《大力如山》第 89 期里，匿名嘉宾老杨提到一个很直白的券商 AI 指标：今年又减少了多少外包人员。
按老杨的描述，这个数字容易向上汇报。产品原型、软件测试和重复性数据处理原本要交给外包团队，现在由正式员工调用 AI 完成，费用表上很快就能看到变化。
但节目临近结尾时，老杨又说了一句话：“工作可以外包，责任不能外包。”
两句话放在一起，才是券商 AI 的真实难题。模型能接走多少工作，和机构能交出多少责任，并不是同一条曲线。
金融业采用 AI 的边界，最后不由模型能力决定，而由谁签字、谁复核、谁承担后果决定。
三十二亿元，买到的不只是一个模型
先看券商为科技付了多少钱。
国泰海通 2025 年年报披露，全年信息技术投入 32.35 亿元；华泰证券年报披露，母公司口径投入 26.7861 亿元；招商证券年报披露，母公司口径投入 19.08 亿元。
这三个数字不能直接做严格排名。国泰海通写的是“公司”口径，华泰与招商明确写的是母公司口径，各家的资本性支出、人力和费用归集也可能不同。
但数量级足够说明问题。至少上述三家每年投入的都是十亿元级资金，远不只是一笔模型订阅费。
华泰在年报中列出的投入范围包括 IT 资本性支出、日常运维、机房租赁和折旧、线路租赁及 IT 人员薪酬。节目也把这笔账拆成硬件、软件与人力：服务器要更新，网络要防护，行情与资讯要续费，存量系统还要维护。
AI 只是叠在这套基础设施上的新层。
节目里，两人都判断通用模型会继续降价，开源模型也会缩短不同机构之间的能力差距。老杨甚至估计，头部券商自研垂直模型带来的优势可能只有半年。这个时间没有公开数据验证，但它提出了一条值得保留的反方：模型层越来越像可以采购的工业品，早期豪赌未必能永久换来领先。
更难搬走的是模型下面那一层：大量存量系统怎样连起来，客户、产品和行情数据怎样使用同一套口径，异常结果由谁拦截。
数据不会因为模型升级自动变干净
老杨估计，一家券商平均有约两万个数据清洗任务。公开年报和行业资料里找不到这个统一统计，因此不能把它当成行业均值，只能看作一位从业者对工作量的描述。
这项估算背后的麻烦却很具体。
同一个客户可能散落在开户、交易、财富管理和合规系统里；同一个产品，在不同部门的名称、分类和时间口径可能不一样；国际业务还会带来另一套字段与标准。AI 可以帮助匹配、转换和发现异常，但它不知道哪一套口径代表公司的正式定义。
正式口径要由组织决定。数据治理经常被写成技术工程，实际包含大量部门协调。业务部门要承认旧口径有问题，科技部门要改接口，合规部门要决定哪些数据可以调用，管理层还要接受短期投入未必立刻形成收入。
模型可以采购，历史数据里的歧义却要由机构自己消化。所谓清洗，是持续决定什么可以被系统信任，不会在一次项目验收后结束。
老杨在节目里说，数字化没有完成，就不可能直接跳到 AI 化。这个判断比“谁家模型参数更大”更接近券商之间的差距。后进者可以买到同一个模型，却买不到另一家公司多年形成的数据字典、系统接口和协作习惯。
AI 会放大机构原有的秩序。数据越清楚，放大越有效；旧账越乱，模型越容易把混乱包装成答案。
模型可以执行，责任仍要落到人
节目把未来系统想象成一条更智能的流水线：凡是不需要人负责的节点，都可以逐步自动执行。
反过来说，只要一个节点要求有人承担责任，它就不能因为接入 AI 而失去明确的责任主体。
现行《证券公司和证券投资基金管理公司合规管理办法》把责任写得很具体：董事会对合规管理有效性承担责任，高级管理人员对合规运营承担责任，各部门负责人和工作人员也要对自己的执业行为负责。对监管或自律组织要求进行合规审查的特定材料，合规负责人还要签署审查意见。
