客户不再打开你的APP了:券商AI的“虚假繁荣”与真实壁垒,WorkBuddy正在重写券商的入口、组织与KPI

导读

2026年，WorkBuddy成了证券行业绕不开的一个词。250多家金融机构接入、20万个Skill上架、头部券商一口气发布上千个智能体，券商AI正在迎来第二次分水岭。

热闹之下，真正的变化只有一个：客户开始绕开你的APP，直接在别人的对话框里“调用”你的能力。

这篇文章分三层：先把落地事实和竞争格局摊开，再站在券商高管的位置上回答“WorkBuddy到底该被定义成什么”，最后给出一张可直接进董事会的路线图、九个别踩的坑，以及未来三年的五个判断。

一、一个客户的早晨，和一条被绕过的护城河

7点40分，一位客户在地铁上打开WorkBuddy，敲了一句话：

“帮我看看光伏ETF最近三个月的资金流向，和两只同类产品比一下回撤和持仓结构。”

30秒后，一张表加一段结论出来。他接着追问：“我持仓里那只票，解禁是什么时候？”

系统调用了一家券商的Skill，回答了他。整个过程，他没有打开任何券商APP，也没有意识到自己的问题是被谁回答的。

这个场景对管理层的含义，比“月活掉了几个点”严重得多。

先看基本面。据易观千帆监测，2026年9月证券服务APP月活跃用户1.79亿，环比下降1.96%，同比增长2.95%——连续第二个月回落，也是自4月以来首次跌破1.8亿。更值得注意的是增速曲线：同比增速6月还有15.08%，7月降到12.11%，8月5.78%，9月只剩2.95%，三个月连续收窄。这不是某一家的问题，9月券商自营APP月活前二十名，环比全部下降。

存量见顶已经不是判断，是事实。

而在另一条曲线上，事情在加速。2026年3月WorkBuddy上线，7个月迭代100个大版本、累计完成90亿次用户任务请求；到10月底，企业版落地50多个行业，覆盖中国企业500强的一半；开放平台的伙伴和开发者超过5万家，上架Skills超过20万个。QuestMobile数据显示，2026年7月AI效率办公赛道月活已达1.02亿，其中WorkBuddy以658.2万月活领跑，QClaw 225.9万、TRAE Work 190.4万、阿里QoderWork 23.0万紧随其后。

把两条曲线放在一起看，结论很清楚：

过去十年，券商竞争的是“谁的APP被打开”；未来三年，竞争的是“谁的能力被AI调用”。

前者是流量生意，后者是能力生意。这两件事的资产负债表，完全不是一张表。

“被打开”要花渠道费、买流量、做活动，收入是佣金和产品代销；“被调用”要沉淀方法论、封装能力、扛住责任，收入可能是服务费、订阅费、或者干脆是获客成本的下降。前者拼预算，后者拼内功。

这就是为什么，2026年会被行业称为“金融智能体元年”——不是因为技术突然成熟了，而是因为入口的所有权开始松动了。

二、先把战场看清楚：WorkBuddy这一年跑到了哪一步

讨论券商之前，得先搞明白这个“插座”是怎么长出来的。

腾讯云副总裁、WorkBuddy负责人刘毅在9月的生态大会上说得很直白：“我们希望把WorkBuddy打造成面向Agent时代的操作系统。不是做一个更强的工具，而是做一个能承载所有工具的平台。”

这句话，对券商是一道选择题：你要做插头，做插座，还是两个都不是？

平台侧的三个数字值得记住：

• 250+
  ：WorkBuddy企业版已落地中信建投证券、中金公司、泰康保险等超250家金融机构，覆盖对公信贷尽调、投研投顾、合规审查、客户经营、财富资产配置等上百项业务场景；

• 20万+
  ：开放平台上架的Skills数量；

• 658.2万
  ：2026年7月的月活，在AI效率办公赛道排第一。

但硬币的另一面也要看清。WorkBuddy目前面向用户侧以“积分”为统一度量单位，通过系数区分不同模型价格；而伙伴侧的利润分配机制，至今没有清晰答案。对券商来说，这不是小事——你把自己的能力搬上去，如果分账规则不明确，那这门生意到底是“渠道”还是“公益”，是要打问号的。

