11月12日，中证报一则消息在金融圈传开：多家上市券商在三季度业绩说明会上密集回应AI赋能问题，财富管理是高频场景，投研、交易、投行、合规风控、运营管理无一缺席。行业数字化“逐步进入业务流程改造和实际应用阶段”。

“进入应用阶段”，这六个字放在别的行业或许只是一句进展陈述。放在证券业，它意味着一个更残酷的追问正式登场：当AI从演示屏走进利润表，它到底在替谁赚钱？

过去两年，券商对AI的态度经历了从“要不要做”到“怎么做”的急速切换。2025年，28家上市券商在信息技术上合计投入约250亿元，占营业收入比重升至6%；国泰海通、华泰证券、招商证券信息技术投入分别达到32.35亿元、26.79亿元、19.08亿元，国泰海通、华泰证券更是将“ALL in AI”直接写进年报战略。招商证券的“AI研究所”里，AI点评报告采用率已经达到73%，一站式智能研究工作台覆盖分析师“搜、读、写、审”全流程；华鑫证券的智能投研平台，把年报处理时间从数小时压缩到5分钟。国投证券的智能投顾体系累计辅助46万客户，某头部券商的大模型财富助手落地后，展业成功率提升20%，问答准确率达到93%。

单看这些数字，这是一场无可争议的效率革命。但效率的飙升，恰恰是最不值得庆祝的部分。真正值得警醒的问题是：效率提升之后，价值流向了哪里？

一、效率幻觉：当“单点提效”伪装成“系统增值”

诺贝尔经济学奖得主索洛在1987年说过一句著名的话：“计算机无处不在，唯独看不到它们出现在生产率统计中。”三十多年后，这句话正在AI时代被反复引用，被称为“现代索洛悖论”。全球范围内，约80%金融机构的AI投入无法给利润带来实质增益，大量项目困在“试点炼狱”里。

证券行业很难成为例外。

原因不在于AI不够强，而在于券商的组织方式，尚未为AI的产出方式做好准备。招商证券的AI点评报告采用率73%，意味着大量研报的生产环节被加速了，但一份更快生成的研报，是否必然带来更高的客户付费意愿或更大的市场份额？华鑫证券5分钟生成深度报告，效率提升数十倍，但当所有券商都能在5分钟内生成一份结构完整的报告时，报告本身就从“稀缺品”变成了“日用品”。IDC中国区研究总监高飞的判断是，AI在智能客服、智能投顾等面客场景的推进“非常迅速”，但“迅速”本身并不回答商业化的问题。

更隐蔽的困境在成本端。人工智能的建设成本集中在科技部门，收益却分散在财富管理、投行、交易、中后台等多个条线，投入产出几乎无法精确归因。华泰证券2025年26.79亿元的信息技术投入，相当于当年净利润的16.4%，但“AI产品能否带来对等的收入回报，目前尚无法量化验证”。一家券商砸下数十亿构建算力和模型底座，最终在财报上呈现的，可能是一组漂亮的效率指标，和一个语焉不详的回报叙事。

这不是说AI没有价值，而是说局部的效率提升，正在被系统性的成本膨胀所对冲，甚至吞噬。当行业集体把“AI采用率”“智能体数量”“数字员工占比”当作转型KPI时，很少有人停下来问一句：如果AI只是让旧流程跑得更快，而没有改变流程本身的目的和结构，那它创造的究竟是价值，还是仅仅是速度？

二、分化的裂缝：谁在为“ALL in”买单，谁又在被“AI平权”抛弃

在这场竞赛中，头部与中小券商之间正在裂开一道难以弥合的鸿沟。国泰海通一家拥有150多个智能体，形成“处处数字化，人人数字化”的格局；华泰证券、招商证券、国泰海通三家头部机构的信息技术投入，加起来接近78亿元，相当于相当一部分中小券商全年营业收入的数倍。而中小券商面临的是另一幅图景：“布局大模型成本高企、尚未有已落地应用场景”，同时又被监管要求和行业共识推着往前走，陷入“投不起又不敢不投”的两难。

一个更残酷的细节是：中小券商投顾人均服务客户数达到350至500人，是大中型券商的2到3倍，研究资源匮乏、技术预算有限，传统服务模式本就捉襟见肘。AI理论上应该成为它们缩小差距的杠杆，但现实是，头部机构可以用多模型协同的数字员工生态覆盖全业务链，中小券商往往只能完成基础模型部署，能力差距在AI时代不是缩小了，而是在加速扩大。

但这道裂缝的另一侧，还有一个更少被提及的风险：算法同质化。当大量券商接入相似的底层大模型、采用相近的策略框架，策略趋同可能在特定市场条件下放大波动，甚至催生新型的隐匿性风险。头部机构“ALL in”的另一个后果是，整个行业的技术选择正在向少数几个模型和平台收敛。技术上的“效率最优”，在系统层面可能意味着“多样性最差”。金融市场的韧性，恰恰依赖于参与者之间的差异。当AI让所有人在同一个方向上跑得更快时，市场的自我纠错能力是被增强了，还是被削弱了？这个问题，目前没有答案，但它值得每一个把“ALL in AI”写进战略的人认真对待。

