华福证券首席信息官李宁：证券业AI应用策略与实践路径

尊敬的各位领导，大家好！非常感谢大会给我这个发言的机会，证券业的AI技术交流比较多，我今天不谈技术，主要分享应用策略与实现路径。刚才发言的是平安银行和泰康保险，多数证券公司的体量比银行和保险小，以我们华福证券为例，作为中型券商，有4000多名员工。

简单来看，证券业务主要包括财富、三投（投行，投研，投资）、资管、国际与跨境、机构与交易服务。

沿着这些业务条线，到底哪些地方可以使用AI？从同业的实现来看，概览图里有一些典型案例：一是经纪业务中的智能分拣。二是客户服务中的智能客服和智能陪练。三是投顾助手，为什么是投顾？近两年行业从业人员在减少，但很多分支机构的财富顾问转型为投资顾问，这个业务的AI属性也越来越强。四是风险合规，与保险业相似，证券业的企微渗透率普遍较高，多数券商企微认证客户占比超50%，部分可达2/3左右，展业可以通过企微进行，所以合规质检工作的分量就比较重。五是运营，各种参数填写和规则校验。六是投研，不光是卖方研究所的研报，也包括资管、基金、自营的投研。七是投行，招股书撰写。八是量化，量化交易是AI技术落地价值较为突出的领域之一，相关机构出于策略保密性考虑，公开分享相对较少。九是IT相关人员，编码和测试。最后是面向所有员工，办公和内部管理，与保险和银行比较类似。

我认为证券行业AI应用主要有四个策略：

一是顶层清晰，企业有3年左右的AI转型行动方案。近年来企业做数智化转型规划，一般会有一个AI子规划，但AI子规划现在越来越难做，因为变化太快。哪怕只是做一份AI材料，如果需要跟踪技术动态，上周写的PPT，本周就感觉有一点落后了。以前做技术规划一般做五年，现在AI转型规划最多三年，而且三年已经比较难了。更重要的应该是企业整体的保障措施，前面的专家可能没有提到组织层面，比如AI友好型组织。现在很多机构开始探索AI敏捷组织，一个AI敏捷团队由业务人员、科技人员、合规风险人员共同组成，这种组织是“两头挂”，双线管理，既对接原所属业务条线，也参与AI专项项目推进，相应的配套专项资源和单独考核。

二是价值优先，综合考虑业务正向价值和负向价值。我们在评估项目价值的时候，有一个“潜在负收益”因子。什么意思呢？某一个项目要用AI，可能有正向收益，也可能没有，甚至可能有负向收益。特别是证券行业，因为行业对稳定性有要求，特别是对交易期间的稳定性有很高的要求，中断产生的或有经济损失相比其他行业更明显，潜在负收益是稳定性风险，以及可能导致的客诉风险等。

三是场景适配，混合使用“大模型+小模型+智能体+RPA”技术。当前，券商的算力卡规模不大，多的可能有上千张，但大部分券商都在100多张到几百张之间。基于数据安全、交易稳定性等考虑，证券行业对外部公共云算力的使用普遍较为审慎，多数机构采用自主可控与弹性扩展结合的算力布局模式。因此，在场景上需要强调“大模型+小模型+智能体+RPA”，比如是不是大量Token被花在了判断用户意图上，但对于很多确定性场景，其实没有必要判断用户意图，因为流程和规则都是明确的。所以我们需要评估什么情况下使用大模型，什么情况下使用OCR、ASR、TTS等专用小模型，还有能用单模态不用多模态，以及什么情况下用自主执行智能体，什么情况下用工作流智能体等。

四是实用为本，并重组织AI基因培育和员工技能提升。证券公司的分支机构数量还是比较多的，以我们公司为例，在全国大部分省份都有分公司。对于众多分公司，我们前期花了大量时间做培训，希望大量的AI应用能从分支机构生长出来，而不是总部先出来。我们对于构建AI友好型组织的做法是，通过各种方式，除了专业培训、成果沉淀外，还有举办公司内部竞赛，甚至承办省级竞赛，鼓励员工使用AI，通过竞赛和培训把个人经验转化为组织能力。

基于上述的四个策略，我们制定了“1236”的规划，就是1条主线（全面智能化转型），2个核心（助力业务营收，提升员工技能），3个提升（业务场景、数智底座、文化基因），6件大事（应用场景、智算中心、数据治理、能力中台、文化基因、垂类模型）。

