ARTICLE · 1257431
AI从辅助工具到生产单元—为何需要工程化治理?
AI从辅助工具到生产单元—为何需要工程化治理?
上一篇文章聊了 FDE——怎么把 AI 送到一线、让知识在真实业务场景里跑通。跑通只是第一步，紧接着的问题，才是真正难啃的硬骨头：当 AI 的结果要直接进入生产流程、要替我们背上责任时，我们凭什么敢用它？金融业从来不缺“聪明”，缺的是“被管住”的聪明。 本文基于我在行业智能体主论坛上发言内容，按照“为什么”、“怎么做”、“实践与展望”三部分展开。第一篇，即本文试图说明：在 AI在金融业逐步从“工具”走向“生产单元”的过程中，为什么不能直接用通用人工智能，而需要进行工程化治理？ 纵观证券行业AI应用的发展历史，可以清晰地切成为两个半场，上半场核心解决的是“人更快”，下半场则需要解决“流程能跑”。 上半场（2022—2024），这时期AI 的角色是知识问答、文档助手，即帮人检索、做摘要、写材料。它解决的是“人更快”，成果主要停留在建议层，即用AI形成成果物，人需要进行审核确认，责任始终在人身上，AI只是辅助角色。 下半场（2025年起），AI 开始尝试嵌入生产流程。这时期，结果直接进业务链路，出了事要担责任。它需要解决的是“流程能跑”，而且必须要跑得稳、跑得合规。 这个转变，为什么在证券业显得格外要紧？因为它天然占了三个特殊位置： 因此，证券业需要的，从来不是“更聪明的工具”，而是“可被治理、可被问责、可被追溯”的新型生产单元。 工具和生产单元，看着是同一个东西，其实差异非常大，隔着的不是能力高低，而是责任与可控性的差别。先看两者的对照表：
这张表的背后，蕴藏着三个关键转变： 它们共同指向同一件事：当AI的结果要进业务、要背责任，它就不再是工具，而是生产单元，其本质发生了巨大变化。 为了弄清楚什么是“生产单元”，我们有必要对生产软件即所属行业的行业软件的结构进行了解，参考左春等专家的建议，我们认为行业软件在理论上大致可以分为三层： 证券行业的智能化不是在既有系统上加一个助手，而是要穿透三层架构逐层改造：记录事实层解决“数据进来”问题，约束层解决“业务控制”问题，而认知模型层解决“智商有多高”的问题。如果跳过前两层直接谈智能，等于在没有地基的地方盖楼。 这不是我一个人的判断。中科软董事长左春在《AI时代行业应用软件的升级换代和发展路径》里，把行业软件的演进概括成同一件事：从以“记录事实”为主的稳态系统，向强调规则与动态管理的“约束层”敏态系统演进；他还更进一步，把这种分工拆成信息、模型、行动三个子系统——和这里的三层结构，指向同一个方向。可见“生产单元”不是某家机构的发明，而是行业走到今天绕不开的必然。 这也正好呼应我们之前聊过的系列：先管好 AI 的“记忆和家底”（数据底座），再谈“驾驭工程”（约束层）——底层不扎实，上层智能再强也是空中楼阁。因此，AI的工程化治理就变得非常必要。 为什么通用智能体在证券行业智能化过程中不能直接用，主要由于其存在结构性短板，总结为四条： 把这些短板放进生产级场景，后果则会非常严重，可能会导致： 所以监管的态度也很明确：未经校验的通用大模型，不得直接用于金融核心业务决策。也即必须经过工程化治理，可追溯、可问责、不漂移的智能化工程才能进入核心业务的“生产单元”。 通过以上分析，AI要从辅助工具进入生产环节，通用智能体难以满足要求，其核心要完成三条转变：从效率导向到合规导向，从单点应用到系统编排，从结果不可解释到全程可溯源。这三点决定了：下半场，我们不能再拿“更聪明的工具”来打，而智能化需要在记录事实层、约束层和模型层都需要进行改造，AI的工程化治理是AI成为“生产单元”的必要工作。 因此，本文核心说明白为什么 AI 成为核心系统的“生产单元”必须进行工程化治理，下文我们将阐述如何对 AI 进行工程化治理：包括智能化架构应该怎么设计、治理规则如何设置、监管口径应该怎么翻译成工程闸口，这些我们将在下一篇详细阐述应该“怎么做”。 1. 何江《从辅助工具到生产单元：合规约束下证券行业智能体的价值重构》——行业智能体主论坛主旨发言。 2. 左春“品鉴春华秋实”微信公众号系列文章。 #证券科技 #人工智能 #智能体 #金融大模型#AI合规 #数字化转型 #行业软件 #金融IT#工程化治理
01证券行业AI应用的上下半场
监管最密：一行一会规则加协会自律，层层叠加； 容错最低：一次错单、一次泄露，都可能会成为合规事故； 留痕最严：适当性、交易、研报等全流程都要可回溯。
02工具和生产单元的区别
维度 | 辅助工具 | 生产单元 |
责任主体 | 人（AI 仅出建议） | 人机共担，智能体在受控边界内自主作业 |
产出性质 | 参考信息 | 直接进入业务链路的结果 |
合规要求 | 人把关（事后复核） | 规则前置到运行边界（事中拦截） |
容错预期 | 人复核即可 | 具备护栏、降级与回滚 |
可审计性 | 过程难追溯 | 全链路留痕、结论可复现 |
知识沉淀 | 经验留在个人脑中 | 沉淀为可复用数字资产 |
价值度量 | 提效（省时） | 产能 + 控险（可量化） |
从效率导向到合规导向； 从单点应用到系统编排； 从结果不可解释到全程可溯源。
03行业软件的三层结构及智能化任务
记录事实层：这一层主要是核心业务系统，解决了行业数据采集、记录、存储等企业全维度业务事实数据，它是行业智能体的数据地基，数据主要存储在本地。其特征是数据驱动，慢思维。 约束层：这一层主要解决“目标设定→业务执行→过程约束→数据反馈→动态优化”这个目标管理闭环，是把业务目标变成可执行、可校验的业务流程的关键；该层是目标驱动和价值驱动的，是行业智能体的骨架。 认知模型层：这一层主要通过本体语义层、知识图谱等解决业务对象、属性、关系的统一语义定义问题，承载了企业本体知识，是行业智能体的大脑，它决定“智能天花板”。其特征是模型驱动，快思维。
04通用智能体为什么不能直接用
适用场景：通用智能体适合临时性的、个人的、低风险的场景，如问答、写作、轻办公等，其结果不进审批、风控、决策链路。 规则管控：通用智能体缺少独立的外置校验，包括不做本体校验、不执行强制拦截、不做版本指纹管理等； 任务定义：通用智能体将任务交给用户临时完成，其目标、提示词、规则边界都由终端用户零散承担，无受控岗位与发布流程； 架构特征：通用智能体只强化执行层，而结构化建模与规则治理体系等相对弱化甚至没有。
任务模板沉淀不下来，成不了可复用的数字资产； 目标漂移、语义幻觉、规则冲突，没有拦截点； 出了事没法向监管交代“谁定的规则、谁做的判断”； 每次重新编写，运维成本随规模线性上升。