这也是本文后面反复强调的一个判断：现在上架，买的是“站位”，不是“收入”。

三、券商落地图谱：四类玩家，四种命

把公开信息拼起来，2026年券商的WorkBuddy相关动作，可以分成四类。这不是按规模分，是按它把WorkBuddy放在组织结构图的哪个位置分。

3.1 为什么是广发第一个上？

第一批吃螃蟹的，往往不是最强的，而是资产最“可货架化”的。

广发手里最值钱的东西是研究所。研究能力有个特点：它天然是标准化的——行业框架、数据指标、研报、产业链图谱，本质上都是可以封装成“技能”的产品。所以广发能把32个研究领域、21个重点行业、9万+指标、8.8万份研报、800+产业链图谱，一次性搬到别人的平台上，做成一个“一站式AI投研空间”。

广发证券副总经理、首席信息官辛治运的说法很清醒：“自研做专、生态做广。” 他还补了一句关键逻辑：用户在WorkBuddy调用广发的Skill，会产生大量调用数据和使用反馈，形成“发布—应用—反馈—优化”的正循环。

这句话翻译成管理语言是：我不是在卖Skill，我是在用别人的流量，给我的能力做训练数据。

3.2 中信建投和中金：把平台当“内部统一入口”

这两家的路径，和广发完全不同。

中信建投首席信息官肖钢在2026腾讯全球数字生态大会上的演讲，信息量很大：客服、营销、投行、投顾、合规风控、投资、办公、投研、固收9大业务域同时推进；投行、财富管理、法律合规部深度使用WorkBuddy，在可比公司资料整理、每日行情简报等场景里，由WorkBuddy完成资料搜集与初稿生成，员工聚焦复核与判断；通过统一安全网关，把投研、财富、交易、风控能力接进WorkBuddy。

肖钢有一句话，值得所有券商高管抄在自己的OKR首页：

“我们不单单追求智能体数量，而是希望真正解决业务痛点。”

中金的路径更像“知识管理”。中金公司信息技术部负责人、金腾科技董事长谢碧松介绍，目前有上千名员工深度使用WorkBuddy，员工在对话界面里就能从“小金库”查找、安装、上传技能，债券交易、投行承销、行业研究的一线经验，由此沉淀为公司能力。

注意这个动作的深意：它不是在“用AI”，它是在把人的经验变成公司的资产。 一个债券交易员的直觉，过去只在他脑子里；现在被封装成Skill，可以被50个人调用。这是组织能力的复利。

但谢碧松也把最难的问题摆到了台面上：日均Token消耗70亿—100亿，明年可能到200亿，“我们内部也一直在复盘：大量Token被消耗，员工工作效率有没有真正提升？资源是否存在浪费？”

这是2026年券商AI最诚实的一句话。

3.3 自研派：不着急上别人的货架

国泰海通、华泰、中信、招商，这一批是“自研底座型”。

国泰海通上半年发布智能体1314个、技能模块404个，以“君弘灵犀”为底座搭了60余个Agent的矩阵，智能化服务累计超8300万人次，智能投顾客户月留存率超过90%。这个留存率是全文最硬的一个数字——它证明AI不只是“提效”，它可以“留客”。 而留客，是能算进利润表的。

华泰的“ALL IN AI”从2023年就开始了，AI涨乐以独立主体完成生成式AI服务登记，摒弃菜单导航，用主Agent加多专家Agent重构交互，2026年10月迭代到2.0，累计下载超500万。机构端“行知”则上线研究技能模块和多维度MCP能力集合。

但华泰首席执行官周易说了一句很重的话：今年是他入行券业20年来最为焦虑的一年，“在AI技术前所未有的发展速度下，谁也无法预见未来的证券行业会被AI重构成何等模样”。

同时他又给出了全文最好的一条判断标准：“AI化不是为了AI而AI，其根本目的在于提升客户满意度、生产力、竞争力与盈利能力。”

焦虑和清醒，在同一个人的同一段话里。这大概就是2026年券商高管的真实状态。

3.4 一个容易被忽略的对照组：中小券商

舆论场上永远是头部的故事，但真正决定行业形态的是中小券商的选择。

国盛证券营收规模不足25亿元，2025年信息技术投入占营业收入比重高达10.12%，位居行业前列，成立了专门的AI应用工作领导小组，出台人工智能应用战略规划。湘财证券总裁周乐峰说得更直接：若继续走传统的重资本、同质化扩张老路，必然被淘汰，因此明确“轻资产、重科技、强生态”。

