则 → 条款 → 产品。每个节点都能点开，带版本号和时间戳。

差别不在模型多大、参数多少，也不在于你做了 1314 个还是 1300 个智能体。

差别在于：有没有人愿意花 8 周时间，把"到底什么算同一个客户"这件事，认真地写下来，并且让机器也能读懂。

如果说 2025 年的关键词是"接入大模型"，那么 2026 年下半年开始的关键词，大概是"敢不敢让它干活"。而这两个词之间的那道坎，叫语义。

文中涉及的券商经营数据、监管表述与调研数据均引自公开报道（中国经济网／新华财经／央视新闻／央广网、MIT Technology Review Insights 等），文中业务示例（张某、P-77 等）均为虚构说明性示例。本文为行业方法与实践交流，不构成任何投资建议或项目承诺。