財(cái)聯(lián)社4月5日訊（記者 趙昕睿）AI 話題熱度自 DeepSeek 問(wèn)世后持續(xù)攀升。這股熱潮不僅帶動(dòng)科技股市場(chǎng)行情回暖，更在無(wú)形中加速推動(dòng) AI 技術(shù)向金融領(lǐng)域滲透，深刻重塑著金融業(yè)務(wù)模式，投行、研究等業(yè)務(wù)受其影響尤為顯著。AI熱潮下，國(guó)內(nèi)外投行均敏銳捕捉到潛在機(jī)遇，紛紛布局 AI 應(yīng)用，期望搶占發(fā)展先機(jī)。兩者在 AI 作業(yè)進(jìn)展上是殊途同歸還是各具特色？
近期，高盛CEO David Solomon在AI峰會(huì)上的一起言論引起高度關(guān)注，他表示，傳統(tǒng)IPO招股書(shū)往往需要6個(gè)投行人用兩周完成，但如今AI可以在幾分鐘內(nèi)就完成95%的工作。據(jù)記者了解，事實(shí)上，去年 5 月外媒就曾報(bào)道，華爾街投行借助 AI 分析師，幾秒就能完成投行分析師原本需數(shù)小時(shí)甚至整個(gè)周末才能完成的工作。
這些確切的數(shù)據(jù)引發(fā)市場(chǎng)對(duì)國(guó)內(nèi)外投行 AI 作業(yè)實(shí)際發(fā)展情況的關(guān)注與探索，對(duì)此，記者采訪了部分國(guó)內(nèi)外投行，從多維度深度調(diào)研兩方市場(chǎng)在AI投行應(yīng)用上的異同點(diǎn)。
調(diào)研一：國(guó)外AI投行作業(yè)進(jìn)程實(shí)際情況如何？AI為何避免觸及核心數(shù)據(jù)？
AI 為何能完成招股書(shū) “95%” 的內(nèi)容？某國(guó)外投行人士向記者透露，招股書(shū)中95%的內(nèi)容，如公司工商登記信息、過(guò)往財(cái)報(bào)數(shù)據(jù)、行業(yè)公開(kāi)的統(tǒng)計(jì)資料等皆屬于公開(kāi)信息，AI可輕松獲取并整合。而剩余的“5%”，如招股書(shū)中的管理層分析、發(fā)行人股權(quán)情況等內(nèi)容仍需人工進(jìn)行優(yōu)化完善。
“95%”這一高占比數(shù)據(jù)雖極具沖擊力，但記者了解到，目前AI在國(guó)外投行僅充當(dāng)智能引擎角色，而這背后源于兩點(diǎn)原因。
數(shù)據(jù)安全作為投行業(yè)務(wù)的紅線，自然也是AI與投行業(yè)務(wù)融合過(guò)程中首要考量因素。為防止數(shù)據(jù)遭遇未經(jīng)授權(quán)的訪問(wèn)、使用、披露、破壞與篡改，國(guó)外投行僅允許 AI 接入公共數(shù)據(jù)。畢竟，券商投行日常接觸的數(shù)據(jù)大多涉及商業(yè)機(jī)密及客戶隱私，讓 AI 接觸這類(lèi)數(shù)據(jù)，風(fēng)險(xiǎn)難以估量。
另一個(gè)原因在于，AI模型訓(xùn)練依賴于公共數(shù)據(jù)，這一限制導(dǎo)致 AI 在投行業(yè)務(wù)實(shí)際應(yīng)用時(shí)，難以精準(zhǔn)契合私營(yíng)部門(mén)的需求，尚未實(shí)現(xiàn)理想的匹配狀態(tài)。
由此可見(jiàn)，部分國(guó)外投行基于數(shù)據(jù)安全考量，僅讓 AI 獲取公開(kāi)信息。但為何國(guó)外投行未讓AI觸及公司核心數(shù)據(jù)？記者調(diào)查發(fā)現(xiàn)，“本地化部署” 的缺失是關(guān)鍵癥結(jié)。
國(guó)外投行內(nèi)部系統(tǒng)迭代升級(jí)滯后，與 AI 部署適配性欠佳，本地化部署仍在推進(jìn)階段。相比之下，國(guó)內(nèi)投行 AI 本地化部署進(jìn)程明顯更快。此外，據(jù)國(guó)外投行人士透露，國(guó)內(nèi)券商能通過(guò)微信傳輸文件，而在國(guó)外，此類(lèi) “私信” 行為一旦被發(fā)現(xiàn)，涉事人員會(huì)被立即開(kāi)除。
