證券業扎堆佈局AI Skills，智能化競速進入新賽段

2026年，證券行業AI落地掀起新一輪競速，頭部券商不約而同將戰略重心從“數字人”轉向“AI Skills”(智能體技能)。國泰海通率先推出“靈犀Skills”並上線AI技能倉庫，華泰證券隨後落地“智研Skill&MCP”與“AI漲樂Skills”，中金公司將首席分析師方法論封裝爲專屬AI Skills。短短數月間，排名前十券商已有半數落地相關產品，覆蓋投研、財富管理、客戶運營、合規風控等場景。

頭部券商上演“卡位戰”

什麼是AI Skills？簡而言之，它是一套把成熟系統能力打包成標準化功能模塊的能力單元：AI可以識別、調用並直接執行，從而將散落在後臺的複雜能力轉化爲可即插即用的服務。打個比方，如果把大模型比作“大腦”，AI Skills就是讓大腦真正“動手”的“手腳”——前者負責思考，後者負責執行。

從落地節奏來看，2026年上半年堪稱證券業AI Skills的“爆發窗口期”。國泰海通走在最前列：其推出的靈犀“AI技能倉庫”不僅整合了查研報、查行情、出榜單、自選股分析等高頻實用AI Skills，更率先將靈犀Skills上架華爲小藝、騰訊SkillHub等第三方智能體平臺，藉助公域流量擴大服務觸達範圍。截至2026年6月末，靈犀智能化服務累計服務8300萬人次，龐大的調用數據爲後續模型迭代提供了寶貴的業務養料。

緊隨其後，華泰證券宣佈“AI漲樂Skills”體系正式上線，與更早推出的“智研Skill&MCP”構成雙產品線，分別面向零售客戶與機構投資者。該體系深度依託公司自有的投研能力與數據底座，強調不依賴通用大模型的標準化輸出，而是打造適配自身業務邏輯的AI工具集，核心目標在於搭建自主可控的AI技術底層架構。

與此同時，中金公司另闢蹊徑。其推出的“分析師.Skill”並非簡單的功能堆疊，而是將資深從業者的完整研究方法論、估值體系與行業認知進行AI“蒸餾”封裝，率先實現分析師個人專業能力的標準化產品輸出。機構客戶通過網頁或小程序調用這些AI Skills後，可以直接與多位中金研究分析師的“數字分身”進行深度對話，這無疑是對賣方研究服務模式的一次大膽解構與重構。

此外，國信證券、中信建投、廣發證券、招商證券國際等機構同樣不甘落後。國信證券上線的六大AI Skills覆蓋智能選股、ETF篩選、基金對比、宏觀指標調取等普惠投顧場景；廣發證券5月發佈覆蓋投研、財富管理、客戶服務、運營支持、合規風控等領域的Skill矩陣，依託30類Skill基礎精選八大“易淘金Skill”面向C端發佈，6月進一步入駐騰訊ima Skill廣場；7月中旬，中信建投“蜻蜓Skill廣場”正式上線，以“一句話調技能”爲核心理念，力求降低普通投資者獲取專業工具的門檻；招商證券國際推出的高股息實戰AI原生投研2.0執行系統，則將主動選股改造爲可審計、可複覈的自動化生產線。

各家機構在AI Skills的具體功能設計上雖各有側重，但共同指向一個明確趨勢——券商AI競爭正在從“誰有大模型”轉向“誰有可調用的專業能力”。

基建、業務與生態各取所長

若仔細拆解各家機構的佈局邏輯，不難發現，在這場看似一致的“AI Skills熱潮”背後，實則暗藏着三條截然不同的戰略路徑，折射出不同券商在資源稟賦與戰略取捨上的深層差異。

其一是“技術基建派”，以華泰證券爲典型代表。華泰證券在確立“全面擁抱AI”的技術路線後，始終將自主可控視爲第一原則。其AI Skills體系深度綁定自研的數據中臺與業務中臺，不依賴外部通用大模型的接口調用，試圖將AI能力的控制權牢牢掌握在自己手中。這一路徑的優勢在於長期來看技術壁壘更高，數據隱私與合規風險更易管控，但前期研發投入巨大，對機構的IT底座、數據治理能力和研發預算均提出了極高要求。

