“十五五”时期，证券业推进“人工智能+”的重点，正从工具简单接入转向业务深度重塑与商业价值兑现。本文以净资产收益率（ROE）作为分析观测指标，分析人工智能通过收入质量、成本效率、资本配置和风险损失影响证券公司经营结果的主要路径，并指出技术价值转化仍受到数据基础、流程衔接、投入产出计量和责任机制等因素制约。证券公司应以高价值场景为牵引，建立项目价值评价和风险分级机制，把人工智能沉淀为专业服务、经营管理和组织协同能力，在严守客户权益与合规经营底线的基础上，持续提升长期价值创造水平。
一、问题提出：人工智能+，证券行业需要从技术投入转向价值创造
“十五五”规划纲要提出深化拓展“人工智能+”，推动通用大模型和行业专用模型发展，依托高价值场景促进应用落地；同时要求金融机构专注主业、完善治理、错位发展，培育一流投资银行和投资机构。国务院《关于深入实施“人工智能+”行动的意见》提出，鼓励有条件的企业将人工智能融入战略规划、组织架构和业务流程，并在金融等服务业推广智能终端和智能体。对证券公司来说，人工智能技术的应用已越过单纯辅助办公阶段，逐步进入客户服务、研究分析、投行承做、交易定价和合规风控等业务环节。
行业监管评价导向同样兼顾经营质效与数字化能力建设。2025年修订的《证券公司分类评价规定》将风险管理能力、持续合规状况、业务发展和功能发挥状况纳入评价框架，并分别设置ROE和信息技术投入两项加分指标。2026年修订发布的《证券公司做好金融“五篇大文章”专项评价办法》，将数字金融项设为10分，主要用于评价证券公司数字化能力成熟度。行业将经营质量和数字能力两类指标并列设置，说明证券公司既要提高经营质量，也要增强技术基础；但技术投入并不会自然形成财务回报。
因此，评价证券公司的“人工智能+”行动成效，不能只看模型数量、系统上线速度和使用人次，更要看技术是否改善了专业服务、经营效率和风险管理。
二、作用机制：把人工智能转化为经营价值，需要贯通四条传导路径
ROE是证券公司专业服务能力、经营管控水平与盈利效率在财务层面的综合核心体现，本文将其作为观察人工智能价值落地与效能转化的窗口。区别于传统实体企业，证券公司资产负债结构具有特殊性，包含客户交易结算资金、交易性金融资产和融资类资产等，不同业务的资本占用与风险特征差异较大，直接套用经典杜邦分析易失真。因此，本文基于杜邦分析底层逻辑，构建适配证券公司经营场景的ROE价值分析体系。人工智能虽无法直接改变ROE数值，但可通过营收、成本、资本配置、风险管控等核心经营变量层层传导，最终影响ROE的表现。
收入质量方面，人工智能可以帮助识别客户需求、辅助资产配置、开展产业研究、支持估值定价和机构报价，扩大投顾、投研和投行人员的服务或工作半径。衡量这类价值，除了信息推送和客户触达外，还要关注客户资产净流入、客户留存、综合服务渗透率、投顾及财务顾问收入、机构业务转化率等是否得到改善。只有从增加交易频率转向提高持续服务能力，技术才能改善收入的稳定性和利润质量。
成本效率方面，大模型、检索增强生成和智能体适合处理资料检索、文档比对、规则校验、标准问答和流程派单等重复性工作。但节约工时不等于节约成本。只有同步减少重复录入和无效审批，降低外包及返工支出，或者把释放的人力投入到更高价值的客户经营、方案设计和风险判断等环节，效率提升才会体现在成本收入比、人均产出和交付能力上。
资本配置方面，人工智能不会直接降低法定净资本要求，但可以提高定价、风险识别、限额管理、对冲和资产负债管理的及时性。在做市、固定收益、场外衍生品和融资类业务中，大模型可以辅助识别库存、集中度、流动性和对手方风险，支持资本投向风险收益特征更匹配的客户、产品和策略。因此，该维度的评价重点可放在单位资本收入、资本占用周转、对冲成本和限额使用效率。
风险损失方面，人工智能可以辅助异常交易识别、投行底稿勾稽、营销内容检查、舆情监测和审计筛查，推动风险管理从事后处置向事前识别、事中干预延伸。对于这类项目，既要看覆盖率和处置速度，也要看预警准确率、重大漏报率和整改闭环率。
三、现实约束：技术能力转化为经营成果，难点在四个环节
当前信息技术类项目难以体现经营价值，主要存在以下难点：
