兴业证券 × AI

[导语·核心观点]2026年4月，兴业证券称搭载DeepSeek-V4全新能力的“AI老铁”在专业市场分析、客户需求洞察、智能办公等场景“全面提速升级”[1]；此前该公司已把金融科技部升级为AI创新发展部，并披露落地大模型应用场景超60个、智能体50余个、月均调用超500万次[2]。券商做AI并不新鲜，市场习惯把它归入IT成本项；但“部门改名”这一动作说明，AI在该公司内部已从技术项目升格为业务建制。本文的判断是：真正可能被低估的不是模型本身，而是券商AI从提效工具转向可计价业务单元后带来的估值锚位移——这需要证据，也需要对证据保持怀疑。

[事件回顾·发生了什么]三件事构成本文的全部事实基础。其一，组织层面：兴业证券于7月将金融科技部升级为AI创新发展部，被概括为“AI强司进入组织落地阶段”[2]。其二，规模层面：该公司披露已落地大模型应用场景超过60个、智能体50余个，月均调用量超过500万次，并以“知己管家”与“AI老铁”双轮驱动[2]。其三，能力层面：搭载DeepSeek-V4后，“AI老铁”在长文理解与逻辑推理上增强，应用于专业市场分析、客户需求洞察与智能办公[1]。同一时间线上，国泰海通等券商在模型发布首日（Day0）即完成接入[1]，说明这并非某一家公司的独家动作。此外，兴业证券研究所曾发布报告，认为大模型性能提升伴随成本下降、叠加AI Agent进展，将驱动B端应用与C端硬件市场发展[3]——这是公司自身的研究观点，而非第三方审计结论。

[背景与格局·公司沿革 · 行业脉络]要理解这次升级的分量，需要把时间轴拉长。国内券商的IT投入长期集中在交易、清算、风控等不能出错的后台系统上，AI此前多以单点试点存在：一个问答机器人、一套研报摘要工具。项目制意味着预算按年审批、成果难以复用。转折点来自开源大模型的能力外溢与推理成本下行，这正是兴业证券自身研报的核心论点[3]。当模型能力可按Token计价、成本持续下降时，制约AI规模化的就不再是算法，而是组织：谁定义场景、谁承担错误、谁为调用量付钱。把金融科技部改名为AI创新发展部，本质上是在回答这三个问题[2]。行业格局上，接入领先模型已不构成差异化——国泰海通同样在Day0接入[1]。差异只能出现在接入之后的工程化深度、场景密度与数据闭环上。

[深度解读·为什么发生 · 意味着什么]为什么这次值得单独讨论？因为券商AI的主流叙事一直是降本，而降本在估值上不给溢价——它改善费用率，不改变收入结构。60余个场景、50余个智能体、月均500万次调用[2]，若只是替代人工完成内部问答与文档处理，那它确实只是一项效率投资。被低估的可能性在另一条路径：当场景密度足够高、智能体足够多时，券商服务能力有机会从人力驱动转为编排驱动。财富管理的瓶颈从来不是投顾人数，而是单个投顾能同时服务的客户数与信息带宽；投研的瓶颈不是分析师水平，而是非结构化信息的处理速度。“AI老铁”被提到的三个方向——专业市场分析、客户需求洞察、智能办公[1]——恰好对应投研、财富管理与中后台三类成本中心。若能把这三点从辅助推到半自动，边际成本曲线会变。但必须划清界限：这条路径是分析，不是事实。报道中没有任何关于收入贡献、客户留存改善或人均产出的财务数据[1][2]。500万次月调用换算到人均频次并不惊人，更符合内部提效而非对外收费产品的特征。谁受益、谁受损？受益方是已完成组织建制、能把模型调用沉淀为流程资产的券商，以及提供底座能力的模型方；受损方是依靠信息差与人工资时的传统服务模式，以及部分仅提供标准化模块的第三方IT外包商——当券商自己拥有AI部门时，外购标准化工具的必要性下降。至于内部工具是否会外溢为对外产品，报道未给出线索[1]，这恰是最值得跟踪的变量。