这些规定没有写“AI 不能负责”。可以谨慎推导的是，AI 能参与生成、检索、预警和审核，却不能替代制度指定的责任人。关键决策仍要保留可识别的签字者、复核记录和追责路径。
这也解释了金融机构为什么愿意购买一套看起来没有那么先进的成熟系统。系统卖的不只是识别率，还包括统一标准、权限控制、日志留痕和异常升级。业务经验被固化进去以后，机构才能回答：模型引用了什么数据，谁改过规则，出现损失时该找谁。
纯技术能力很容易被下一代模型覆盖。可审计的流程更慢，却更耐用。券商真正稀缺的是稳定复核每次回答、在出错后及时接管的能力。
先减少的外包，不等于成本真的消失
老杨观察到，一些券商把外包人员减少数量当作 AI 落地指标。公开材料无法验证这一点。它只能作为匿名从业者描述的内部现象。
但外包恰好处在容易被自动化的位置。
产品原型、基础测试、资料整理和标准化操作，原本就被拆成可交付任务。只要 AI 能把错误率压到可接受范围，正式员工就可以少开一张外包订单。这部分成本下降会很快体现在预算里。
问题是，任务并没有全部消失。
节目里举的另一个变化是，员工交付得越快，新的要求来得也越快。原本外包两天完成的原型，现在正式员工当天做完；领导看到产能提高，下一次就会提出更多需求。外包费用下降了，内部人员的复核、沟通和责任压力却可能上升。
AI 还会带来新的隐性成本。机构要检查模型输出，要限制敏感数据流向，要维护知识库与权限，还要为异常结果设计人工接管。外包合同曾把人力成本写在一张清楚的报价单上，模型风险和内部注意力却分散在多个部门，很难被一个 KPI 捕捉。
因此，“减少多少外包”只能证明采购结构发生变化。它不能单独证明总成本更低，也不能证明系统更可靠。
头部优势会被放大，但不一定永远锁死
这笔账还没算完。
嘉宾与主播基于自己的行业观察，把券商大致分成三个科技梯队，并认为 AI 会加剧 K 型分化。这不是监管评级。
它的逻辑并不难理解。头部机构拥有更多客户、更完整的数据、更大的科技团队，也更能承受试错。一个新功能如果提高转化率或降低风险，它会在更大的客户规模上兑现收益；收益又能支持下一轮投入。
管理机制也在放大差距。老杨提到，有的机构允许科技投入适度超前，试错后不立即追责；另一些机构多花一笔预算就要层层解释。AI 项目早期很难准确计算回报，组织是否容忍不确定性，会直接影响项目能不能开始。
但“头部永远赢”仍然说得太满。
如果流程足够标准化，供应商又能满足权限、留痕与审计要求，云服务、开源模型和成熟工具会降低跟随成本。中小券商不必复制一套完整基础模型，也可以把有限资源集中到自己的客户与业务长板。
节目还回顾了券商借助互联网开户扩展客户的例子，想说明渠道变化曾经打开过跃迁窗口。这个类比不能证明 AI 会复制同一条路径，却足以提醒人们：技术格局并非一次投入后永久锁死。
我的判断是，模型商品化会缩短技术功能的领先期，却不会自动抹平组织差距。差距还在别处。模型和工具容易追赶，数据口径、责任链与持续交付能力很难照搬。
头部券商更可能锁住的，是把新模型接入旧组织时少走的那些弯路。
自动化以后，责任人要更清楚
“减少了多少外包”适合做一张降本表。券商 AI 更值得追踪的指标，应该是自动化之后出了多少例外，例外能否被及时拦住，决策记录能否还原，责任人是否清楚。
金融业当然会把更多工作交给 AI。资料整理、测试、检索和部分审核都会继续自动化，模型也会越来越便宜。
标题里的“责任不能外包”，未必表现为纸面上的一笔签名。它也可以是审批、复核、异常接管和明确归属。模型参与的流程越多，机构越要回答清楚：哪些步骤可以自动完成，哪些例外必须被拦住，记录能否还原，最后由谁承担后果。
留言