一是业务目标不清。一些项目未有效联动业务目标，仅从模型能力或系统功能出发立项，上线后再寻找应用场景。此时，技术部门关注提升调用量和响应速度，但业务部门未能同步调整客户经营方式、岗位分工和绩效指标。结果往往是系统虽有人用，却没有稳定的经营改进，造成“系统在线、价值离线”的技术孤岛。
二是数据和流程基础不足。证券业务对事实准确、依据完整和时间有效高度敏感。数据标准不一致、授权边界不清或知识版本更新不及时，都会放大人工智能的错误引用或模型幻觉。同时，若只在既有流程之外增加一个智能工具，而不减少重复录入、调整复核节点和明确人机分工，还可能增加一线人员的操作负担。
三是投入产出难以归因。人工智能建设成本通常集中在科技部门，收益却分散在财富管理、投行、交易和中后台条线。通常情况下，客户增长可能来自市场行情，收入改善可能来自费率调整、营销活动等，风险事件又具有偶发性。没有基准期、试点对照和统一口径，就很难判断经营变化中有多少来自技术投入。
四是责任边界较为模糊。投资建议、适当性管理、投行核查、交易执行和风险计量都属于高责任场景。现行信息技术和网络安全制度明确，经营机构依法应当承担的责任，不因委托外部机构提供产品或服务而免除或减轻。引入第三方模型或云服务后，证券公司仍需掌握关键业务逻辑，保留审核、授权、留痕和应急处置能力。如果业务执行链条上的权责边界难以清晰界定，面对责任压力，各方在应用新技术时往往趋于保守，技术能力将无法充分嵌入核心业务流。
四、破局路径：以高价值场景和价值账户推动“人工智能+”
为克服以上难点，选择人工智能应用场景时应考虑“改善哪项经营杠杆、用什么指标验证、由谁承担最终责任”三个关键问题。
财富管理可优先围绕客户画像、需求澄清、配置辅助、适当性校验、投后跟踪和组合再平衡形成服务闭环。模型可以帮助投顾提高信息处理和客户陪伴效率，但投资建议和产品推荐仍应由具备相应资格的人员审核确认。项目成效应落到客户资产净流入、留存率、投顾收入和适当性差错率等指标上。
投资银行应把人工智能更多用于产业信息整理、跨文档一致性检查、财务数据勾稽、规则检索和底稿检查，让专业人员把精力放到价值发现、交易结构设计和重大事项判断上。模型输出的内容应能够回溯至原始材料，可作为尽职调查结论的参考依据，但敏感事项应实行人工复核和责任留痕。
机构交易和资本中介业务可以围绕询价识别、信用校验、报价辅助、订单生成、对冲匹配和事后评估开展人工智能应用。自动执行权限要与产品复杂程度、模型成熟度和市场状态相匹配，异常行情和高风险产品应设置降级、熔断和人工接管机制。
合规风控与运营场景规则相对明确、结果较易验证，可以从人工抽样逐步拓展到全量筛查。但评价不能只看自动化率，还要同时考察误报、漏报、处置时间和整改效果，防止“覆盖面扩大”掩盖识别质量不足。
五、实施机制：建立可计算、可管理的实施机制
为避免项目只展示技术能力、不核算经营结果，证券公司可以建立项目价值账户。例如将新增毛利、实际节约成本和经审慎确认的避免损失，与建设运维、安全合规及资本成本进行匹配。同时，新增收入应尽量剔除市场行情、费率变化和营销活动的影响；工时节约只有转化为预算、外包支出或实际产能变化后，才能作为财务收益；避免损失应以历史数据和实际拦截事件为基础，并设置审慎折扣。项目立项时应明确经营目标、责任部门、评价周期和退出机制，上线前建立基准，试点阶段设置对照及退出机制，运行后定期复盘，避免沉没成本影响后续判断。
此外，证券业务高度依赖信任和专业责任。专业稳健不是人工智能应用的附加条件，而是进入证券核心业务的前提。人工智能越深入客户服务、投行执业和交易决策，越需要坚持客户利益优先、专业人员最终负责和合规稳健经营。应根据业务风险配置模型权限。数据、知识、模型和软件供应链也应纳入全生命周期管理，确保关键输入有来源、重要过程可回溯、业务结果可复核、相关责任可追踪。
行业从规模扩张转向价值创造，要求资本、人才和科技投入形成更有质量、更加稳定的回报。人工智能能否改善证券公司的ROE，取决于它是否真正改善收入质量、成本效率、资本配置和避免风险损失，也取决于公司能否建立清晰的评价方法和责任机制。把价值导向贯穿立项、建设、运行和退出全过程，把专业判断和合规要求嵌入业务流程，人工智能才能从单纯技术投入，沉淀为券商可持续的长期核心经营竞争力。（本文作者系国投证券战略发展部吴芳、肖婕敏）
（推广）
