第一，最值得优先落地的不是最复杂的业务，而是高频、半结构化、结果可验证，并且能够接入数据和系统的工作。

高频意味着任务量、耗时或差错成本足够大；半结构化意味着流程相对稳定，但材料表达、客户需求或异常原因存在长尾变化；可验证意味着结果能够与原文、规则、专业模型或人工判断核对。

第二，场景价值取决于AI能否进入业务闭环。

业务闭环是指AI从任务触发开始，能够取得数据、完成分析、调用工具或系统、接受人工确认，并把执行结果和修改反馈带回后续流程。只生成内容而没有执行和反馈，只能证明模型能够完成一次任务，不能证明它已经改变业务结果。

第三，不同业务条线不能使用同一套价值公式，因为它们创造价值的基本单位不同。

运营审核看的是单位任务的效率与差错，研究生产看的是专业成果的质量与周期，投资交易看的是风险约束下的决策和执行，客户服务看的是任务完成、有效触达和转化。统一平台可以提供共性能力，但不能代替差异化评价。

一、券商最应该先把AI用在哪些工作上

适合优先落地的场景位于传统自动化与开放式专业判断之间。固定字段搬运、规则完全确定的任务，继续使用流程引擎或传统自动化通常更稳定；目标、步骤和正确答案都难以定义的任务，则很难直接进入生产。AI最有优势的区域，是流程大体确定但输入形式和长尾情况不断变化，同时又有明确校验依据的工作。

判断一个场景是否值得做看五个条件：

1. 需求强度。任务应当稳定存在，并且具备足够的处理量、人工耗时、差错损失或客户影响。

2. AI适配度。任务应包含文本、图像、自然语言或长尾判断；如果固定规则已经能够解决，AI未必是成本最低的方案。

3. 结果可验证性。输出应能够与原文、规则、专业模型、历史结果或人工基准核对，错误也应能够被发现。

4. 生产准备度。AI需要在授权范围内取得数据、调用工具、进入业务系统并回写结果，不能长期依赖人工搬运。

5. 风险可控性。场景应明确人工确认点、权限范围、审计记录、异常熔断和回退方式，并能够限定单次错误的影响。

其中，需求强度、AI适配度和结果可验证性决定一个场景是否值得试；数据系统条件和风险控制决定它能否进入生产。两类条件应分开判断，避免用业务想象力掩盖实施缺口，也避免因为当前条件不足而否定长期价值。

案例说明：

场景一：合同审核如何从逐条检查转向例外处理

1. 场景定义：对标准和非标准业务合同进行正文解析、要素提取、规则核验和修改建议，必要时联动检查配套文件。

2. 核心痛点：合同量大、规则密集，非标条款占比较高。人工需要逐章核对，一份合同通常耗时数十分钟，漏审和要素错配还会带来返工与合规风险。

3. 新的工作模式：百余项审核规则被嵌入业务流程，标准模板进入自动快速通道；非标合同由AI定位修改条款、引用原文依据并给出建议，业务人员只处理模糊和高风险问题，再由独立规则和人工终审复核。

4. 落地难点：条款组合存在长尾，跨章节勾稽关系复杂，模板和业务规则还会持续变化。模型误判必须能够被定位、反馈和修正。

5. 阶段性效果评估：标准合同已经明显减少人工介入，非标审核由几十分钟压缩至十几分钟，差错率有所改善。后续应持续统计命中率、误报漏报、人工干预率和返工率，不能只看处理速度。

场景二：估值运营中断如何从人工排查转向AI建议

1. 场景定义：在估值、资金、持仓核对、信息披露和份额登记等批量流程运行后，识别中断原因并给出处置建议。

2. 核心痛点：传统自动化已经处理了大部分标准路径，剩余约四分之一的问题通常来自外部文件格式不一、跨系统数据不一致和无法穷举的异常原因。业务人员每天需要在十余套系统间切换，处理数千笔中断，经验也容易沉淀在个人手中。

3. 新的工作模式：任务出现后，AI跨系统取得所需信息、判断失败原因并预生成处理建议，人员负责确认；反复出现且风险较低的问题可逐步转为自动处理，人工修改和最终结果继续回流为Skill与知识。

