为什么是现在？
AI Agent时代中国证券公司债券投行业务的重构

AI辅助生成说明：本文由人工智能工具辅助研究、整理与排版，基于截至2026年9月25日可获取的监管文件、证券公司公开资料、技术公司官方资料及国际金融机构案例形成，未经人工逐项复核。涉及未来自动化比例、优先级及组织演进的内容均为研究判断或情景推演，不应被理解为既成事实或业务承诺。

一、真正的问题不是“AI能不能写材料”，而是生产函数会不会改变

过去十余年，中国证券行业持续投入金融科技。流程线上化、电子底稿、数据仓库、OCR、NLP、RPA、知识图谱、智能风控、移动办公、云计算和项目管理系统，已经从“创新项目”逐步进入日常经营。证券业协会推动电子底稿、证监会建立投行业务内部控制和“三道防线”制度，本质上都在把投行业务从个人经验驱动逐步转成可记录、可复核、可追溯的组织化生产。^[1][2]

但如果站在债券承做、质量控制和内核的视角，过去的数字化又有一个明显边界：它非常善于回答“文件在哪里”“数字是多少”“流程走到哪一步”“两个字段是否相等”，却不太擅长回答“这个解释是否可信”“证据是否充分”“是否已经形成合理怀疑”“还需要补充什么核查”。

债券投行真正困难的部分，往往不是信息录入，而是把审计报告、财务附注、法律意见书、评估报告、合同、权属证明、工商司法信息、历史监管反馈和项目底稿放在一起以后，形成一种可以承担责任的职业判断。

二、上一轮金融科技并没有失败：它完成的是“基础设施革命”

把过去十余年的证券金融科技概括为“没有落地”，并不准确。更合理的评价是：它成功完成了投行业务的电子化、数据化和大量确定性动作自动化，但没有深入替代专业推理。

以投行业务内部控制为例。2018年证监会正式发布《证券公司投资银行类业务内部控制指引》，明确以项目组和业务部门、质量控制、内核和合规风控为主的“三道防线”架构，并把立项、持续督导和受托管理、问核、工作日志、底稿管理等纳入统一内控要求。2022年和2024年的检查通报继续强调：一些债券承销项目的问题并不是“有没有系统”，而是尽调核查不到位、质量控制把关不严。^[2][3][4]

上一轮建设留下了今天Agent赖以生存的关键资产：项目标识、电子文件、审批流程、统一身份、权限体系、API、主数据、历史底稿和电子档案。机器不可能对自己“看不到、拿不到、无法定位版本”的证据进行可靠推理，因此上一轮数字化并不是本轮AI的对立面，而是前提。

可以把四个阶段概括为：

• FinTech 1.0：纸 → 系统。解决信息是否电子化、流程是否在线化。
• FinTech 2.0：系统 → 数据。解决数据是否连接、是否可治理、是否可复用。
• FinTech 3.0：数据 → 预设动作。OCR、NLP、规则、RPA、机器学习自动执行明确、重复的环节。
• FinTech 4.0：目标 → 自适应任务执行。基础模型、推理、RAG、代码、Tool Use、Computer Use与Agent共同尝试完成边界明确的知识型任务。

“1.0把纸搬进电脑；2.0把数据连起来；3.0让机器替人做动作；4.0开始让机器替人完成任务”是一个有解释力的简化表达，但不能理解为前一代技术消失。未来的AI-native投行仍然离不开传统数据库、规则引擎、权限系统和确定性代码。

三、为什么过去没有真正重构核心投行：五个边界同时存在

1. 技术边界：OCR能读字，但不会自然形成“合理怀疑”

上一代技术在结构化抽取、分类、关键词检索、规则匹配方面已经相当成熟，但跨长文档、跨模态、跨文件语义关系、动态规划和开放式推理仍然困难。很多系统能够告诉质控人员“其他应收款增长了45%”，却无法可靠回答“项目组给出的原因是否充分、是否与合同和回款记录相互印证、是否还需追加核查”。