可見(jiàn)，投行內(nèi)部系統(tǒng)與 AI 的適配性、展業(yè)制度管控的差異以及本地化部署進(jìn)展，是造成國(guó)內(nèi)外投行 AI 應(yīng)用區(qū)別的關(guān)鍵因素。
調(diào)研二：國(guó)內(nèi)外投行目前在AI作業(yè)上呈現(xiàn)出哪些共性特征？
AI 驅(qū)動(dòng)投行領(lǐng)域的變革，已成為國(guó)內(nèi)外投行的廣泛共識(shí)。除上述因素外，記者通過(guò)調(diào)研國(guó)內(nèi)券商一線動(dòng)態(tài)發(fā)現(xiàn)，有兩大核心維度與國(guó)外AI投行發(fā)展不謀而合。
在提升效率與優(yōu)化流程方面，AI 優(yōu)勢(shì)盡顯。券商通過(guò)搭建投行知識(shí)庫(kù)，為投行人員提供智能搜索引擎，提升撰寫(xiě)招股書(shū)效率、降低錯(cuò)誤率。其次 ，國(guó)內(nèi)外投行在監(jiān)管約束下，都將數(shù)據(jù)安全奉為圭臬，筑牢數(shù)據(jù)隱私保護(hù)防線。但受區(qū)域法規(guī)、業(yè)務(wù)模式等因素影響，雙方在具體防護(hù)措施上或存在差異。
除上述兩大核心維度，國(guó)內(nèi)外投行在以下幾方面也展現(xiàn)出一致性：
一是輔助決策支持：借助數(shù)據(jù)分析和模型預(yù)測(cè)，對(duì)項(xiàng)目風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)評(píng)估，深入開(kāi)展行業(yè)研究，預(yù)測(cè)市場(chǎng)走向，為投行業(yè)務(wù)決策提供可靠依據(jù)。
二是客戶服務(wù)優(yōu)化：通過(guò)智能客戶服務(wù)、客戶畫(huà)像及客戶智能分類(lèi)等方式提升客戶體驗(yàn)和滿意度。
三是風(fēng)險(xiǎn)管理強(qiáng)化：通過(guò)對(duì)歷史及實(shí)時(shí)數(shù)據(jù)的分析，識(shí)別潛在風(fēng)險(xiǎn)并提前預(yù)警，有效管控投行業(yè)務(wù)中各類(lèi)風(fēng)險(xiǎn)。
調(diào)研三：與外資券商相比，國(guó)內(nèi)投行應(yīng)用定位或進(jìn)展存在哪些不同？
在AI作業(yè)進(jìn)程中，國(guó)內(nèi)外投行在 AI 應(yīng)用上的共性固然值得關(guān)注，但差異化優(yōu)勢(shì)無(wú)疑更具看點(diǎn)。參考部分券商反饋的作業(yè)進(jìn)展，國(guó)內(nèi)投行在構(gòu)建業(yè)務(wù)場(chǎng)景、數(shù)據(jù)側(cè)重點(diǎn)及技術(shù)生態(tài)差異等方面與國(guó)外投行形成了區(qū)分。
業(yè)務(wù)版圖方面，國(guó)外投行注重“全球化”拓展，將AI更多用于全球化衍生品定價(jià)、跨境并購(gòu)估值等復(fù)雜場(chǎng)景，主要側(cè)重全球化數(shù)據(jù)覆蓋，AI工具需要兼容多語(yǔ)言。與之不同，國(guó)內(nèi)投行緊緊圍繞中國(guó)資本市場(chǎng)，深入推進(jìn)“本地化”戰(zhàn)略。聚焦國(guó)內(nèi)市場(chǎng)的同時(shí)，積極開(kāi)展區(qū)域性探索及本地化部署。
從技術(shù)生態(tài)搭建來(lái)看，國(guó)外投行或更傾向于購(gòu)買(mǎi)成熟SaaS服務(wù)，而非自研底層模型。國(guó)內(nèi)投行則傾向選擇國(guó)產(chǎn)化替代方案，與國(guó)內(nèi)監(jiān)管科技平臺(tái)建立了更為緊密的對(duì)接機(jī)制。 在AI競(jìng)爭(zhēng)賽道上，“本地化部署”已然成為國(guó)內(nèi)投行的獨(dú)具優(yōu)勢(shì)。