这里有个残酷的结论，辛治运也点破了：AI大模型对头部券商有非常大的正向作用，但对AI投入不足的中小券商，可能带来更大的竞争压力，行业分化会进一步加剧。

3.5 几组必须知道的冷数据

• 32家
  ：截至2026年7月末，已有32家券商完成算法与模型备案，备案项目总数超过50个，其中10余家完成多模型备案。对比3月的31个算法备案、10个大模型备案，增长很稳，但绝对数很小。

• 96 : 3
  ：有研究口径指出，截至2026年5月，金融领域通过算法备案的模型共96个，但完成大模型备案的产品仅3个。大量已上线运行的AI应用，仍未纳入备案管理。这是行业普遍存在的合规缺口。

• 1个数量级
  ：中金日均Token 70亿—100亿；而平安银行三季度日均217亿、招行日均超800亿。券商的Token消耗量，比银行小一个数量级。 这说明券商的AI落地还在早期，也说明后面的空间和风险都还很大。

• 410亿
  ：中信建投“信谛听AI数智平台”截至10月末Token调用总量410亿次，用户累计提交策略超3万个。这是一个“用AI做出用户行为”的样本，比单纯的调用量有意义得多。

四、竞争的真相：四场同时开打的战争

很多券商把“上不上WorkBuddy”理解成一个供应商选型问题。不是。这是四场同时进行的战争，任何一场输了，另外三场的胜利都会归零。

4.1 第一场：入口战——三种“货架逻辑”在抢同一批用户

2026年9月之后，券商接入第三方AI平台形成了两条清晰路径，加上一个“解决方案派”，共三种逻辑：

再往外一圈，还有字节的Trae、华为小艺——中信建投已明确在推进与这两家的合作，目标是让专业金融能力从“开发者工作流”走向“大众对话流”。

据媒体不完全统计，目前已有超过10家券商接入第三方AI平台，且多家大型券商同时接入多个平台。

多平台下注对不对？对。但要注意一个陷阱：“都上”等于“都没有数据”。

一个更务实的配比是“1+2”：一个主阵地做专区（沉淀品牌与深度）、两个轻量入口做Bot（做触达与测试）。五个平台各上三个Skill，最后大概率是五个平台都拿不到推荐位，也拿不到有效数据。

4.2 第二场：协议战——谁定义“插座”，谁拿走谈判权

这一层最不性感，但最致命。

MCP（模型上下文协议）正在成为事实标准。华泰“行知”上线多维度MCP能力集合；广发明确“依托MCP接入腾讯WorkBuddy生态”；WorkBuddy开放平台同时支持MCP与CLI双接入。

MCP的意义是：券商的能力第一次可以“一次封装、多处调用”。

这是巨大的机会——过去每加一个前端就要重做一遍，现在改的是能力层；分发可以前置，Skill天然适合跨平台部署。

但也是巨大的风险——可被调用，就意味着可被替代。

当你的“智能选股”和隔壁的“智能选股”在同一个货架上、用同样的模型、读同样的公开数据、输出趋同的结论时，用户凭什么选你？平台凭什么给你推荐位？

协议层还有一个正在发生的变化：A2A（Agent-to-Agent）。招行信用卡已经成为首批通过A2A模式接入千问智能体的银行机构。当Agent之间可以互相调用、甚至互相结算，券商在链条里的位置会被重新定义——你是“被调用的能力方”，还是“调用别人的入口方”？

4.3 第三场：能力战——Skill数量是KPI，不是壁垒

这是全文最需要泼冷水的地方。

恒生研究院技术专家陈奕名的判断很尖锐：未来各家券商都能轻易提供基础的Skill服务，真正的差异化在于谁能构建出最贴合金融业务的“业务本体地图”——把错综复杂的业务逻辑、数据关系、合规规则，结构化、网络化表达出来的底层架构。单纯堆砌成百上千个零散Skill，容易陷入同质化，形不成护城河。

飞笛科技CEO丘慧慧说得更直接：目前金融行业的Skill比较同质化，各种Skill彼此竞争，产生不了结果。

翻译一下：你在发布会上发布的第404个Skill，大概率是别人的第404个Skill。

还有一个更硬的天花板：有第三方机构人士透露，其内部测试中，调用Skill输出结果的准确率最高可以到95%，仍需人工把关；从合规角度，更适宜对内赋能。

95%听起来很高。但在金融场景里，5%的错误落在哪个环节，决定了这5%是“麻烦”还是“事故”。落在“帮我找一份年报”上，是麻烦；落在“这只票能不能买”上，是事故。

所以能力战的胜负手不是数量，是三个东西：业务本体地图、独占数据授权、责任承担能力。 前两个决定你有多难被替代，第三个决定你敢不敢对外。

4.4 第四场：组织战——谁拥有AI的“三权”

