ARTICLE · 1197292
AI炒股亏损潮的真相:拿到了工具,没拿到工序
模型在平权，工序在垄断。
先记住这句话，再看两个数字。
2025到2026年，约15%-20%的活跃散户尝试过AI辅助炒股，其中超过60%亏损，只有约15%跑赢大盘。同一时期的行业统计：机构端AI交易盈利占比高达83%。
同一批大模型，同一个技术代际，同一个市场——把两边的数字拉到同一维度看：用AI赚到钱的机构超过八成，用AI赚到钱的散户不到四成。差距大到像两个物种。而过去一年财经圈最热的叙事恰恰是"AI平权""量化平权"：机构级的模型人人可下载，机构级的工具散户用得起，技术红利属于所有人。这组数字是对这个叙事最干脆的证伪——平权确实在发生，但平权的那一半，恰恰不是赚钱的那一半。
差距出在哪？我在券商做科技，过去一年全部工作时间花在AI落地上。这件事恰好横在我的日常两端：白天上班，我做的事是给AI套笼子——评测集、护栏、留痕；晚上刷手机，看到的是同一个模型在无数部手机里裸奔。这道昼夜反差，让我想明白了那不到四成和超过八成之间隔着的东西，也是这篇的全部结论：
机构赚钱不是赢在模型，散户亏损也不是输在模型——模型人人下载得到，被"平权"掉的是工具；但包在模型外面的那套工序——评测集、护栏、留痕，用真实错误一年年喂出来的组织能力——不开源、买不到、传不出来，它非但没有被平权，还在随模型变强而升值。金融行业本就是牌照和信息的垄断生意，AI时代换了个垄断物：模型在平权，工序在垄断。机构八成赚钱、散户不到四成——这中间隔着的，就是垄断利润的价格标签。
这篇讲四件事：工序是什么，为什么它是机构的真alpha（第一节）；没有工序的世界正在发生什么——散户亏损潮的机制拆解（第二节）；工序为什么无法平权——这轮技术革命最被误读的一件事（第三节）；以及这对每个人、每家公司意味着什么（第四节）。
一、先定义清楚：工序是什么，为什么机构把它当命根子
外行看机构AI，看到的是模型：接了哪家大模型、参数多大、发布会怎么讲。内行看机构AI，先看工序。模型是买来的或下载来的，全行业拿到的几乎是同一个东西；真正让机构AI不一样的，是包在模型外面那套东西。
券商的AI系统上线前要过三道工序。圈外几乎没人细讲过它们，我拿自己的日常拆开说：
第一道：评测集——用错误喂出来的资产。
任何AI功能上线前，先过一场几千个用例的考试。用例不是拍脑袋写的，是从真实业务里长出来的：用户说"帮我买茅台"，是买600519还是买名字带"茅台"的另一只？用户说"全仓杀入"，执行还是拦截？每个用例背后，都是某个真实的踩坑、某次真实的投诉、某个监管问询。
说一个我们自己被评测集救下的经历。有个功能上线前夜，最后一轮评测跑出一个漏网答案：模型对某类业务咨询给出了一版听起来极其专业、但和我们的实际口径完全相反的回答——措辞严谨、逻辑通顺、引经据典，如果发出去，客户照做就是合规事故。当天晚上整个团队留下来补用例、改护栏，第二天补测通过才敢上线。那个错误答案后来被做成了评测集里的新用例——它就是我们账本上的一页：一次差点发生的事故，变成了一道永久防线。
所以评测集的本质，是机构犯错的总账本——每一次出错都变成新用例，AI每一次"抽风"都变成系统的免疫力。它比模型贵，比模型难得，因为它没法凭空生成：你只能用真实的错误去喂它，而错误需要时间和真实业务流量才能发生。这是为什么两家机构接同一个模型，一家好用一家难用——模型相同，账本不同。