據(jù)券商投行人士透露，受?chē)?guó)內(nèi)金融監(jiān)管政策約束，數(shù)據(jù)隱私和合規(guī)是券商應(yīng)用AI的重要考量因素，為確保數(shù)據(jù)安全性與合規(guī)性，券商選擇本地化部署AI工具。這讓國(guó)內(nèi)券商在借助 AI 技術(shù)提升業(yè)務(wù)效率的同時(shí)，有效規(guī)避了數(shù)據(jù)安全風(fēng)險(xiǎn) ，更好地適應(yīng)了本土監(jiān)管環(huán)境和業(yè)務(wù)需求。
結(jié)合部分券商投行 AI 應(yīng)用的實(shí)際作業(yè)案例，各家AI應(yīng)用推進(jìn)處于何種階段？
廣發(fā)證券“投行AI文曲星”平臺(tái)率先探索投行大模型應(yīng)用實(shí)踐，作為行業(yè)首個(gè)投行大模型生成、審核、抽取、搜索綜合解決方案落地的平臺(tái)，廣發(fā)探索了豐富的投行業(yè)務(wù)場(chǎng)景，達(dá)到全面賦能業(yè)務(wù)執(zhí)行、賦能風(fēng)險(xiǎn)防控、賦能運(yùn)營(yíng)管理。
“智能問(wèn)答”可根據(jù)知識(shí)庫(kù)文檔快速回答投行業(yè)務(wù)問(wèn)題，平均準(zhǔn)確率高達(dá)85%，并支持溯源至原文具體位置，涵蓋投行法律法規(guī)等多類(lèi)文檔。
“智能核查”利用大模型技術(shù)大幅提升了文檔核查的準(zhǔn)確性，招股說(shuō)明書(shū)核查準(zhǔn)確度比傳統(tǒng)AI核查提升30%，智能化識(shí)別低級(jí)錯(cuò)誤、語(yǔ)義、格式、邏輯等多類(lèi)錯(cuò)誤，核查點(diǎn)比傳統(tǒng)AI核查增加50%，同時(shí)持續(xù)優(yōu)化審核規(guī)則，保障信披質(zhì)量。
“智能生成”根據(jù)具體業(yè)務(wù)場(chǎng)景將模板制作和數(shù)據(jù)填充過(guò)程標(biāo)準(zhǔn)化，減少了大量重復(fù)性工作，同時(shí)規(guī)避了人為撰寫(xiě)文檔材料時(shí)可能會(huì)發(fā)生的錯(cuò)誤，實(shí)現(xiàn)PPT生成、業(yè)務(wù)底稿輔助撰寫(xiě)等場(chǎng)景。
“智能抽取”支持多模態(tài)圖片與復(fù)雜表格的識(shí)別，自動(dòng)識(shí)別章節(jié)及超過(guò)20種版面結(jié)構(gòu)。通過(guò)大模型技術(shù)與規(guī)則引擎結(jié)合，利用大模型的強(qiáng)大理解能力處理復(fù)雜語(yǔ)義化要素，字符識(shí)別精度達(dá)99%，要素抽取準(zhǔn)確率超95%，突破金融復(fù)雜場(chǎng)景識(shí)別極限。
另外，系統(tǒng)可復(fù)用智能中臺(tái)能力，提供了格式轉(zhuǎn)換等AI工具，支持JPG、DOC、DOCX、XLSX、PDF等多種文件格式高精度一鍵轉(zhuǎn)換，滿足各類(lèi)文檔格式需求。
作為國(guó)內(nèi)較早應(yīng)用AI技術(shù)輔助投行業(yè)務(wù)的券商之一，興業(yè)證券已將大量AI場(chǎng)景技術(shù)深度融合至業(yè)務(wù)環(huán)節(jié)，目前已落地的投行領(lǐng)域?qū)＜抑R(shí)庫(kù)，其中內(nèi)部規(guī)章制度和監(jiān)管問(wèn)詢庫(kù)受到一線用戶廣泛好評(píng)。相對(duì)于傳統(tǒng)信息檢索方式而言，大模型提供了提煉總結(jié)、信息溯源的功能，查詢檢索效率提升50%。投行業(yè)務(wù)上廣泛應(yīng)用了AI文稿審核工具進(jìn)行輔助核查，平均每月進(jìn)行各類(lèi)文檔核查200余次。
