全球金融行业AI进展跟踪：AI的落地进展、量化测算与审慎边界

AI的落地进展、量化测算与审慎边界 ——全球金融行业AI进展跟踪 要点 核心观点： 作者 分析师：王开执业证书编号：S0930526050001021-52523416执业证书编号：S0930526050001021-52523416wangkai9@ebscn.com 采用广度已经足够，深度仍然有限，落地最深的环节恰是投研前段。目前“已整合”最常见的用例为想法生成与研究、非结构化数据处理、信号生成与趋势分析；组合构建与交易执行的嵌入程度显著更低。这一结构意味着研究环节既最先获得效率红利，也最先面临能力商品化。 量化测算呈现明显的“偏科”特征。BCG测算交易执行手工流程自动化率可达70%–80%，投资运营成本下降约40%；而投资端最审慎的表述是夏普比率或可提升5%–20%，且收益分布不均。越靠近操作的环节数字越大，越靠近判断的环节越保守。 竞争优势正从“产出分析”向“运用分析”迁移。当基础分析能力商品化，判断力、差异化数据与组合构建能力成为主要壁垒。BCG同时指出，传统上由初级分析师承担的产能将有50%–65%被重新配置，对研究团队的人员结构与培养路径构成直接影响。 风险提示：本报告基于公开信息整理，不构成对任何证券的投资建议，亦不代表对相关机构技术方案的推荐或背书。 目录 一、采用现状：广度已足，深度不足.....................................................................................................3二、价值链的重新分配.............................................................................................................................5三、工程实践：高风险专业工作的落地标准.........................................................................................6四、审慎视角：现有模型的局限.............................................................................................................7五、对国内投资机构的启示...................................................................................................................10六、风险提示...........................................................................................................................................10 一、采用现状：广度已足，深度不足 我们搜集学习了2026年以来，海外金融机构、咨询公司、监管部门与资管机构在投资研究中的AI赋能实际运用，以及可量化的效率与收益空间。本报告关注点在于“AI作为投研工具”，即人工智能如何改变研究与投资的工作流程；不包括“AI作为投资主题”类材料，后者讨论的是资本开支周期与标的选择，与这次问题不属于同一范畴，因此并不作为投资推荐依据。 1.1整合程度分布 Mercer于2026年2月对全球131家资产管理人开展调研，结果显示AI在投资流程中的采用已具相当广度：55%的机构表示AI已整合进至少一条策略的投资流程，27%处于试点或概念验证阶段，仅18%尚未整合。同时，91%的受访机构表示计划在未来12个月内加大AI使用。 我们认为，这组数据的意义在于确认了行业已越过“是否使用”的讨论阶段。但采用率本身并不说明使用深度，Mercer在报告中明确提示，所谓“我们使用AI”或“AI驱动”，其含义可以从基础自动化一路延伸至影响实盘的生产级模型，二者之间差距悬殊。 1.2功能定位：副驾而非决策者 就AI在机构内部的定位而言，73%的受访机构将其描述为运营型应用（自动化与效率），68%描述为“副驾”型（提供洞察与分析），而表示AI用于决策的仅占5%。 该组数据与用例分布相互印证。Mercer调研显示，当前“已整合”最常见的三类用例为想法生成与研究、非结构化及外部数据集处理、信号生成与市场趋势分析；而报告AI已嵌入组合构建或交易执行的机构则明显更少。换言之，AI目前主要在扩大研究覆盖与分析能力，尚未直接塑造敞口、仓位与交易行为。 1.3收益结构：效率显著，收益存疑 在管理人自报的可衡量收益中，运营效率提升被69%的机构提及，洞察或决策更快、质量更高被55%提及；而投资收益改善与风险波动降低各仅被8%的机构提及。 我们认为这是本组材料中最具参考价值的一项数据。效率类收益具有普遍可验证性，而收益类改善的证据基础明显薄弱。Mercer因此建议，当管理人宣称获得“AI驱动的超额收益”时，配置者应首先厘清优异表现来源。 二、价值链的重新分配 2.1岗位时间再配置 BCG在2026年全球资管报告中提出运营模式的变化最终体现为人员时间结构的重新分配。BCG测算，交易员端70%–80%的标准执行流程（含预检查、订单管理、成交监控）将可自主运行；分销端35%–50%的产能将由服务性事务转向委托设计与高价值对话；组合经理可将从分析中节省的5%–10%时间重新投向更高阶决策。 其中最值得关注的是分析师岗位：传统上由初级分析师承担的产能中，将有50%–65%被重新配置，即数据搜集与初稿建模让位于管理层交流与差异化洞察产出。