2. 经济边界：N个Use Case，经常接近N个IT项目

过去每增加一个复杂业务场景，都可能重新经历需求访谈、字段定义、规则编码、样本标注、模型训练、接口开发、异常分支、测试上线。对于低频、专业、规则经常变化的投行任务，边际开发成本很高，业务变化速度甚至可能快于系统建设速度。

3. 数据边界：文档多，但“可计算的证据”少

PDF扫描件、复杂Excel、名称不一致、版本混用、项目ID不统一、系统权限割裂，使大量信息虽然“已经电子化”，却没有成为稳定机器输入。电子底稿解决了很大一部分问题，但“一个事实来自哪份文件、哪一页、哪个版本”仍经常需要人工定位。

4. 组织边界：最关键的经验往往没有被形式化

业务人员知道“为什么这个解释不对劲”，IT人员知道“如何实现一个确定流程”，但二者之间存在翻译损耗。投资银行的很多知识并不是清晰的if/then，而是隐含在资深项目人员、质控和内核人员的经验中。

5. 责任边界：系统可以自动化动作，但不能自动化责任

中国证券监管持续强化投行业务内部控制、勤勉尽责、项目质量和债券执业评价。2025年末发布并生效的新版投行业务质量评价办法，明确把债券承销纳入综合评价，并将内部控制、项目质量和服务实体经济等维度纳入评价。监管逻辑的核心仍然是：技术可以成为执业程序的一部分，但不能成为责任转移工具。^[5][6]

四、为什么是现在：八个技术—经济断点正在同时汇合

1. 非结构化材料开始成为“一等公民”

债券投行最重要的证据，大量存在于Word、PDF、Excel、扫描件、网页、邮件、合同、审计报告和募集说明书中。长上下文、多模态和企业文件检索，使模型第一次可以从原始材料层直接参与工作，而不是只能读取业务人员预先填好的字段。

2. 从“抽取信息”进入“分析信息”

基础模型可以在同一语义空间中把多个步骤串起来：找数字、读解释、比合同、查规则、找矛盾、提出下一步。它仍然不是职业判断本身，但可以明显压缩形成判断之前的证据准备劳动。

3. 自然语言成为高层级任务接口

过去规则往往需要写成SQL、规则表达式或代码。现在业务人员可以直接描述：“找出发行人解释主要依赖自身说明、缺乏第三方证据支持的事项，并按重要性排序、引用原始证据。”自然语言没有取代代码，但开始成为位于确定性软件之上的任务描述层。

4. 基础模型改变了AI项目经济性

一个基础模型可以支撑多个相邻场景，再通过企业知识库、RAG、Skills、Tools和Agent Workflow进行专业化。Anthropic提出的MCP把AI应用与外部数据和工具的连接标准化，比过去为每个Use Case单独写一套集成逻辑更接近平台化。^[10]

5. 从动作自动化进入任务自动化

RPA擅长“打开网页—输入名称—点击查询—下载文件”。Agent可以接受更高层级目标：“判断发行人及重要子公司是否存在重大司法风险”，然后选择主体、搜索来源、识别同名、读取案件、计算涉案金额、核对披露、寻找规则、形成异常清单并决定是否继续调查。

6. 单轮问答开始变成长任务执行

OpenAI的Deep Research明确定位为能够进行多步骤网络研究、在遇到新信息后调整搜索方向的Agentic能力；2025年发布的Agent工具把Web Search、File Search、Computer Use和Agents SDK放在统一框架下。Microsoft 365 Copilot的Researcher和Analyst则把多步骤研究和Python分析直接嵌入企业工作。^[7][8][9]

7. 从“人操作系统”走向“AI操作系统”

API、连接器和Computer Use让AI从回答问题走向执行动作。OpenAI的Computer-Using Agent展示了通过视觉和推理操作GUI的通用能力。对证券公司而言，优先级仍应当是API优先、GUI兼容：能够用稳定API完成的任务，不应依赖屏幕点击；Computer Use更适合作为遗留系统兼容层。^[11]

8. 从“人找机器”走向“机器找人”

