當AI包攬了標準答案，財富管理行業的護城河是什么？

當AI快速融入資管與財富管理行業的鏈條，每一家行業機構都不得不重新回答一個問題，自己的護城河到底是什么

文｜《財經》記者 黃慧玲

編輯｜郭楠 陸玲

“有了AI以后，我們第一次真正意義上了解客戶沒有說出口的需求。他跟你說‘沒事，我可以承擔風險’，但真正風險來的時候，他就要罵你了。”盈米基金董事長肖雯驚訝地發現，AI對客戶行為數據的深度挖掘，包括操作習慣、持倉時長、咨詢內容甚至瀏覽記錄，使得他們獲得了遠超以往的客戶洞察能力。

在近日舉辦的晨星（中國）2026年度投資峰會上，來自資管機構、金融科技公司、行業智庫的多方嘉賓圍繞AI給行業帶來的變化展開了討論。

時至今日，AI對資管與財富管理行業的滲入已超出許多從業者的預期。據肖雯介紹，盈米內部部署了大大小小200多個模型，Dify平臺上活躍著3000多個AI應用，月Token（詞元）消耗量達千億級別。“AI已不再是實驗項目，而是真正成為了水電煤，成為了普通員工日常工作的必需品。”

但深水區同樣暗流涌動。嘉實財富總經理陶榮輝直言：“我是不敢把權限交給‘龍蝦’的，尤其是我們這個行業，客戶隱私非常重要。我們所有數字的背后都是客戶的真金白銀、真實信息和真實需求。”

對智能體的不信任、對數據安全的憂慮、對責任歸屬的困惑，與技術樂觀主義形成了鮮明對照。而隨著技術普及，將給行業帶來新的分化，也給從業者帶來新的挑戰。

“AI遇強則強，遇弱則弱。同樣一個問題，你點撥它不同的地方，它會給出不同的答案。”訊兔科技創始人李羅丹判斷，技術普及未必帶來能力均等化，反而可能加速從業人員之間的分化。

在李羅丹看來，AI時代優秀投研人員需要具備三項能力：充分擁抱AI，讓信息處理能力得到10倍以上的增強；與人充分接觸，在線下構筑強大的信息網絡；基于更強的信息采集能力，構建和別人不一樣的非共識認知。

然而，對許多行業機構來說，從技術滲透到真正賦能行業，中間還橫亙著數字化底座薄弱、組織慣性等多重難關。

更大的壓力來自外部。“AI巨頭正在從幕后技術的‘賦能者’變成前臺的‘競爭者’。”在肖雯看來，技術平權時代加速到來，標準化能力不再是護城河，行業競爭壁壘正在經歷消失和重構。每一家機構都不得不重新回答一個問題，自己的護城河到底是什么。

從輔助工具到核心環節

AI在投研領域的應用可以分成三個階段。

李羅丹總結，最早是處理會議紀要、翻譯等單步任務的“助理時代”，將基金經理從每天七八個小時的會議中解放出來；隨后是“推理模型驅動”階段，AI能將研究問題拆解為二三十個步驟，完成個股分析和行業研判；當前則進入“師徒時代”。

“AI的進化已經離不開人的反饋和強化。只有在不斷交互、言傳身教的過程中，AI才能變得越來越強、越來越準，甚至有你的記憶。”李羅丹分析，在這一階段，AI開始吸收人類分析師只可意會不可言傳的隱性經驗，而這類知識在人類智慧中的占比遠高于顯性知識。“換句話說，AI的學習對象正從公開數據拓展到人腦中最難被編碼的那部分認知。”

“目前我們的智能投研系統在‘信息助理’方面的功能已經比較完善，包括報告閱讀、會議提煉、市場總結、主線分析等很多投研信息由AI進行高效處理，大幅提升了投研人員的工作效率。近一年也在朝著‘機會總結’功能推進。未來仍會積極探索AI在輔助決策方面的潛能，最終結合人和科技的優勢提升決策質量。”頭部私募淡水泉介紹。

九鞅科技創始人何華將AI在投研中的角色定位為“調度員”，能聽懂指令、調用數據的計算引擎和工具平臺，“像一個靠得住的博士生”。但他同時指出了邊界：在高端定價模型等精工計算環節，AI的能力并不強，“做不了非常復雜的定價計算”。這意味著，AI當前解決的主要是流程調度和中等復雜度的分析任務，而非取代頂級判斷。