第二道：护栏——画下AI的活动范围。
评测集管"答得对不对"，护栏管"能不能碰"。用户问"该不该割肉"，裸模型会热心地给倾向性意见；护栏在这里拦住：投资建议类问题只做信息整理，决策边缘的直接转人工。你以为你在跟AI对话，其实中间隔着几道墙，每句话过安检。
第三道：留痕——让每个错误都跑不掉。
全量留痕、可审计、荐股类档案存五年起。表面看是合规要求，实际是进化机制：留痕让错误可还原，可还原才能进评测集，进评测集才能防住下一次。三道工序是一个闭环：护栏拦住看得见的错，留痕记下拦不住的错，评测集把错变成防线。
现在说一个圈内共识、圈外几乎没人意识到的事：这三道工序不是成本，是alpha的来源。 外行以为机构的AI收益来自"更好的模型、更快的数据"，其实模型全行业趋同、数据监管趋严，这两项都在被拉平。真正拉不开差距也复制不了的，是工序——它让同一个模型在机构里输出稳定到可以下单，在裸奔状态下同一句话能给出三种答案。金融AI竞争打到今天，战场上剩下的主要变量就是这个。
理解了这一点，"机构八成赚钱、散户不到四成"的对照就不再是玄学：那不是技术的胜利或失败，是工序的有无在同一时刻的两个世界各自结出的果。
二、没有工序的世界：拆开那60%的亏损，机制其实极其整齐
现在把镜头切到没有工序的那一侧。散户AI炒股的亏损，新闻里是一个模糊的标签，拆开看机制非常整齐——三种亏损，每一种都精确落在"工序缺席"的位置上。
第一种：数据层断裂的亏损——"专业感"错觉。
机构的行情链路毫秒级延迟，专人维护。散户问大模型"XX股票怎么看"，它引用的是训练语料里的历史知识——有用户实测，AI分析得头头是道，股价全对不上，它引用的是2024年的行情。这不是模型笨，是它根本看不到现在。杀伤在于：术语全对、框架全对、唯独底层数据是旧的糙的错的——对不懂技术的人，这种错误无法识别，因为它的外壳太像专业报告了。评测集本来是干这个的：拦住"引用过期数据还自信满满"的输出。没有这道工序，错觉直接出厂。
回想一下你第一次问AI股票问题的那一刻：它几秒钟吐出一页像模像样的分析，你心里那个"原来这么简单"的念头——那个瞬间，就是错觉出厂的时刻。
第二种：幻觉与过拟合的亏损——"验证通过"错觉。
大模型按"这种问题通常配这种答案"的统计规律生成。你问它某股为什么涨，它生成一条政策利好+业绩+资金的完美逻辑链——其中一条可能是编的，语气同样流畅。它给你的不是分析，是对分析文体的模仿。更隐蔽的是过拟合：GitHub上5万颗星的开源项目TradingAgents，回测年化30.5%，为什么实盘就死？回测假设收盘价成交，实盘有滑点；训练语料"包含"了历史行情，回测等于拿着明天的报纸做今天的决策。2026年上半年Alpha Arena竞赛把这层捅穿了：8个主流大模型实盘，整体亏损约三分之一，32组测试只有6组盈利。幻觉负责制造错误逻辑，过拟合负责给错误逻辑盖验证章。护栏本来是干这个的：决策边缘的问题根本不放行。没有这道工序，"年化246.9%"的神话流水线昼夜运转。
第三种：无闭环的亏损——"一直亏下去"的结构。
有个流传很广的实盘记录：一位散户用AI炒股46天，AI的止损建议他只执行了不到四成，没执行止损的单子包揽了他85%的亏损。还有更普遍的：亏了钱就换模型，从DeepSeek换到豆包再换下一个——归因永远指向外部，模型成了替罪羊，同一个坑用三个模型各踩一遍。机构的闭环里，错误会进评测集变成防线；散户的用法里，错误只产生情绪。留痕复盘本来是干这个的。没有这道工序，AI在你手里永远停在出厂状态，而你以为它在进化。