存续期管理最能体现这一变化。未来的Issuer Monitoring Agent可以持续监控公告、诉讼、执行、评级、债券价格、到期债务、担保人和重要子公司，把“定期人工检查”转成“持续机器扫描 + 人工重大性判断”。这一方向与受托管理和全面风险管理强调动态监测、及时报告的要求天然契合。

五、真正的分界：RPA自动化路径，Agent开始围绕目标调整路径

“Agent”不是给RPA换一个名字。两者最重要的区别，是系统是否能够根据中间结果调整下一步。

例如，固定RPA做司法查询时，主体列表、查询网站和下载动作通常预先写好；而Due Diligence Agent在发现某子公司占发行人收入40%、但项目组未将其列为重要子公司后，可以自动把该主体加入核查范围，再读取其工商、司法、处罚和财务材料。这种“发现—扩展范围—继续调查”的循环，是传统规则自动化最难覆盖的部分。

但这里也最容易被夸大。现实Agent在长任务中仍然会出现上下文遗漏、工具调用错误、状态漂移和错误累积。新一代评测仍在专门构造“长时程、多天级复杂任务”，说明长任务可靠性本身仍是前沿问题，而不是已经完全解决的工程常识。^[20]

因此，受监管业务现阶段更合理的设计不是“一个万能Agent从头跑到尾”，而是：

小任务拆分 + Checkpoint + 确定性校验 + 人工升级。

六、不要先讨论岗位，先把任务分成A、B、C、D四类

未来三年，文档处理、版本Diff、证据检索、标准财务核查、常规外部信息收集、跨文件一致性、初步存续期监测和监管回复准备，存在超过50%任务工时被自动化的可能。这里的“50%”是D级情景推演，不是行业现有统计。

与之相反，重大性判断、尽调是否充分、是否立项、是否承销、是否接受风险、内核表决和签字，并不应因为模型能力提升就自动迁移给机器。这些工作中的“人”不仅是效率问题，也是制度中的责任主体。

七、十大Agent：真正值得研究的不是“聊天机器人”，而是工作包

八、每一个Agent都应该回答同一套15个问题

证券公司不宜用“这个Demo看起来很聪明”来决定是否生产部署。每一个Use Case至少需要回答：

1. 现在由谁负责？
2. 人工流程是什么？
3. 输入是什么？
4. 真正痛点是什么？
5. 为什么上一代技术不能自动化？
6. 为什么今天的AI可能可以？
7. 应该是Copilot还是Agent？
8. 自主执行边界在哪里？
9. Human-in-the-loop设在哪里？
10. 预计释放多少工时？
11. 能否降低专业风险？
12. 新增哪些AI风险？
13. 技术成熟度如何？
14. 实施难度如何？
15. 优先级是否足够高？

这套问题的价值，在于强迫机构把“技术可行”与“业务值得做”“风险允许做”“责任上可以做”分开。一个“准确率很高”的模型，如果无法提供证据、无法审计、无法设置最小权限，仍然不应直接进入生产。

九、为什么质控、内核的变化可能比前台更深

传统中台最大的硬约束不是规则不够多，而是人的注意力有限。有限规模的质控团队不可能重新计算每一个数字、阅读每一份证据、检查每一个子公司，因此抽查和风险导向审查是必然选择。

AI改变的是“全量检查”的边际成本。未来更可能的模式不是取消质控，而是：

业务Agent全量第一遍检查 → 项目组解释异常 → 独立质控Agent重新从原始证据检查 → 质控人员处理重大异常 → 内核Agent形成证据化质询 → 内核人员做风险和责任决定。

关键是“独立”。质控Agent不应只是复述业务Agent的结论，而应采用独立Prompt、独立检查规则、独立证据读取路径，并主动寻找反面证据。

这也是三道防线在AI时代需要重新设计的原因：机器可以横跨流程，但责任和挑战关系不能因此合并。证监会对投行业务内控检查持续强调三道防线有效性，这一原则并不会因为AI出现而失效。^[3][4]

