券商AI的钱都花哪了?

先记住这句话：券商AI的钱，不是花多花少的问题，是花在哪的问题。

国泰海通一年在IT上投了三十多个亿，行业第一。太平洋证券，绝对金额排不上号，但信息技术投入占营收的比例冲到11.33%，全行业第一。

同一个AI焦虑，两种花钱法。

第一篇券商AI落地的真相：喊"拥抱"的人多，想清楚的人少我写过一句话：没有顶层框架就谈场景，等于没有设计图纸就开始砌墙。这篇讲的是那张图纸上最实际的一栏——钱。同样的顶层战略，大券商和小券商画出来的预算表，是两个物种。

我做券商科技这一行，这一年见过太多同行拿着差不多的预算，一个花出了复利，一个花成了沉没成本。差别从来不在钱包深浅，在钱落下的位置——投入错位，比投入不够更致命。

这篇给你三样能带走的东西：一张"对号入座"的地图，大中小三档券商的钱各该往哪花；一个判断标准，让你随时检查自己花对了没有；还有三个谁都绕不开的坑，和它们各自的解法。

一、先看清断层：这不是差距，是两条路

先把行业的基本盘摊开。

有钱的那一档，是真有钱。行业IT投入超10亿的券商有11家，头部的国泰海通、华泰、招商，一年投进去的是二十亿到三十亿的量级。没钱的那一档，是真没钱。有12家中小券商，全年IT投入不到3个亿——头部一家投的钱，够它们投十年。

再看一个反直觉的榜单。把"投入占营收的比例"排一排，前十名里中小券商占了大头：太平洋11.33%、国盛10.12%、东北9.7%。绝对金额是实力的镜子，占比是决心的镜子。小券商不是不投，是咬着牙在投。

还有一个数字能看出这行的水位：全行业IT投入的平均数，是4.1亿左右，对应的大概是第25名的水平。一百一十多家机构，有八十多家够不着这条平均线。换句话说，"平均"这个词在这个行业里，是被头部那十几家撑起来的。

所以我说这是两条路，不是一条路上的先后。大券商和小券商，对"AI是什么"这个问题的答案都不一样，钱的去向自然天差地别。

这条路走岔了会怎样？我见过一家中型券商，照着头部那套"全场景自研"的蓝图干，预算铺开像撒胡椒面，一年下来每个场景都起了个头，没有一个能算清账。第二年砍掉一半，才喘过气来。

二、大券商：买底座

大券商的钱，花在三样东西上：算力、模型、平台。

看几家就明白了。华泰走的是"自研加合作"双轨，把AI涨乐做成原生交易终端，是拿AI重做了一遍产品形态。国泰海通更重，自研了千亿参数的证券垂类大模型君弘灵犀，上半年发了1300多个智能体、400多个Skills。中信押的是另一条路——AI数字员工体系，目标是"一岗一数字员工"。

你会发现一个共同点：大券商的钱不是花在"哪个场景用AI"，是花在"让AI成为业务的地基"。 场景是他们试出来的结果，底座才是他们买的东西。算力集群、自研模型、统一的智能体平台，这三样砸下去，是为了让上面长出来的每一个场景都有地方站。

这条路还有一层账，很多人没算到：底座不是一次性买卖。算力要养，模型要迭代，平台要有人守。大券商投三十个亿，真正的大头未必是那张采购单，是往后每年的运营和迭代。这就是为什么小券商永远不该碰这一栏——买得起底座，养不起底座，比买不起更惨。

这条路的前提是：你ALL in得起。三十亿的底气，和三个亿的预算，不是同一种活法。大券商买底座，买的是"别人追不上的基础设施"；中小券商照抄这一套，买的就是"全面亏损"。

判断标准就一句话：你的机构，是"用AI的人"，还是"造AI底座的人"？ 想清楚这个，第一块钱往哪投，答案自己会浮出来。

三、中型券商：买纵深

中型券商的钱，花在"把一个场景打到产能级"。

行业的共识打法叫"三集中"：集中预算、集中场景、集中供应商。不铺摊子，挑一个高ROI的场景，往死里打。听几个真跑通的。

东吴证券，自研了秀财GPT还过了算法备案，铺开69个应用。但你要问我它最值钱的是什么，不是那69个，是它"业务提需求、科技做支撑"这套机制——需求从一线长出来，不是从科技部推下去。

国联民生更典型。一家还在合并整合期的券商，董事长亲自挂帅推AI，用AI大赛把全集团的场景创意逼出来。研报审核月均处理2000多次，物料审核从10分钟压到30秒，固收做市的AI报单日均百万级。它打穿的是"一把手工程加一个尖刀场景"——别的都是这个场景的外溢。