其二是“業務創新派”，以中金公司爲標杆。中金推出的“分析師.Skill”並不追求功能數量上的堆砌，而是着眼於對核心業務模式的顛覆性創新。它將賣方研究最爲倚重的分析師個人IP與專業方法論進行“原子化”拆解，使其變爲可規模化複製的數字資產。這種打法直擊賣方研究長期面臨的產能瓶頸——頂尖分析師的精力有限，而通過AI Skills將其智慧封裝，不僅能服務更多長尾客戶，還能在合規前提下探索研究服務商業化的增量空間。

其三是“生態共建派”，國泰海通、國信證券、廣發證券等均在此列。這些機構在上線自研AI Skills後，並未將能力封閉在自有APP之內，而是主動將產品上架華爲小藝、騰訊SkillHub等第三方智能體平臺。通過擁抱開放生態，它們試圖藉助公域場景的高頻交互反哺金融垂類模型的訓練與調優，同時以較低的邊際成本觸達潛在客羣。

正如恒生研究院技術專家陳奕名此前接受證券時報採訪時所言，AI Skills服務的技術門檻呈現出明顯的“兩極分化”——通用問答、資訊總結等簡單場景僅靠提示詞調優即可落地，但涉及複雜投研推理的場景，則必須進行徹底的AI化改造，基於業務建模與數據建模的底層重構至關重要。頭部機構憑藉深厚的IT底座、完善的數據治理能力和充足的研發預算，更傾向於選擇後一條“難而正確”的路。

三條路徑並無絕對的高下之分，但共同預示着行業AI競賽的焦點已從單純的模型參數比拼，轉向了工程化落地與業務場景深度耦合的能力比拼。

真正的護城河在於“數字孿生”

隱憂同樣不容忽視。據證券時報此前的調研報道，當前市面上的部分AI Skills仍停留在“包裝式創新”階段——通過提示詞工程將原有的數據查詢功能封裝爲AI Skills界面，底層並未真正打通複雜的業務判斷邏輯。更爲棘手的是AI幻覺問題：有行業機構內部測試顯示，即便調用經過專業微調的AI Skills，在特定測試場景下輸出結果的準確率最高也只能達到95%左右，在涉及財務數據勾稽關係、突發政策解讀等場景時，仍可能出現似是而非的推理錯誤。

有受訪券商研究人士坦言，證券研究對方法論的科學性、邏輯體系的完整性有着深層要求，而當前大模型及智能體的底層技術路線，對非線性的複雜經濟金融理論的學習、整合與應用能力仍存在侷限。

面對上述挑戰，業內專家給出的破局思路並非繼續堆砌AI Skills數量，而是轉向構建金融業務的“數字孿生地圖”。所謂“數字孿生地圖”，即把券商錯綜複雜的業務邏輯、數據關係、合規規則進行結構化、網絡化的底層業務表達。唯有當AI對機構內部的業務流、數據流、合規流建立起精準的映射關係，AI Skills纔有可能從“能查會算”的工具，進化爲“懂業務、知進退”的智能協作者。

從“數字人”到“AI Skills”，券商AI的競爭正在從概念展示走向能力沉澱。業內普遍預期，隨着多模態能力增強與推理成本下降，下一階段的AI Skills將不再侷限於文本分析與數據調用，而是向自動化交易執行、個性化資產配置方案生成等更高階場景延伸。

國信證券首席信息官吳士榮此前的判斷頗具代表性：“互聯網改變的是渠道和觸達，AI改變的是生產和判斷。上一輪競爭看誰的入口更大，下一輪競爭看誰的AI嵌入核心工作流更深。”

在這場以AI Skills爲抓手的AI競速中，誰能率先構建出真正貼合金融業務的“數字孿生地圖”，誰就有望在新一輪行業洗牌中佔據先機，將AI這一變量真正轉化爲重塑核心競爭力的增量。