十、监管与责任：AI不能成为责任转移工具

1. AI做过尽调，是否等于主承销商完成尽调？

不等于。 AI可以成为核查程序的一部分，但核查程序是否合理、证据是否充分、结论是否可接受，仍是证券公司及具名执业人员需要承担的责任。投行业务内部控制、债券执业质量评价的总体方向仍然是强化机构责任，而不是把责任转给技术供应商。

2. AI生成的底稿能不能成为底稿？

重点不在“是不是AI写的”，而在底稿能否证明：查了什么、来源是什么、采取了什么程序、发现了什么、谁复核、最后如何判断。AI时代建议额外记录项目、任务、Prompt/Skill版本、模型版本、检索证据、Tool Call、中间计算、异常、AI结论、人工复核和最终决定。

3. 模型漏掉问题，能不能以“AI没发现”作为抗辩？

从现有中介责任逻辑看，不能把技术工具的漏报当作当然免责理由。相反，一旦公司正式把AI嵌入控制程序，就需要建立与其重要性相匹配的模型验证、回归测试、人工复核和替代程序。

4. 未公开发行人材料能否直接上传外部模型？

不应把普通公众AI产品直接当作项目数据室。需要结合数据分类、个人信息保护、网络安全、供应商合同、数据出境、模型训练与保留政策进行单独治理。企业内部模型、VPC、受控Gateway、字段级权限、DLP和供应商不留存条款，都会成为基础治理要求。

十一、为什么“90%准确率”可能完全不够

债券投行AI不应该只看平均准确率。一个模型如果在1000个判断中做对900个，但漏掉唯一一个重大未披露担保、关联资金占用或重大执行案件，整体“90%准确率”并没有意义。

真正合理的做法是为不同任务设置不同风险阈值。例如重大司法风险筛查对Recall和False Negative Rate的要求，应远高于普通文字初稿。对于“不能漏”的任务，AI未必适合直接替代人工；它更适合增加一层独立检查，提高发现概率。

十二、Human-in-the-loop不是最后点一下“审批”

较弱的人机协同，是让AI做完所有事情，最后让人点“同意”。真正有效的HITL应该设置在决策权边界：

• 证据收集和完整性检查：机器主要执行，人复核重大缺口；
• 财务异常识别：AI主要筛查，人判断经济含义；
• 追加核查建议：AI提出，人决定核查程序；
• 重大性判断：AI提供证据和论证，人决定；
• 监管回复：AI找证据、规则和初稿，人批准并承担责任；
• 内核表决、风险接受、签字：人保留决定权。

AI最危险的新增风险之一，是Automation Bias：一份排版精美、引用很多、语气确定的AI报告，很容易让人产生“系统已经看过了”的虚假安全感。因此应引入对抗式第二Agent、质控独立Prompt、高风险结论强制打开原始证据、随机人工重做和历史失败案例Red Team。

十三、中国券商已经走到哪里：有真实应用，但远没有“自主投行”

但必须保留边界：公开案例能够证明的通常是AI助手、文档处理、知识检索、研究增强和部分业务工作流，不能据此推断已经出现规模化“自主尽调”“自主质控”或“自主内核”。

十四、国际经验：生产应用已经很多，但“无人投行”依然不存在

十五、竞争格局：基础模型会平权，但私有证据会重新形成壁垒

基础模型商品化降低了中小券商使用先进AI的门槛。过去需要自建NLP团队才能实现的文本能力，现在可以从共享模型和Agent框架获得。

与此同时，头部机构拥有更多历史项目、底稿、内核问题、监管反馈、客户互动、交易数据和资深专家经验。当模型本身越来越容易获得时，这些私有资产反而更重要。

因此未来更可能出现“杠铃效应”：底层模型越来越平权，上层的私有证据、工作流、评测体系、权限治理和组织执行力越来越决定差异。中型券商真正需要担心的不是“没有自己训练一个大模型”，而是过去十几年的项目经验仍然散落在文件夹里，无法被机器可靠调用。