滲透的廣度也在技術供應商的數據中得到印證。阿里云金融行業副總經理徐志良透露，其所服務的券商中，程序員平均一天在AI輔助編程上消耗3000萬Token。算力和模型供給已近商品化，供給側平權正在發生。

財富管理一側，AI已嵌入多家機構的核心業務流程。易方達財富總經理韓香介紹，AI已進入其投顧業務的投研、交易、顧問服務等多個環節，效率提升顯著。

肖雯將傳統財富管理模式的困境概括為一個“不可能三角”：個性化深度、規模化廣度、高質量服務的一致性，三者很難兼得。“AI介入能夠真正讓這三者同時成為可能，使機構有能力對大眾客戶實現個性化、大規模、高質量的服務。此外，AI解決了以前做不到的服務一致性和與客戶交互的長程記憶問題，讓投顧服務不再僅僅依賴個人的經驗和狀態。”

但滲透加速也帶來了新的分化，這使得技術讓所有人回到同一起跑線的敘述未必成立。更可能出現的圖景是，善于駕馭AI的人與被動使用AI的人之間，差距加速拉大。

李羅丹分享了一項與清華大學的聯合研究結論：AI遇強則強，遇弱則弱。“有了AI是不是整個市場會趨同？我們的結論是‘不是’，整個市場會變得更加異構化，因為人和人之間的思想是不一樣的，而AI是人思想的一面鏡子，它會強化和加大你很多的想法，使人群的分化。”

這種分化在投研領域體現得尤為具體。

何華提出，AI正在區分Alpha的來源。“原來靠信息差、人工覆蓋面的幅度、基礎研究能帶來的Alpha會越來越不顯著，這些相對含金量低的Alpha會被消失，但是高階的Alpha反而會在新的環境下帶來更大的收入效應。”

“整個投研工作的全流程基本上都會受到巨大沖擊。”一位頭部私募人士對《財經》表示，“人的任務邊界、效率以及任務量級都會有巨大變化。AI對一家公司做了深度研究、發現機會之后，會告訴你去調研、問哪些問題，人成了AI的手和嘴巴。”

AI時代，什么不可替代？

當標準化工作被AI大量承接，人的價值必須向更高維度遷移。這構成了當前行業討論中最具共識的方向。

李羅丹將未來的投研價值聚攏為三個領域：一手產業信息、非共識認知，以及市場參與主體的關系管理。“AI可以快速集成1000篇、1萬篇文章里的認知，但它只能代表市場中樞。人才能代表那個未知的、非共識的、前瞻性的研究能力。”在他看來，未來好的投研人員就是要在AI卷平了標準化信息之后，還能給出市場平均認知之外的判斷。

諾亞正行副總經理趙軼哲引用的一項實驗數據為之提供了佐證：AI能幫助新手在短時間內達到80分水平，但從80分到95分以上，依靠的是從業者長期積累的認知和品位。

“對長期投資人而言，經過時間積累沉淀下來的洞察力和判斷力是AI無法替代的。將AI技術優勢與人類智慧深度融合，可以為主動權益投資創造長期價值。”淡水泉表示。

財富管理一側，多位嘉賓將信任推到了核心位置。

嘉信理財（上海）總經理Thomas Pixley提出，“買方投顧本質上推銷的不是基金、股票，我們推銷的是信任。”

陶榮輝從責任歸屬的角度呼應了這一判斷：“理財結果需要有人‘背鍋’。我不可能對智能體說‘你給我提供建議，我沒賺到錢’。責任需要厘清邊界。”

在陶榮輝看來，AI的本質是賦能理財師，釋放其精力以經營客戶信任，但AI的局限性同樣不可忽視，它不能承擔責任，缺乏情感鏈接，依然存在幻覺。正因如此，他不敢把權限交給智能體，尤其在這個客戶隱私和真金白銀高度敏感的行業。

肖雯將人機協作的分工進一步明確為：“AI負責效率與精度，人負責溫度與信任。”AI承擔標準化服務、7×24小時響應、多目標資金規劃的自動化以及基于賬戶的實時跟蹤與偏離度計算；人則專注于客戶人生目標的深度理解、重大決策的情感支持、復雜情況下的商業判斷，以及長期信任關系的建立。“我們做的是買方投顧，這種高連接、高情感的行業，是不容易被AI碾壓和取代的。”

當被問及盈米基金的護城河到底是什么時，肖雯給出的回答是：“垂直領域里面對于業務的認知，這種深度認知以及由認知帶來的自主能力，這些能力最后都要在場景下解決客戶問題，我們真正能積累的其實是場景和數據，這個才是在垂直行業里面我們有機會活下來的護城河。”