同時(shí)，公司同步部署了AI投行文檔智能撰寫(xiě)功能，通過(guò)對(duì)非結(jié)構(gòu)化數(shù)據(jù)的自動(dòng)解析和外部數(shù)據(jù)填充，單篇文檔撰寫(xiě)時(shí)間從傳統(tǒng)手工撰寫(xiě)的數(shù)天縮短至1小時(shí)以內(nèi)，數(shù)據(jù)更新完成度高達(dá) 93% 以上。
此外，已建成的銀行流水智能識(shí)別審核系統(tǒng)，目前已成為投行內(nèi)控審核必備環(huán)節(jié)，近年共輔助完成了數(shù)萬(wàn)份流水文件和數(shù)千家企業(yè)的核查工作。智能印章審核工具通過(guò)對(duì)缺失和錯(cuò)誤的印章高亮標(biāo)注。自上線以來(lái)已完成數(shù)百萬(wàn)余次印章識(shí)別任務(wù)，印章樣本識(shí)別準(zhǔn)確率超過(guò)90%。
東吳證券則持續(xù)將AI部署及研發(fā)作為現(xiàn)階段主要任務(wù)，通過(guò)實(shí)際使用，訂立了如下的量化目標(biāo)。
在項(xiàng)目承攬階段，利用AI篩選潛在客戶項(xiàng)目，針對(duì)目標(biāo)客戶完成100%智能盡調(diào)。
在項(xiàng)目承做階段，通過(guò)AI輔助盡調(diào)程序和文檔結(jié)構(gòu)化，將盡調(diào)效率提升至少30%。
目前，東吳智能銀行流水核查已部署上線，逐步擴(kuò)大使用范圍，申報(bào)交易所文件已實(shí)現(xiàn)文檔自動(dòng)審核比對(duì)。
財(cái)信證券主要在提升文檔處理效率及數(shù)據(jù)提取與校驗(yàn)效率等2方面作出量化目標(biāo)。文檔處理方面，已基于DeepSeek本地化部署在實(shí)現(xiàn)知識(shí)問(wèn)答場(chǎng)景全新接入，上線試運(yùn)行財(cái)信證券大模型知識(shí)庫(kù)2.0版本，面向公司內(nèi)部員工，在制度解讀、知識(shí)檢索、文檔審核、數(shù)據(jù)校驗(yàn)、數(shù)據(jù)提取等方面更為高效。業(yè)務(wù)流程優(yōu)化方面，則通過(guò)DeepSeek R1模型的本地部署，為客戶及員工提供“更快、更準(zhǔn)、更廣”的服務(wù)體驗(yàn)。
面臨國(guó)內(nèi)券商行業(yè)普遍同質(zhì)化競(jìng)爭(zhēng)的問(wèn)題，財(cái)信證券表示更注重通過(guò)數(shù)據(jù)資產(chǎn)和應(yīng)用場(chǎng)景的差異化來(lái)構(gòu)建競(jìng)爭(zhēng)優(yōu)勢(shì)。例如，通過(guò)掌握更多本地區(qū)優(yōu)質(zhì)數(shù)據(jù)資產(chǎn)來(lái)提升AI工具的性能。
調(diào)研四：在AI深度融入投行作業(yè)中，各家擬定了哪些切實(shí)舉措保護(hù)相關(guān)核心數(shù)據(jù)？
數(shù)據(jù)如同一家公司的發(fā)展基因，關(guān)乎業(yè)務(wù)運(yùn)轉(zhuǎn)與發(fā)展。在數(shù)據(jù)安全威脅日益復(fù)雜的背景下，國(guó)內(nèi)投行在筑牢數(shù)據(jù)安全防線方面，制定了哪些規(guī)劃、采取了哪些舉措？
廣發(fā)證券對(duì)于投行業(yè)務(wù)數(shù)據(jù)基于權(quán)限最小化原則，系統(tǒng)支持為用戶配置分層分級(jí)的數(shù)據(jù)權(quán)限。具體措施如下：
基于RAG方案的項(xiàng)目信息隔離機(jī)制：打通傳統(tǒng)業(yè)務(wù)系統(tǒng)獲取用戶權(quán)限數(shù)據(jù)，采用多路召回策略控制投行項(xiàng)目數(shù)據(jù)不當(dāng)流動(dòng)，保證召回到大模型的數(shù)據(jù)是用戶有權(quán)訪問(wèn)的。
