财联社3月25日讯AI投顾已成为券商财富管理的标配探索方向，但“人工投顾+AI化产品”的普遍形态下，合规约束、技术瓶颈与同质化难题仍是亟待解决的问题。

　　边界、需求与商业逻辑

　　打开多家券商APP，AI投顾功能高度相似：金融数据问答、标准化持仓诊断、固定策略推荐，难觅差异化亮点。这种同质化并非券商缺乏创新意愿，而是多重因素共同作用的必然结果。

　　“投资者核心诉求就是盈利，比如选优股、解套、择时买卖，场景垂直且需求单一。”一位券商财富端负责人表示，叠加监管政策对投顾服务的要求，券商能做的创新空间被大幅压缩。更关键的是，AI投顾前期投入成本高昂，单是大模型相关的买点卡、组建团队就需上千万元，多数券商选择先做力所能及的基础功能，进一步加剧了同质化。

　　头部券商的探索也未能走出困局。有券商AI投顾产品核心仍偏向金融数据问答，荐股属性不强，且存在多次问答数据不一致的问题，导致用户留存不高、月活表现平平。部分券商AI投顾本质是传统投顾加壳，通过固定条件筛选输出模板化内容，并非真正的大模型驱动，仅胜在合规可控。

　　“现在行业里真正能做出差异化的机构很少。”一位券商IT部门负责人透露，多数产品仍停留在“换壳不换核”的阶段，底层技术、数据来源与投资策略高度趋同，选股逻辑和资讯服务难以形成独特优势。

　　绕不开的“紧箍咒”

　　合规是券商AI投顾绕不开的“紧箍咒”。当前监管尚未明确打开大模型在投顾服务的应用口子，所有服务仍需遵循投顾管理办法，要求逻辑可白盒拆解，但大模型的黑箱特性恰好与这一要求相悖。

　　“我们跟合规部门磨合了好多轮，最终只能在小范围内尝试。”有券商人士介绍，公司通过大模型做智能体数据整理和合规审核，但所有投顾建议必须经过人工审核留痕，协议中还需明确写入投顾老师角色。这种“机器+人工”的双重校验模式，虽满足了合规要求，却也降低了服务效率，与AI赋能的初衷形成一定矛盾。

　　技术瓶颈同样制约行业发展。数据安全方面，为符合合规要求，券商普遍采用全本地数据处理方案，但本地算力不足的问题突出，而数据脱敏后又会失去实际意义，导致云算力难以落地应用。模型幻觉则成为另一个棘手问题，在意图识别、取数和向量召回三个关键环节，误差层层累积：意图识别无法达到100%准确率，取数准确率未超90%，知识库庞大时向量召回命中率甚至低于95%。

　　“连表查询时，大模型自动生成SQL的准确率会更低，这些误差最终会影响客户体验。”有IT部门负责人补充道。部分券商的实践也印证了这一点，他们直接采用类似ChatGPT的大模型底层技术，导致同一问题两次输出数据不一致，影响了用户信任度。

　　成本压力则让中小券商望而却步。虽然单款智能投顾产品的搭建成本不高，主要集中在前期智能体搭建和少量人力投入，但大模型相关的整体投入堪称“烧钱”。“对于中小券商来说，装Llama的资格都没有，更别说大规模投入AI投顾了。”业内人士透露，部分小型券商甚至尚未开展AI投顾业务，行业呈现头部全面布局、中小聚焦场景化落地的分化格局。

　　合规与人机协同是长期发展核心逻辑

　　面对困局，券商已开始探索突围方向。在技术深耕方面，券商正从单纯的功能堆砌转向全链条赋能。比如中信建投推出北斗大模型……