十六、中型综合券商的0—5年路线：先证据，再Agent；先可验证，再自治

0—6个月：AI-ready Evidence

优先建设安全Model Gateway、OCR/多模态解析、项目级RAG、监管规则库、版本Diff、财务确定性计算工具、数据分类、权限和全链路日志。最重要的产物不是Chatbot，而是“证据对象模型”：每一个事实属于哪个项目、哪个主体、哪个文件、哪个版本、哪一页、哪个日期，都可以定位。

同时，要用历史项目建立评测基线。不是测试“模型会不会回答”，而是测试：重大问题Recall、False Negative、引用准确率、规则覆盖率、数值正确率、同名实体识别准确率和人工推翻率。

6—12个月：有边界的四到五个Agent

优先试点Due Diligence、Financial Review、Regulatory Feedback、Issuer Monitoring，并逐步引入Quality Control Agent。初期不自动对外发送、不自动修改正式申报文件、不自动向监管提交、不自动替代项目判断。评价标准也不应只是“多少人在用AI”，而应包括：节省多少任务工时、独立发现多少问题、漏掉多少问题、多少结论被人工推翻、每个项目AI运行成本是多少。

1—3年：跨系统、多Agent、独立三道防线

将Agent接入项目管理、电子底稿、CRM、市场数据库、风险系统和监管报送体系。业务Agent、质控Agent和内核Agent应在权限、提示词和检查逻辑上保持相对独立，建立企业级Tool Registry、Evidence Store、Eval Engine和Audit Trail。

这时应开始真正做流程重构：如果原流程是“人工下载→上传另一个系统→再次录入”，就不应仅仅让Agent模拟点鼠标，而应把重复交接从流程里删除。

3—5年：Agent成为A/B类任务主要执行单元

在经过长期回归测试和风险验证之后，Agent可以成为大量确定性和分析性任务的默认执行者：任务进入后由Agent收集证据、调用工具、识别异常，人处理重大事项和职业判断，Agent再执行获批后的后续动作并记录全链路。真正的变化不是“人变少”这一单一指标，而是专业人员的注意力从重复执行迁移到判断、质疑和责任承担。

十七、四道Gate：什么时候可以把Agent从“助手”升级为“执行者”

Evidence Gate

所有重要结论能否追溯到合格原始证据？如果模型只能说“根据材料”，却无法定位到具体文件、版本、页面和原文，就不应承担关键控制职责。

Reliability Gate

在历史项目、处罚案例、已知反馈和对抗测试集上，Recall、FNR、Citation Accuracy、Numerical Fidelity和Rule Coverage是否达到该任务对应的风险标准？重大事项筛查和普通摘要不能用同一阈值。

Control Gate

能否完整还原Agent的权限、Prompt、模型版本、检索结果、Tool Call、数据流、Override、Escalation和模型变更？如果不能，系统就很难被纳入投行业务内控框架。

Responsibility Gate

每一个关键决定最终由哪个具名岗位的人承担？如果这个问题回答不清楚，Agent就不应继续提升自治级别。

十八、最强反方观点：证券行业可能把“惊艳Demo”误认为“可靠内控”

一个能找出100个问题中95个的模型，作为助手可能非常优秀；但如果漏掉的5个中有一个是重大担保、资金占用或违约触发事项，作为无人值守控制系统就可能不合格。长任务Agent还有一个额外问题：前九步正确并不意味着第十步不会静默失败。

第二个风险是Alert Fatigue。AI使“产生问题”变得非常便宜以后，质控和内核可能每天收到数百条机器预警。如果没有良好的排序、置信度、去重和升级机制，机器全量检查反而会把人的注意力淹没。

第三个风险是组织。模型无法自动修复项目ID混乱、历史档案不可检索、权限不统一、主体名称不统一、业务人员不愿沉淀证据、内部激励只强调项目数量等问题。未来真正的瓶颈完全可能从“模型智力”转向“组织工程”。