數(shù)據(jù)分類(lèi)與分級(jí)：對(duì)投行業(yè)務(wù)核心數(shù)據(jù)進(jìn)行細(xì)致的分類(lèi)和分級(jí)管理，明確不同數(shù)據(jù)的敏感程度和使用權(quán)限。
數(shù)據(jù)訪問(wèn)控制：建立嚴(yán)格的數(shù)據(jù)訪問(wèn)控制機(jī)制，只有經(jīng)過(guò)授權(quán)的人員才能訪問(wèn)和使用核心數(shù)據(jù)。通過(guò)身份認(rèn)證、權(quán)限管理等技術(shù)手段，確保數(shù)據(jù)訪問(wèn)的合法性和安全性。
數(shù)據(jù)使用審計(jì)：對(duì)核心數(shù)據(jù)的使用情況進(jìn)行實(shí)時(shí)審計(jì)和監(jiān)控，記錄數(shù)據(jù)的訪問(wèn)、使用和修改情況，以便及時(shí)發(fā)現(xiàn)和處理數(shù)據(jù)使用中的異常行為。
當(dāng)前大模型普遍具有開(kāi)箱即用的特征，而且大多數(shù)模型支持用戶上傳文檔自建知識(shí)庫(kù)。因此在投行業(yè)務(wù)中，可能會(huì)出現(xiàn)非公開(kāi)信息意外泄露的風(fēng)險(xiǎn)。興業(yè)證券對(duì)此則通過(guò)業(yè)務(wù)合規(guī)約束和技術(shù)管控兩個(gè)層面進(jìn)行雙重保障。一是根據(jù)外部監(jiān)管規(guī)定，針對(duì)投行業(yè)務(wù)建立健全敏感人員崗位登記管理，未公開(kāi)信息保密管理等，涉及敏感數(shù)據(jù)的文檔不允許外傳。二是通過(guò)本地化部署大模型處理敏感數(shù)據(jù)和文件，防止客戶數(shù)據(jù)等核心機(jī)密外泄。
此外，在使用投行管理系統(tǒng)時(shí)，需要由特定人員在特定的數(shù)據(jù)范圍內(nèi)和流程階段內(nèi)使用，確保了業(yè)務(wù)數(shù)據(jù)和操作權(quán)限的有效隔離。公司層面也已建設(shè)了權(quán)限稽核系統(tǒng)，通過(guò)人員權(quán)限動(dòng)態(tài)管理，定期審計(jì)等措施，保障業(yè)務(wù)和數(shù)據(jù)安全。
在數(shù)據(jù)安全層面，興業(yè)嚴(yán)格落實(shí)《證券期貨業(yè)數(shù)據(jù)安全管理與保護(hù)指引》對(duì)業(yè)務(wù)數(shù)據(jù)進(jìn)行分類(lèi)分級(jí)。依據(jù)過(guò)程域建立管理、技術(shù)、數(shù)據(jù)接觸3類(lèi)指引，同時(shí)建立數(shù)據(jù)加密保護(hù)隔離、備份和審查機(jī)制。尤其針對(duì)投行業(yè)務(wù)涉及的客戶信息通過(guò)脫敏、泛化、加密等技術(shù)手段降低數(shù)據(jù)泄漏風(fēng)險(xiǎn)。
東吳證券則通過(guò)構(gòu)建完備的數(shù)據(jù)治理體系、強(qiáng)化數(shù)據(jù)安全技術(shù)防護(hù)、加強(qiáng)數(shù)據(jù)安全意識(shí)培訓(xùn)、建立數(shù)據(jù)安全監(jiān)測(cè)與應(yīng)急響應(yīng)機(jī)制、深化與外部的合作與交流五個(gè)方面不斷完善AI與投行業(yè)務(wù)的融入。
在投行AI應(yīng)用賽道上，數(shù)據(jù)安全是核心要點(diǎn)。國(guó)外投行為防數(shù)據(jù)泄露等相關(guān)風(fēng)險(xiǎn)，限制AI僅能接觸公開(kāi)數(shù)據(jù)。國(guó)內(nèi)投行則通過(guò)“本地化部署”AI，打造數(shù)據(jù)安全“防護(hù)墻”，使其成為AI競(jìng)爭(zhēng)的突出優(yōu)勢(shì)。當(dāng)前AI技術(shù)迭代迅猛，未來(lái)在投行領(lǐng)域引發(fā)哪些新變革，已成為市場(chǎng)持續(xù)關(guān)注的焦點(diǎn)。