外部沖擊也在驗證這一判斷的緊迫性。肖雯提到，Anthropic已與LPL Financial合作，為后者旗下3萬名獨立投顧裝上了AI系統；OpenAI過去半年內收購了兩家創業財富管理公司，收編團隊、關閉產品。“AI基礎設施公司正在為財富管理行業提供標準化的智能底座。AI巨頭正在從幕后技術的‘賦能者’變成前臺的‘競爭者’。”

“我們有牌照的壁壘，但時代潮流下，該來的遲早都會來。”肖雯說，“洪流之下，無人能置身事外。”

AI落地的瓶頸

對行業而言，當前更現實的命題是，AI如何更好地在財富管理業務中落地。

何華給出了一個直截了當的判斷：AI落地的真正瓶頸已不在模型本身。“AI本身不重要，大模型太方便了。真正想實現從投資資管角度的價值，更缺的是底層數據和底層模型。”

何華與大量金融機構打交道后的判斷是，國內約80%的金融機構尚未做好底層數據和底層模型的搭建。“海外金融機構在二三十年前就開始了數字化轉型，我們的數字化轉型是過去五年里的事。當機構開始擁抱AI的時候，會發現底座很松動，沒辦法真正實現它的價值。”

這一判斷與肖雯的實踐觀察吻合。她提出，很多企業把模型安裝了但是用不起來，只能做OA辦公自動化，根本原因在于數字化能力不夠。“如果沒有數字化的基礎，AI智能化是沒有基石的。我們跟合作伙伴合作時，一般做的第一個項目就是數據治理，把企業所有孤島數據、分布在不同部門的客戶和業務流程數字化，這樣才有智能化的基礎。”

數字化底座之外，Alpha來源的轉移也帶來了新的挑戰。

過去數年行業的主流方法論，包括多因子模型、量化選股、行業輪動等建立在可標準化、可回測的信息之上。當AI令這類信息的獲取與分析成本急劇降低，大量策略面臨Alpha衰減。

“真正可能留存甚至放大的Alpha，是來自私域數據、內部紀要、投決會經驗等不可標準化環節的超額收益。”何華說。

然而，私域數據治理、隱性經驗的結構化等下一階段的基礎設施，在多數機構中遠未建成。這是當前投研端最突出的能力斷層。何華還特別指出，進入生產系統后容錯率極低，“賣方研究是各家講各家的故事，但生產階段的容錯率是相當低的，金融機構沒辦法為出錯買單”。

組織端的阻力更為隱蔽，也更為頑固。肖雯援引一家在AI應用方面領先的金融機構的判斷：“我說組織用AI比個人用AI的難度要大10倍，結果那位負責人跟我說，要難100倍。”

肖雯用馬具、韁繩和馬鞍比喻AI進入企業的條件。“一匹千里馬如果沒有韁繩和馬鞍，人騎不上去。”

肖雯表示，過去三年，行業經歷了從拼模型到拼上下文再到拼工程的范式演進，安全圍欄、權限管理、數據治理等一系列駕馭工程，是AI從個人工具走向企業級應用的先決條件，正是部署過程中最容易被低估的環節。

這種阻力不僅來自技術層面。

徐志良分享了阿里云自身的反思：新工具往現有系統上堆疊時遇到的阻力，相當一部分來自組織和管理慣性，而非技術本身。“過往的成功會不會成為未來發展的絆腳石？”

徐志良觀察發現，創新點往往來自中小機構，而大機構更傾向于在過去的成功之上“嵌入”AI能力。“我們覺得應當堆疊，不應當嵌入。大機構需要警惕過去的成功，中小機構則應善用大廠和云廠商的能力。要在海上造船，不要在沙灘上建塔。水漲船高，沙灘上的塔肯定被淹掉。”

百度智能云金融事業部解決方案總監吳文彥則從技術實施角度提供了一個判斷：“未來形態10%的技能由核心工具廠商開發，真正解決問題的90%的Skills，需要貼近一線業務人員用平臺工具去研發。”

這些不同角度的觀察指向同一個結論：AI落地的瓶頸在組織自身的變革意愿與執行能力。

肖雯將AI轉型總結為名副其實的“一把手”工程，并提出業務人員和IT人員的融合是關鍵。“我們總是‘甩鍋’給IT，說AI不行。不是的，是你沒有學會。真正厲害的是業務團隊跟科技團隊的融合，他們緊緊抱在了一起。”

責編 | 楊明慧

題圖來源 | 視覺中國