江海证券，走的是另一条窄路。内网本地化部署，把合规咨询从数小时压到分钟级，一线业务员签单前能自查红线。它买的是"本地化的工程能力"，不是通用模型。

三家的共同点，不是它们多有钱，是它们都知道钱要压强，不能摊薄。中型券商的预算买不起底座，但足以把一个场景从"能用"打到"产能级"。摊开来打是十道半成品，收拢来打才是一道能上桌的菜。

判断标准：你手上的AI项目，有几个是半年拿不出量化结果的？拿不出的，就是该砍的。砍场景不可耻，可耻的是养着一堆半死不活的试点。

四、小券商：买场景

小券商的钱，花在"客户能感知的地方"。

先纠正一个心态。小券商面对AI，最大的敌人不是缺钱，是未战先怯。其实小券商手里有三张牌，是头部没有的。

第一张，决策快。头部一个AI项目从立项到面客，要过集团、合规、技术三重流程；小券商总经理办公会就能拍板，从决策到上线以月计。在AI这个"三个月一个代际"的赛道上，决策速度就是竞争力。第二张，包袱轻。没有几十套老系统要兼容，船小好调头。第三张，客群专。区域券商对本地产业的理解，是通用大模型覆盖不到的知识盲区。

有了这三张牌，花钱的路子就清楚了——不碰底层，压强在差异化场景。三条路线，挑一条对得上你的：

一条是全采购。同花顺、金仕达、恒生这些成熟厂商的方案，直接买。要诀是"买能力，不买概念"，让供应商拿出同业真实落地案例和可量化的效果数据。

一条是开源私有化。DeepSeek、通义这类国产开源模型起来了，小券商第一次用得起大模型。私有化部署加一个自己的知识库，一次性投入可控，数据不出公司，是区域中小券商的主流选择。

一条是生态共建。拿自己最独特的场景，联合技术厂商一起做。华鑫证券拿量化交易风控这个特色场景，联合厂商做实时异常检测，既解决了问题，又贴上了差异化标签。

太平洋证券是个好样本。它在算法交易上持续压，太牛T0算法系统上线，算法交易收入从零到一。它没去跟大厂比算力，它在自己的一亩三分地里把算法能力做成了护城河。

小券商的最小可行底座，其实只要三样：一个统一的大模型网关、一个自己的知识库、一套评估机制。总投入百万级就能起步。

网关是统一接入、统一鉴权、统一审计——底层用谁家的模型都行，业务侧只有一个入口，换模型不用改应用。知识库是把规章制度、产品资料、研究报告清洗入库，这是所有AI应用共同的弹药。评估机制是每个应用上线前，先跑一遍标准考题集，准确率、合规率、幻觉率，不达标不上线。三样加起来，是2026年开源生态和推理成本大降，给小券商发的红利。

小券商的钱，花在客户能说出"这家哪里不一样"的地方，不是花在看不见的底座上。

判断标准：你的客户，能一句话说清楚你的AI和别家有什么不同吗？说不出来，钱就花亏了。

最后补一句，别把三分法读成三条死规矩。大券商也在采购现成的场景方案，小券商偶尔也会局部微调开源模型。这三档说的是主攻方向——你的钱，大头往哪压。想清楚了主攻，剩下的都是战术，不是战略。

五、三个谁都绕不开的坑

钱花对了方向，还有三个坑等着，哪个坑踩进去，都是钱打水漂。

第一个坑，知识库烂尾。 上线的时候轰轰烈烈，三个月后没人更新。我见过一家券商，知识库建好半年没人管，客户问一个产品要素，AI答的还是半年前的旧口径，被客户投诉了才发现库早过期了。一线员工一看它不靠谱，弃用。知识库不是建一次就完了，是要养的。解法就一条：指定owners，把更新责任写进部门考核，AI的准确率和知识库的新鲜度直接挂钩。

第二个坑，一线抵触。 客户经理担心"教会了AI，替代了自己"，消极使用，甚至故意给差评。我见过最典型的，培训的时候人到得整整齐齐，真到用的那天，一个都不打开。解法是把话说透：AI省下的时间，全部用于客户经营。考核上让先用的人先得利，抵触自然化掉。

第三个坑，厂商绑架。 外部实施商交付完，知识库结构、评估集、提示词这些资产全留在厂商手里，续约的时候漫天要价，你走也不是留也不是。解法是合同里写死：数据资产和工程资产，全部归券商所有，要求源码级或文档级交付。

这三个坑，本质是一件事：AI的钱，是一次性的采购，还是滚动的资产？ 当成采购，早晚被坑；当成资产，坑都是可以提前填的。

最后补一条，合规的三根红线，中小券商尤其输不起：AI直接对客提供投资建议，必须过合规审核、做适当性管理；客户数据和交易数据，不出公司边界；AI生成的内容，可审计、可追溯，关键环节保留人工复核。钱花得再对，踩一条红线，前面的账全清零。