说到这，你可能已经对号入座了。不用羞愧——几乎每个用AI炒股的人都经历过这三个阶段：惊叹它的专业，验证它的逻辑，原谅它的错误。这不是你笨，是工序缺席时的必然路径：没有人在你和AI之间设防，而你默认了有人设过。
三种亏损叠起来，就是散户口袋里那个"会炒股的AI"的全部秘密：它专业得让你不敢怀疑（数据错觉），完美得让你无法验证（幻觉背书），进化得让你不舍得放弃（闭环缺失）。镰刀们卖的东西也在这条流水线上：随机给1000个人推不同的股票，晒涨了的截图，话术全面"合规化"——不荐股，只"教你用AI找到好股票"。收割的从来不是不懂AI的人，是以为拿到工具就拿到结果的人。
三、为什么工序无法平权：这轮革命最被误读的一件事
到这里，一个自然的追问是：那把机构的工序平权出去不就行了？开源评测集、公开护栏规则、SDK化留痕。
做不到。不是因为机构捂着，是因为工序的本性决定了它无法像软件一样传播。三个原因，每个都是结构性的：
第一，工序是组织知识，不是软件。 评测集是用真实的错喂出来的，护栏规则是被真实投诉磨出来的，留痕格式是被真实监管问询改出来的。它们凝结的是特定业务路径上的全部历史——你可以开源一份评测集的样例，但开源不了"产生这份评测集的那十年"。就像你可以抄到别人的训练计划，抄不到别人的肌肉。
第二，工序有规模门槛。 养评测团队、建数据链路、设合规岗，这些固定成本只有机构体量能摊薄。散户下载模型的成本是零，重建工序的成本是天文数字。这就是为什么"量化平权"话术在商业上永远停留在话术：工具的边际成本趋零，工序的边际成本不趋零。
第三，也是最反直觉的一点：模型越强，工序越值钱。 主流叙事是"模型进步会消灭配套工程"，我看到的是反过来的——模型能力越强，输出越流畅自信，错误就越难被肉眼识别，对评测和护栏的依赖就越深。裸模型抽风时一眼假；强模型的幻觉穿着完美的逻辑外衣。AI越强，人在护栏、留痕、评测的工序价值越大。这不是过渡期现象，是长期结构。
三条叠起来的推论，就是这篇的核心判断：AI时代真正的分水岭不在"用不用AI"，在"有没有围绕AI的工序"。 工具层正在迅速拉平（这对消费者是好事），工序层的差距不但没拉平，还在随模型变强而扩大。机构与散户、大公司与小公司、先行者与跟随者——这条线到处在划。说"AI平权了"，只说对了工具那一半；另一半不但没平权，连被看见都没有。
四、这对每一个人、每一家公司意味着什么
最后把判断落地。不打算给散户开"三步用好AI"的清单——那又回到工具思维了。工序的视角下，结论相当冷峻，分三层说：
对个人投资者：承认差距，比假装追平诚实。 你能在手机上重建机构级数据链路吗？不能。能重建评测体系吗？理论上能，实际上没人做。个人的最优解不是模拟机构，是在判断这一环建自己的最小闭环。具体到一个够用的版本，每天三行字、坚持五天就能验证有没有用：
★操作前三问（每笔只写三行）： 今天为什么买——用一句自己的话写判断依据；跌到哪我走——先写下止损位；如果止损了，我错在哪——预填复盘的第一行。收盘后把这三行丢给AI，让它只做一件事：攻击你的逻辑，找漏洞。
这个闭环不能保证你赚钱——它保证的是你的错误会累积成你的经验，而不是你的情绪。工序思想在个人层面的全部可迁移部分，就这三行。
