编者按
全面注册制的落地，将投行业务从一次性的承销保荐重塑为陪伴企业全生命周期的综合金融服务。然而，业务模式虽变，作业方式仍显滞后：底稿人工翻阅、材料人工撰写、风险人工监控。面对海量文档与有限的人力，传统“手工作坊”式生产已成瓶颈。与此同时，《金融科技发展规划（2022—2025年）》明确人工智能方向，大模型浪潮与算力自主可控需求并行。制度、业务与技术三重变革下，投行数字化转型势在必行。
国泰海通证券由国泰君安与海通证券合并组建，2025年4月正式更名，致力于成为中国资本市场领先的综合金融服务商。合并后，公司提出将AI从“赋能工具”升级为“变革引擎”。本文解读国泰海通《投行全流程数智化实践》，剖析其如何基于国产信创与自主可控算力，将大模型深度嵌入投行业务全流程。
痛点分析：三类角色的能力瓶颈
投行业务具有知识密集、数据密集、非标准化、高监管要求及多机构参与等特征。这些特性导致不同角色面临显著痛点：
一线员工：缺乏高效智能工具
尽调、撰写、核验等环节依赖人工信息搬运，亟需覆盖项目全周期的智能化作业平台以提升效率。
内控层：审核压力剧增
注册制下底稿数量激增，人工审核难以负荷；且同一客户不同项目间存在大量共性信息，缺乏有效手段从存量项目中挖掘复用。
管理层：缺乏实时决策数据
项目组分散各地，缺乏精准实时的数据支持，导致远程管理与协同缺乏抓手。
上述诉求共同指向一个解决方案：构建基于大模型、覆盖全业务、全流程、全岗位的智能化场景体系。
解决方案：“1+N”架构与三层体系
国泰海通于2023年提出“1+N”大模型应用架构，2024年升级为“ALL in AI”战略，具体落地分为三个层面：
第一层：布局“1+N”模型矩阵
以1个千亿级参数通用大模型为底座，共建证券行业大模型“君弘灵犀”，辅以N个场景模型（如Qwen、DeepSeek等），形成开闭源融合的模型矩阵，适配不同业务场景。
第二层：构建投行数智底座
汇集投行底稿、金融研报、公告、法律法规等大规模语料，经过质量过滤、去重及隐私处理后，通过预训练与微调使通用模型具备投行专业能力。在此基础上，形成信息抽取、智能搜索（NL2SQL/NL2API）及知识库构建三项核心能力。
第三层：覆盖全流程九大场景
围绕“获客承揽—项目承做—内部审核—发行报送—后督管理”五大环节，部署九大应用场景：数智获客、智能尽调、自动撰写、内部审核、监管问询辅助、发行定价辅助、后督管理、知识问答及伴随式智能助理。引入Agent机制，通过组合配置智能体灵活应对不同业务需求。
该体系将作业方式从“人找数据、人写材料、人查问题”转变为“系统推数据、系统出初稿、系统提风险”。
实施成效：效率、质量与平台能力升级
效率革新：全流程提速
承揽端，智能推荐替代人工筛选；承做端，AI工具实现文档处理与信息查询自动化；承销端，基于投资者画像建模提升销售竞争力。
执业质量：AI预审加持
对一致性、合规性、财务审计等关键点进行智能预审，为内控复核提供支撑，实现人机协同，同步提升材料质量与审核效率。
平台能力：标准化与可扩展
形成“大语言模型+行业数据集+国产算力”底座，支持推理加速及统一API封装，降低二次开发与系统集成成本。
行业价值：可复制示范
项目成果具备通用性，可向金融行业其他领域推广，降低中小机构创新成本，形成“开放证券”示范效应。
挑战与应对：专业性与安全性的平衡
垂域大模型：选型与算力考验
面对“百模大战”及国产算力适配难题，采取私有化部署开源大模型、“大模型+垂直小模型”及“商用+开源”组合策略，并打通信创算力全链路。
智慧数据中台：数据治理与安全
聚焦增长、效率、体验、安全四维目标，统一管理多源数据，通过私有化部署与安全围栏工具确保数据准确、可控及可追溯。
非标文件撰写：技术与业务深度融合
针对债券募集说明书等高要求非标文档，采用“大模型语义生成+自研财报模型数据勾稽”双轨机制，配合在线溯源编辑界面，确保数据精准一致及操作流畅。
案例启示：从效率提升到模式变革
一、行业能力源于自有数据资产。“1+N”架构的核心在于利用自有语料（底稿、研报、法规等）清洗标注并喂入模型，数据资产质量决定模型能力上限。
二、自主可控是业务前提。鉴于投行数据敏感性，国产算力与私有化部署已从备选变为必选，掌握算力底座是核心业务应用AI的基础。
三、数智化终点是模式变革。转型不仅是提升效率，更是将个人能力沉淀为系统能力，推动投行从“作坊式”向“工业化”转变，重构组织存续方式。
企业名片
ENTERPRISE
国泰海通证券股份有限公司（简称“国泰海通”）
由国泰君安与海通证券合并而成，中国资本市场长期、持续、全面领先的综合金融服务商。2024年9月，两家公司基于“强强联合、优势互补、对等合并”原则实施合并重组；2025年4月正式更名为国泰海通。
精彩推荐