在核心工作方面，我们的智算中心是异构的，虽然没有办法用太多的云算力，但是我们通过租售并举，以及能力中台的建设，已经开发落地近300个智能体。

在知识库方面，我个人认为，系统和软件的形态在未来会发生很大的变化：一是没有固定UI，UI可能是动态生成的。二是原来数据管理都是面向表的，以后可能会更多面向对象。三是软件形态可能是固定内核，在此基础上不断有新的技能，形成基于本体或者企业知识体系和确定范式的可以动态演进的自主智能体。

从技术体系建设来看，各家证券公司的分层很多是一样的，我们的分层是从数据，基础设施，模型到AI能力，也有一些同业单独列出计算层，计算层上面再是模型层，整体上大同小异。最核心的是数据底座，当下，AI应用做到60、70分很容易，但做到80、90分却不容易。AI智能体原型开发门槛较低，但要实现规模化落地、深度赋能业务，高度依赖底层数据治理的完善程度。所以证券业近年来做得比较多的认证是DCMM，现在有几家券商过了DCMM5，我们也正在推进DCMM4认证。

我们在企业内部每个月会发布一个“含智量”的月报，涉及公司所有部门、所有分公司以及所有系统，我们会用量化的方式计算项目使用AI技术的广度、深度、用户规模、月活以及用户使用频率。

从能力中台来看，企业不能只有模型或者智能体，在智能化时代，我们把企业可复用的能力建设成为一些典型的中台：一是智远工坊，这是一个智能体中台。二是智远模型。三是智远语音。四是智远视觉。五是智远员工，这是我们管理数字人的平台。六是智远编程。七是智远技能，这是Skill中台。

从数智转型成效来看，整体还是很明显的，实现了300多个场景，参与了一些团标、行标和国标，完成了16项重要课题。

这里再介绍几个案例。

第一个案例是AI小福牛APP。与保险和银行业相比，证券公司的APP有较大的区别，是证券公司独一无二的主战场，除了实时承载的日活比较多之外，对交易时间的稳定性要求高。互联网技术讲CAP，证券交易系统基于对稳定性、一致性的要求，需在保障交易连续性的前提下实现智能化升级，对技术架构的可靠性要求更高。开发AI APP也有两条路径：一是重新做一个AI原生的；二是在现有APP里嵌入能力，比如对话、读资讯、信息提炼、产品精选等。

第二个案例是数智掌柜。证券公司的业务很复杂，数智掌柜主要为证券行业运营管理提供智能支持，对于不断上新的规则和法规在很短时间内就可以给出建议，比如解答APP功能使用问题、提供基金定投规则说明、结合监管要求生成客户沟通话术、提示业务操作中的风险控制要点等。

第三个案例是企业微信展业大模型合规质检系统。我们在企微上交互的活跃客户数有几十万，需要有非常快速的合规质检，企业微信展业传统采用“人工抽检+敏感词匹配”的方法进行合规质检，存在投入大、覆盖不足、匹配误报严重等行业痛点。公司基于大模型技术自主研发企微展业合规质检系统，现已取得显著效益。

第四个案例是AI百宝箱阿宝智能体。这是一个智能体平台，公司所有员工都可以在这个上面开发智能体。近期，我们在阿宝智能体中新增超级智能体调度、技能中心、管理后台、SkillHub等模块，将现有AI能力工程化。

第五个案例是智远编程。我们AI编程的渗透率也很高。但个人观点，国内的软件产业，以及从业人员的市场化定价不高，单一编程场景，较难支撑大模型赛道的整体商业估值，需结合更多业务场景的深度落地实现价值释放。

第六个案例是智磐运维。以公司自研的“智磐·扶摇”智能运维管理中台为底座，先夯平台、再中台化、后叠加智能，构建覆盖“感知—研判—处置—闭环”全流程的智能运维体系。AI现在解决了一个最关键的运维问题，就是短时间内可以把数个交易日的海量日志数据进行全方位比对，找出可能存在的差异，并给出风险提示，这是以前单靠人工分析时做不到的。

在文化建设方面，主要提两个举措：一是培训，去年我们在公司内部组织了一个“AI培训天团”，10多名同事，他们的足迹遍布全公司每一个分支机构，让每一个营业部的员工都经过AI培训，培训完了现场考试，一次不过还有补考。二是比赛，公司内部已经做了三届AI+创新应用大赛，几乎每一届的一等奖都是一线员工，说明创意需要从最接近业务的地方生长出来，我们还联合承办了福建省第一届AI+应用创新职工技能大赛，很多国有行、股份行的团队组队参赛。通过这些比赛，我们希望除了总部外，公司每一个员工都能够很好地参与到AI当中来，成为AI敏捷团队里最关键的懂业务的成员。

我的分享就是这些，谢谢大家！