这句话背后还有一个更朴素的道理：每一个老股民都懂"交学费"这个词，但很少有人问学费交给了谁、换回了什么。机构也交学费，但每一笔都有收据、都入了账；多数散户的学费，交了就是交了。同样是亏钱，有人亏出了体系，有人只亏出了故事——差别从来不在亏多少，在记没记账。还记得第一节那个上线前夜被拦下的错误答案吗？它没造成一分钱损失，却成了账本的第一页。这就是差距的本质：机构的学费没白交，因为它连"差点犯的错"都记了账。
对企业（金融之外的也适用）：AI预算的分配，暴露AI认知的水平。 如果一家公司的AI投入100%在模型采购、算力、应用开发，0%在评测、护栏、留痕——它买到的不是AI能力，是AI事故的入场券。第一篇讲过，金融行业的正确姿势是"不能错"；这篇补上它的实现方式：不能错不是态度，是工序预算。这个判断往外推，医疗、法律、教育，凡是"错不起"的行业，全都适用。
对行业观察者：看一家公司的AI，别看发布会，看它的错误资产。 问两个问题：你们的评测集有多少用例？过去一年长了多少？答不上来的，AI还在裸奔。这个问法比"接了什么模型"诚实一百倍——模型是租来的能力，工序才是自己的。
五、写在最后
把这篇四千多字的结论，压回开头的两个数字。
八成对不到四成——机构与散户之间隔着的，不是模型，不是算力，不是数据，是工序：那套用真实错误一年年喂出来、不开源、买不到、传不出来的组织能力。模型让所有人拿到了同一把枪，但打中靶心的能力长在组织里、时间中——这是这轮技术革命与以往任何一次最大的不同：它在平权工具的同时，加深了工序的垄断。
如果你只从这篇带走一句话，带走这句：
模型在平权，工序在垄断。
往大了看，这条线到处在划——公司与公司之间、先行者与跟随者之间，凡是"错不起"的行业，医疗、法律、教育，无一例外。往小了看，它落在你每一次使用AI的方式里：你的错误在累积成经验，还是只累积成情绪？你的判断在被市场校对，还是在被"年化246.9%"的故事喂养？
"AI平权"没有说谎，它只是只说了一半。另一半是：平权的那一半恰好不是赚钱的那一半。分水岭不在今天你用不用AI，在你从今天开始，喂自己的那本账。
还有一个更大的背景，值得每个人看清：每一轮技术革命都喊过"平权"。互联网说信息平权，结果平台拿走了注意力；移动互联网说机会平权，结果流量成了新的门槛。AI这轮的剧本不会有本质不同——工具永远会平权，因为工具是可以复制的；而能力永远不平权，因为能力是长出来的。 历史不会重复，但会押韵。看懂这一点的人，不会在"平权"的欢呼里放松，也不会在"垄断"的绝望里躺平——他们只做一件事：从今天开始，一单一单地，喂自己的那本账。
下一篇，把镜头切回机构内部：券商的员工端AI——投顾驾驶舱、研报流水线、合规质检。你会看到评测集、护栏、留痕这三道工序在机构内部的真实长相——它们如何被组织起来、如何吃掉岗位、又如何造出新岗位。看完那篇你会彻底明白：你手里的AI和机构手里的AI，差的从来不是模型，是工序。
往期文章精选：
我是狗哥，某券商的科技从业者。「狗哥聊金融科技」写金融AI落地的一线观察：架构、选型、合规、组织，和真实的踩坑记录。不蹭热点，不追新闻，只写想清楚了的东西。
这篇是"平权"系列的第二篇——第一篇《券商APP里的AI功能》讲"看见与判断"，这篇讲"工具与工序"。如果身边有人正深信"AI平权""量化平权"的叙事，或者正在为"年化246.9%"的课程付费，转给他们。也想听听你的故事：你用AI做判断时，踩过的最贵的一个坑是什么？ 留言讲给我——你踩的坑，可能就是下一篇的用例。