十九、最终20个问题：本文给出的答案

1. 十余年金融科技得到了什么？电子流程、数据基础设施、确定性自动化和标准化内控底座。
2. 为什么核心投行没有完全被重构？核心任务是非结构化、跨文件、自适应且需要职业判断的问题。
3. 问题只是技术吗？不是；数据、经济性、组织、权限和责任共同构成边界。
4. 2024—2026年本质差异是什么？基础模型、推理、多模态、RAG、代码、Tools和Agent开始组合。
5. 基础模型是否改变项目经济性？是；多个Use Case可以共享智能底座，但集成和治理仍然昂贵。
6. 自然语言是新的程序接口吗？更接近高层任务接口，不能替代确定性代码。
7. 非结构化数据是一等公民了吗？越来越接近，但复杂扫描件和Excel仍需校验。
8. RPA与Agent的本质区别？RPA走固定路径，Agent能围绕目标调整路径。
9. 是否从动作自动化进入任务自动化？对边界清晰、有监督的任务，是。
10. 哪些任务第一次具备现实自动化可能？跨文件矛盾、自适应尽调、反馈回复检查、全量QC、持续监测。
11. 未来三年哪些可能超过50%工时自动化？文档、Diff、证据检索、标准财务核查、常规监测、回复准备；属情景推演。
12. 哪些仍必须人负责？重大性、尽调充分性、项目接受、内核通过、签字和风险接受。
13. 前中后台谁影响更大？前台增强覆盖，中台可能被更深重构，后台转向Agent基础设施。
14. 为什么质控内核影响可能更深？其核心是信息密集型检查，机器能把抽查边界推向全量。
15. 三道防线要重设计吗？运行方式需要重设计，但独立挑战和责任边界不能取消。
16. AI会改变规模经济吗？可能；分析能力不再完全随专业人员数量线性增长。
17. 会扩大头部券商优势吗？模型平权，中长期壁垒会转向私有证据、工作流、人才和治理。
18. 上一轮数字化是前提吗？是。电子文件、API、权限和数据治理都是Agent运行基础。
19. 距离真正AI-native还缺什么？长任务可靠性、Evidence Graph、Eval、Model Risk、权限和AI底稿制度实践。
20. 为什么是现在？因为“理解非结构化信息”和“围绕目标持续执行”第一次与过去十年的数字基础设施同时汇合。

二十、结论：这一轮不是旧金融科技换了一个名字，但也远未到“无人投行”

截至2026年9月，证据更支持这样一个判断：2024—2026年的AI，是第一代在商业上有较强现实可行性的通用技术栈，可以开始攻击“确定性处理”和“职业判断”之间的中间层。

这一中间层包括：非结构化证据整合、跨文件推理、自适应研究、工具调用、分析性任务执行。它不是最终决定，却占据了债券投行大量工时，也是过去十余年最难通过传统系统规模化自动化的部分。

因此，这一轮真正的质变不是“模型会写得更像人”，而是：

从规则编码的动作自动化，进入以证据为基础、能够调用工具、可以动态调整路径的任务自动化。

但这场变化停在“职业责任”之前。模型仍然会错、会漏、会错引；长任务可靠性仍然不够；监管制度仍然把最终责任放在证券公司和具名人员身上。

所以一家证券公司真正值得建设的，不是一个带品牌名的聊天机器人，而是四类长期资产：

• Evidence Layer：知道每一个事实来自哪里；
• Knowledge Layer：让规则、案例和机构经验可以被机器调用；
• Agent / Tool Layer：让机器可以跨系统完成边界清晰的任务；
• Control Layer：让机器的每一个动作都可以测量、记录、限制和审计。

过去十年的数字化解决了“数据和系统有没有”的问题；过去几年解决了“机器能不能看懂”的问题；2024—2026年开始解决“机器能不能围绕目标做事”的问题。

免责声明

本文基于公开资料并借助人工智能（AI）工具生成、整理及分析，未经人工逐项复核，可能存在理解偏差、信息遗漏、事实或表述不准确以及时效性不足等情形。本文仅用于公开信息研究与业务辅助，不构成投资建议、承销建议、法律意见、会计意见、内核意见或任何形式的交易推荐。任何具体债券项目仍应以适用法律法规、自律规则、正式监管口径及项目独立尽职调查结果为准。