三、被替代的与不可替代的：从业者的价值锚点正在位移

在所有关于效率的讨论中，最容易被数据掩盖的，是人的处境。

中证协的报告显示，2025年超七成券商研究部门已应用AI，应用场景清晰地分为两层：基础事务辅助和深度投研赋能。前者包括信息搜集、文稿校对、会议纪要、文字润色；后者涉及研究方法创新、专题深度分析和合规智能管控。多家券商研究所的共识是，AI正在替代助理研究员的基础性和重复性工作，但“在竞争壁垒分析、商业模式拆解、投资评级建议等深度研究领域，依旧是分析师发挥主导作用的主场”。

这个判断本身是清醒的，但它隐含着一个对从业者而言极为苛刻的要求：你必须从“处理信息的人”，变成“生产判断的人” 。过去，一个分析师的相当一部分价值附着在信息处理能力上——谁读得更快、写得更多、覆盖得更广。当AI把这三件事的成本压到趋近于零，附着在“处理”上的价值也随之蒸发。真正留存的，是那些无法被“处理”的东西：对产业周期的穿越性理解，对竞争壁垒的独立判断，对管理层可信度的直觉，以及在噪声中识别信号的认知框架。东北证券研究所的判断是，未来研究所的核心护城河将集中在三个维度：穿越周期的行业深度洞见与前瞻研判，对科技前沿的敏锐捕捉与快速验证，以及面向机构客户的面面精细化沟通与定制化服务能力。

这三样东西，没有一样是AI“生成”出来的。它们来自人的经验、判断和关系。AI把从业者从“手”和“眼”的劳动中解放出来，却把“脑”和“心”的劳动推到了唯一不可替代的位置上。 这对那些习惯于在信息处理中寻找安全感的人来说，是一道残酷的淘汰令；对那些真正具备判断力的人来说，则是一次迟到的价值重估。

这或许才是AI给证券行业带来的最深层的结构性变化：它不是在替代“人”，它是在重新定义“什么人值得留下”。

四、信任：那个AI解决不了的问题

在所有挑战中，有一个比投入产出、比行业分化、比职业重塑都更根本的问题：信任。

国泰海通首席信息官俞枫在2025年大湾区交易所科技大会上的判断直截了当：证券行业最值得警惕的是模型“幻觉”问题，在强调专业性和精准性的金融领域，“幻觉”可能是致命问题。腾讯云副总裁胡利明的表述同样审慎：金融行业对模型的幻觉、对输出内容的准确性和严肃性要求更高，容错率的要求也“更加高”。而当AI逐步参与决策链条，一旦介入交易或建议环节，责任归属如何界定，目前仍然模糊。

更深一层的悖论在于：AI越强大，信任反而越稀缺。算法开源、算力可租、人才可招，技术本身已经不再是难以逾越的关卡。真正卡住脖子的，是用户敢不敢把真金白银的决策权，交给一个无法解释“为什么”的系统；是机构敢不敢在合规底线上，依赖一个可能出现“幻觉”的模型；是监管敢不敢在系统性风险的链条上，为一个黑箱式的判断背书。信任一旦崩塌，技术越先进，风险越大。

这意味着，券商在AI竞赛中真正需要回答的问题，不是“我的模型参数有多大”“我的智能体有多少个”，而是：当AI给出了一个答案，我有没有能力判断它是对的还是错的？当AI错了，我有没有机制发现它、纠正它、并为后果负责？ 这些问题指向的不是技术能力，而是组织能力、治理能力和文化能力。它们无法被“部署”，只能被“建设”。

效率之上，还剩什么

回到开篇那个问题：AI进入应用阶段，到底在替谁赚钱？

目前最诚实的答案是：它首先在替那些有能力把效率转化为定价权的机构赚钱。同样的AI工具，在拥有客户信任、品牌溢价和综合服务能力的头部券商手中，可以变成更高的客户留存和更强的议价能力；在缺乏这些基础的机构手中，效率提升可能只是让竞争变得更加惨烈。技术从来不会自动分配红利，它只会放大已有的优势或劣势。

而对整个行业而言，一个更值得深思的命题是：当“快”成为所有人的标配，“慢”的能力反而会成为真正的壁垒。对产业规律的耐心理解，对风险边界的审慎判断，对客户关系的长期经营，以及在AI给出答案之后仍然敢于说“不”的专业勇气——这些东西不会出现在信息技术投入的账单上，也不会被写进“ALL in AI”的战略宣言里，但它们才是证券行业在技术浪潮退去之后，仍然能够站立的东西。

效率飙升的时代，最稀缺的不是更快的答案，而是知道什么答案值得相信的人。