对于研究机构而言，这一变化的核心影响不在于人员数量，而在于培养路径——若基础工序不再作为新人训练场景，专业判断力的养成机制需要重新设计。 2.2竞争优势的三点迁移 基于上述测算，BCG提出三项竞争格局判断，我们认为对国内研究机构同样适用： 其一，判断力上移一层。优势不再源自“产出分析”，而源自“决定如何运用分析”。在部分情形下，机构将通过逆AI驱动的共识而动来创造超额收益；管理层需决定使用哪些模型、如何组合、何时质疑。 其二，分销与客户关系成为主战场。技术带来规模，但关系、公信力与受托信心决定价值归属。客户倾向于选择其信任的机构——即在系统不确定时能够行使判断并为结果背书的一方。 其三，大规模定制打开新的商业模式。定制化成本下降后，过去仅面向最大委托的能力可推广至更广客群，从而开辟新的细分市场与收入形态。 在落地路径上，BCG给出三条原则：停止边际优化，数量级优势需要结构性重构；聚焦少数能带来明确损益影响的转型项目；自上而下设定目标、自下而上重构流程，因为持久优势主要来自运营模式、人才与流程的改变，而非数据与技术本身。报告特别强调，应在建设期即将治理嵌入运营架构，确保可审计性、模型可追溯与明确问责，事后在规模化状态下补装控制难度显著更高。 三、工程实践：高风险专业工作的落地标准 3.1Fiduciary-GradeAI框架 与上述侧重测算的材料不同，Anthropic于2026年7月8日发布的汤森路透案例侧重工程实现。该案例的应用场景为法律、税务与会计，与卖方研究在属性上高度同构：均属高风险、需引证、需署名背书的专业工作。 汤森路透将其方法论概括为Fiduciary-Grade AI，即AI须扎根于权威内容、由深度领域专业知识塑造、并直接嵌入专业工作流，使输出在高风险场合可透明、可验证、可辩护。该公司首席技术官强调，专业人士之所以能够依赖其检索结果，依靠的并非模型本身，而是长期沉淀的内容资产、逾2700名领域专家的日常标注增强，以及在模型之上自建的评测体系；对最终工作成果负责的仍然是专业人士本人。 3.2四条模型准入标准 该案例提出的四项模型准入要求，可直接作为研究报告生产流程的验收标准： 模型须自校引证。系统不能在检索到来源后即行输出，而必须在提交人工复核之前先行验证其所引用的内容。该公司据此将检索流程重构为兼具引证校验与验证功能的Agent。 须在长链条工具调用中保持稳定。较长的任务对上下文管理与工具使用可靠性提出更高要求，模型需在多步骤、多系统之间维持任务线索，确保流程完整执行而非中途中断。 须将人纳入产出过程而非仅纳入结果。对于最复杂的任务，目标是让专业人士参与工作成果的形成过程，而非依赖Agent一次性给出答案。 须释放此前不具备带宽处理的工作。例如复杂法律文书起草——此类任务因所需上下文与精度过高，此前的模型无法胜任。 3.3Agent作为产品交付方式 该案例的另一项洞察在于，Agent并非更智能的对话工具，而是既有产品的新交付方式。其做法是训练单一Agent使用公司过去以独立软件形式提供的全部工具，目前该Agent可同时访问数百项内部工具。相应地，模型评估的重点转变为考察其规划能力与工具使用的正确性和效率。其法律产品由原先的技能串行执行，重构为实时跨工具与内容源进行规划、分派与编排，用户只需定义预期结果而无需规定每一步骤。 在投入产出评估上，该案例持相对审慎的观点：过度针对收益率进行优化容易只见树木不见森林，应先完成认知与文化层面的转变。但其仍追踪工程效率指标，例如一项基于大模型构建的内部故障修复工具，将生产事故的处理时间由三小时的根因分析压缩至四分钟修复。其对能力结构变化的判断值得关注——编写代码这一动作本身已不再是工作的核心，真正重要的能力转变为系统思维、判断力与品味，且该模式正由工程领域向产品、设计与财务等职能外溢。 产品侧的对标信息同样具备参考价值。Anthropic于2026年5月发布的十个金融服务预置Agent，实质上是将投行与资管的岗位职责模板化，其中研究与客户覆盖类包括标的清单汇编与pitchbook起草、会前简报准备、财报与电话会阅读并标记模型更新项、财务模型搭建等。部署形态上既可作为插件运行于桌面工具，亦可作为托管Agent在平台上自主运行并留存完整审计日志——后者正是前 述“治理嵌入架构”的具体形态。 四、审慎视角：现有模型的局限 4.1监管机构的实测结论 西班牙国家证券市场委员会（CNMV）第96号工作论文对四款主流大模型及三种提示策略进行了选股能力测试。结论显示，模型生成的推荐受制于反复出现的推理失败，具体包括金融常识性误解、结转误差以及对过期或幻觉信息的依赖。在获得适当引导与监督的条件下，模型确实展现出跑赢市场的能力，但要实现其全部潜力需要大量人工监督。该论文另有一项可直接用于工程设计的发现：将选股推荐锚定于官方监管申报文件，能够提高预测准确度。 4.2学术实证的规范水平 深圳大学一项覆盖77篇研究的审计型证据图谱显示，在满足“具备可执行动作且完成闭环评估”这一最低门槛的19篇实证研究中，实证规范的披露情况普遍薄弱。 具体而言，仅2篇披露了可提取的时间一致性数据划分，1篇指定了交易成本模型，1篇记录了样本空间与幸存者偏差处理方式，无一篇达到最高可复现级别。作者的结论较为克制：Agentic架构可能提供实际优势，但这些优势并非自动获得，取决于细致的工具化与评估设计。我们认为，该组数据既可作为内部AI选股与多智能体框架回测的对标基准，也构成对相关研究结论审慎采信的提示。 4.3生产率提升的传导瓶颈 Oliver Wyman的观察从另一角度印证了上述判断：多数资管机构正在将AIAgent叠加至现有工作流之上并训练其成为任务专家，但所报告的生产率提升在很大程度上仍被困于遗留流程之中，尚未产生可衡量的损益影响。相比之下，领先的私募股权与私募信贷机构因长期习惯模块化的交易工作流，在流程重构与自动化方面推进更快。 综合本节三项证据，我们认为一个稳健的判断是：AI在投研环节的价值目前主要体现为产能与