4. 落地难点：系统接口和写入权限必须打通，外部数据质量并不稳定，新异常会持续出现；AI执行还需要权限边界、全量日志、回退机制和独立监督。

5. 阶段性效果评估：该场景仍处在从辅助建议走向规模处理的阶段，更适合观察建议采纳率、单笔处理时长、一次通过率、人工干预率和异常处置结果，不能把规划中的无人处理比例当成已实现成效。

场景三：业绩点评如何从通用生成转向证据约束的初稿

1. 场景定义：在上市公司发布业绩公告后，解析公告和财务数据，按照行业框架生成业绩点评初稿，并交由分析师修改发布。

2. 核心痛点：财报季时间窗口短，分析师需要快速完成同比环比、指标拆分和历史观点比较。通用模型即使能够写出完整文字，也容易忽略公司特有的关注点、行业口径和证据来源。

3. 新的工作模式：系统先从同一公司的历史报告中提炼关注点、数据和写作方法，形成公司级Skill；公告发布后自动解析PDF并调用数据服务生成初稿，分析师补充判断和修改，终稿与初稿的差异再用于更新Skill。

4. 落地难点：行业逻辑会变化，采购数据存在授权限制，事实、引用、公式和表格都需要校验，分析师的个人风格也难以用统一模板完全表达。

5. 阶段性效果评估：在财报季覆盖部分分析师，部分委托类任务可在十几分钟内形成初稿。生成文字留存比例可作为参考，但不能直接代表质量；更重要的是事实与引用准确率、初稿周期、人工修改原因和最终采用情况。

场景四：客户销售作业如何从多系统跳转转向自然语言编排

1. 场景定义：让一线顾问通过自然语言调用产品信息、风险标签、客户筛选、沟通内容和任务跟踪能力，完成一次客户服务或销售作业。

2. 核心痛点：过去一次产品销售需要在产品配置、风险信息、客群圈选和任务系统之间反复跳转，还要手工整理卖点、筛选客户、生成沟通内容并记录后续动作。

3. 新的工作模式：顾问用一条指令发起任务，系统依次总结产品卖点、圈选潜在客户、叠加筛选条件、生成沟通内容并创建触达任务，最后由顾问确认发送。AI由内容助手变成跨系统的业务入口，但最终对客责任仍由人员承担。

4. 落地难点：客户数据权限、适当性、隐私保护和对客合规必须嵌入流程；同时还要解决算力调度、Skill质量和新用户不会描述任务的问题。

5. 阶段性效果评估：分批开放后形成持续高频使用和十万级任务量，个别深度用户每天可执行数十次任务。评价应继续跟踪任务成功率、节省时间、有效触达、人工确认、合规退回和后续转化，不能用总收入直接归因。

场景五：场外资产报价如何把邮件解析、对冲和报表连成闭环

1. 场景定义：处理非标准场外资产的询报价、交易对手匹配、对冲需求和交易后风险报表。

2. 核心痛点：客户邮件、市场报价、竞价信息和交易对手资料高度分散，交易人员需要手工解读邮件、筛选报价、寻找对冲工具并制作持仓和风险报表，链路长且依赖个人经验。

3. 新的工作模式：AI解析邮件和报价信息，匹配交易对手白名单，组织可选报价并计算对冲需求，专业定价和风险工具完成确定性计算，交易人员确认方案；成交后，持仓与风险信息继续进入日中和盘后报表。

4. 落地难点：产品结构和术语不标准，报价对实时性和稳定性要求高，生成模型不能替代定价与风险模型，交易权限、审计和人工确认也不能省略。

5. 阶段性效果评估：实际使用中，单次报价可由数十分钟缩短到几分钟，持仓和风险报表由数小时压缩到半小时以内，并能以更少人力覆盖更大处理规模。交易量变化仍受市场和业务策略影响，应分开观察询价解析准确率、报价采纳与成交、对冲偏差、盈亏风险和异常处置。

二、为什么不同业务条线不能使用同一套价值公式

各条线都可以复用大模型、知识库、数据服务和任务编排能力，但它们对业务结果的作用路径不同。运营审核以单笔任务为单位，研究生产以专业成果为单位，投资交易以策略和风险结果为单位，客户服务则以客户任务和转化漏斗为单位。评价指标必须对应这四种价值形成方式。

表1 不同业务条线的价值形成与评价重点

其中，收入通常处在AI价值链条的末端。市场行情、客户资源、产品竞争力、销售策略和人员能力都会同时影响收入，建设初期不能把收入增长作为唯一标准。成熟场景可以评估收入贡献，但需要明确作用链条、统计周期和基准，必要时采用对照组、相似人群或分阶段推广来识别增量。