[关键数据与证据·来自报道的数字与事实]一是组织证据：金融科技部升级为AI创新发展部，被定位为“AI强司”的组织落地[2]。二是规模证据：落地大模型应用场景超60个、智能体50余个、月均调用超500万次[2]。三是产品证据：“AI老铁”搭载DeepSeek-V4全新能力，长文读懂更快、逻辑推理更强，覆盖专业市场分析、客户需求洞察、智能办公[1]。四是同业证据：国泰海通在模型发布首日Day0完成接入[1]，说明模型能力供给是公共的。五是研究观点：大模型性能显著提升伴随成本下降，叠加AI Agent技术进展，驱动B端应用与C端硬件市场发展[3]，但该判断来自公司自身研报。以上均为公司自述或自研观点，无第三方审计口径。

[风险与争议·审慎的批评视角]第一，自证问题。支撑“AI驱动B端与C端市场”这一行业判断的，是兴业证券自己的研究报告[3]，而同一批报道正在论证该公司自身AI转型的成效[1][2]。卖方研究与自营转型叙事共享同一套乐观前提，这不等于造假，但需要外部数据交叉验证。第二，指标口径模糊。“场景超60个”“智能体50余个”[2]中，场景如何定义、是否含同一能力的多渠道复用、调用量是否包含测试与重复调用，均未披露；缺乏第三方审计的自述数据只宜作方向性证据，不宜作估值依据。第三，也是对“被低估”叙事最有力的反驳：DeepSeek-V4是公共能力，国泰海通同样Day0接入[1]。公共模型普及会压低全行业的AI门槛，反而削弱先行者的时间窗口；若AI只是行业标配，就不会带来超额估值。第四，金融场景的下行风险不对称。市场分析与客户需求洞察直接触及投资建议的适当性边界，模型幻觉在办公场景是效率问题，在投顾场景是合规问题；报道未提及任何合规评估、备案或人工复核机制[1][2]。第五，历史提醒：过去十余年，券商多次通过部门更名与架构调整宣示科技转型，商业模式少有实质变化——更名是必要条件，不是充分条件。

[未来展望·情景推演]保守情景（未来6至12个月）：AI继续停留在内部提效层面，财报中仅体现为费用结构变化，难以单独归因，组织改名成为一次性新闻，估值锚不变。这一情景概率不低，因为报道中尚无对外收费产品的证据[1][2]。中性情景：AI能力向客户端渗透，“知己管家”与“AI老铁”形成分层服务——标准化问题由智能体承接，复杂问题转人工；这不立即改变收入，但会抬升人均服务客户数与体验一致性。可观察的催化剂是后续财报对AI效率指标的口径披露，以及智能体数量的持续增长[2]。乐观情景：AI部门从成本中心变为产品部门，把内部打磨成熟的智能体能力对外输出，形成订阅或分成收入；触发条件是明确的对外产品发布、AI投顾监管规则明朗化，以及新一代模型带来的能力跃迁[1]。需要强调，乐观情景是推演而非预测，报道中没有对应证据。

[建议与启示·面向决策者]给金融机构决策者四条建议。第一，把AI的组织归属当作比模型选型更重要的决策：兴业证券把部门从金融科技改名为AI创新发展，价值不在名字，而在于是否同步解决了场景归属、错误责任与预算归属三个问题[2]。第二，建立可对外披露的AI度量口径。场景数、智能体数、调用量都是投入侧指标[2]，管理层应补充产出侧指标——单客服务成本、内容生产周期、转人工率——否则AI永远进不了估值模型。第三，警惕“接入即领先”的幻觉：既然头部同业可以Day0接入同一模型[1]，差异只能来自数据闭环与流程改造。第四，当智能体数量跨过数十个之后，治理会成为瓶颈，权限边界、调用成本、重复建设与审计追溯都需要统一编排。这正是AgentSH这类多智能体调度平台的价值所在：它不生产智能体，而是让几十上百个智能体在同一套权限、成本与合规规则下协同运行，避免各部门各自接入模型后形成新孤岛。对已拥有50余个智能体的机构而言[2]，调度层的投入产出比可能高于再接入一个更强的模型。

[结语·一句话立场]兴业证券的AI故事，目前最扎实的证据是组织建制与调用规模[2]，最薄弱的环节是产出与收入[1][2]。这不意味着它被高估，而意味着它处在证据不足但方向清晰的典型阶段。把它简单当作概念股是误读，把它当作转型成功同样草率。真正的分水岭，是第一个敢把AI效率指标写进财报口径的季度。