公司层面可以统一生产门槛，例如数据授权、结果校验、权限控制、过程留痕、异常回退和责任确认；不宜统一的是业务结果公式。研发和管理等支持性场景也应按照下游结果评价，例如交付周期、缺陷率、复用率和任务完成情况，而不是把代码生成比例或工具调用量直接视为价值。

三、为什么一些场景已经上线却没有形成业务价值

上线只说明功能可以被访问，不代表场景已经进入生产。影响价值形成的关键问题通常不在模型是否能够生成答案，而在数据系统、责任机制和持续运营是否已经准备好。

1. AI能够生成内容 但不能取得数据和完成后续动作

进展较快的场景通常已经具备结构化数据、稳定流程、可调用系统和明确的业务负责人。AI只是把自然语言、非结构化材料和长尾判断接入原有数字化链条。如果数据需要人工搬运、接口无法开放、系统不能回写，AI就只能停留在查询、总结或外围检查，难以减少实际工作步骤。系统由业务团队直接掌控时，接口、日志和流程更容易改造；核心环节依赖外部系统时，进入生产链路的成本通常更高。

这也解释了为什么工作流压缩往往比单次内容生成更有价值。减少跨系统切换、重复录入、资料整理和人工传递，可以直接改变处理时长和承载能力；生成一段更流畅的文字，如果没有连接后续动作，价值上限仍然有限。

2. 流程保留了人工复核 但责任边界仍然模糊

AI进入生产后，人的工作会从重复执行转向设定目标、处理例外、确认结果和承担责任。仅在流程末端增加一个人工复核按钮，并不能自动解决风险问题。每个场景都需要明确AI可以读取什么、可以建议什么、可以执行什么，哪些情况必须升级，以及谁拥有最终签发、报价、交易或对客责任。人工复核本身也要评价其有效性，避免成为没有实质判断的形式步骤。

成熟的生产流程通常不会由大模型独立完成全部任务。规则系统负责硬约束，专业模型负责计算，大模型负责理解和编排，人工负责确认与例外处理。传统自动化与AI因此不是相互替代，而是处理不同类型的不确定性。

3. 系统记录了调用量 但没有记录使用结果

调用次数只能说明工具被打开，不能说明任务已经完成。场景建设前应记录原有人工耗时、处理量、差错和业务结果，运行中继续记录AI完成、人工修改、采纳驳回、异常原因和最终结果。没有基准与结果日志，团队既无法证明价值，也无法判断问题来自模型、数据、流程还是用户习惯。

持续运营还包括对Skill和Agent的生命周期管理。业务人员正在把研究步骤、销售方法、交易分析和运营处置经验封装为可复用能力，但这些能力需要明确验收标准、维护责任、版本更新、停用条件和反馈渠道。缺少管理时，数量增加反而会提高搜索、选择和质量控制的成本。

四、券商下一步应如何安排AI建设顺序

场景排序可以简化为两个问题：业务价值是否足够确定，进入生产所需的数据、系统、权限和治理条件是否具备。两个维度分开判断，可以避免把高价值但暂时无法上线的场景误判为失败，也可以避免因为技术实现容易而建设大量低价值功能。

表2 AI场景的推进顺序

建设与考核抓住三件事：

1. 建立场景台账。每个场景记录业务基准、目标用户、任务规模、数据来源、系统接口、人工确认点、风险上限、当前成熟度和下一阶段指标，不以平台、Agent或Skill名称代替场景。

2. 按成熟阶段设定指标。验证阶段先看能否完成任务，生产阶段看安全与稳定，推广阶段看持续采用，成熟阶段再评价成本、容量、客户和经营结果。

3. 在真实需求之后收敛平台。先允许业务围绕明确问题进行有限验证，再把已经证明共性的模型接入、数据服务、权限审计、评测和运行能力沉淀为平台服务。统一底层标准，保留业务方法。

券商AI建设的下一阶段，重点应从展示模型能力转向改造具体工作流。先找到值得解决且能够验证的问题，再补齐数据、系统和责任机制，最后按照各条线的价值形成方式评价结果。这样才能区分技术可用、业务采用和经营价值，避免用项目数量替代真实进展。