所有失败的AI项目，技术原因都排在第三位。

真正的死因是：预算权、数据权、流程改造权，分散在三个不同的部门手里。

• 预算权通常在科技条线（或者财务）；

• 数据权在数据治理委员会/各业务系统归属部门；

• 流程改造权在业务条线，而业务条线的KPI里没有“配合AI改造”这一项。

于是就有了那个经典场景：科技部做了一个很好的投研助手，研究所不用。为什么？因为研究所没有动力把自己的研究框架、草根调研素材、行业认知沉淀进去，也没有义务标注AI错误、反馈缺陷。知识库维护变成科技团队单方面的工作，越用越陈旧。

更糟的是“一步到位”式推广：不做跨部门试点，全所铺开，问题集中爆发，然后直接搁置项目。

一个反常识的判断：AI项目70%的成败在组织设计，30%在技术选型。 这句话可以拿去反驳任何一份只讲技术架构的方案。

4.5 竞争格局矩阵：你落在哪个象限

用两个维度切一下：横轴是入口自主性（你能不能自己触达客户），纵轴是能力深度（你的能力是否难以替代）。

最危险的位置，是左下和右上。左下是“被替代”，右上是“有流量但留不住”。

而左上角（自建生态）之所以难，是因为它需要同时具备三件事：自研模型能力、原生交互重构、以及千万级的存量用户。全行业只有少数几家能同时做到。

这也解释了一个看似矛盾的现象：头部券商一边自研，一边入驻。 中信证券信息技术相关人士的说法是：“整体策略是以自研基座为核心，外部生态作为能力补充。”客户数据、交易策略、风控模型这些核心资产，必须沉淀在内部平台。

五、高管必须先回答的一个问题：WorkBuddy是你的什么？

如果这个问题答错，后面所有的投入都会打水漂。

实践中，WorkBuddy在券商内部有三种定位，对应三种命运。

定位A：办公提效工具（省钱）

目标：让员工更快写完材料、更快整理资料。

收益：可测算，好汇报。投行可比公司资料整理、日报周报、会议纪要，都是标准场景。

天花板：低。它省下的是人力成本的一部分，而且这部分的红利会在18个月内被平台自身的进化吞掉——当模型直接就能做，你的封装没有溢价。结局：三年后，你只是WorkBuddy的一个普通企业客户，没有任何战略资产。

定位B：能力分发渠道（获客）

目标：把专业能力搬到外部平台，触达新客户。

收益：获客成本被平台分摊，能力资产的使用效率提升。

风险：三重，且都很实。

• 数据出域
  ：调用发生在别人的平台上，用户身份、持仓、偏好这些最敏感的数据，边界在哪？必须写进协议，不能靠“平台应该会合规”兜底。

• 责任归属
  ：Skill输出的是不是投资建议？如果构成程序化咨询，责任主体是券商还是平台？

• 品牌失控
  ：用户在WorkBuddy里看到的是“你的Skill”，一旦输出出错，口碑损失记在你账上，但你有多少干预权，取决于协议，不取决于你的风控体系。
• 结局：算得过账，但你把入口和一部分责任一起交了出去。

定位C：组织操作系统（重构）

目标：让WorkBuddy成为“业务的运行时”——流程、知识、权限、考核都长在上面。

收益：这是唯一能形成长期壁垒的定位。因为壁垒不在模型，不在Skill，在于“你的组织知道怎么把一件事做完”，而这个“知道”，被结构化地封装了下来。

代价：需要24个月以上，需要业务条线让渡流程改造权，需要重写考核。结局：如果做成，你卖的不再是功能，是“确定性”。

我的判断

多数券商停在A，少数冲到B，几乎没有走到C。而C才是唯一能穿越周期的。

但C不能跳级。原因很实在：A阶段积累的Skill资产、员工的使用习惯、以及“AI真的能干活”的组织信任，是C的原料。跳过A直接做C，会变成一场昂贵的演示。

一个更准确的路径是：用A证明价值，用B换取数据，用C建立壁垒。

还有一句话，值得写进董事会议案：

不要把WorkBuddy当采购项目，要当组织变革项目。采购项目的KPI是“上线了多少功能”，组织变革的KPI是“多少流程不再需要人”。

六、打法：三层九步，一张24个月路线图

下面这套路径，是按“可进董事会、可分解到部门、可考核”的标准写的。

L1 工具层（0—3个月）：先证明“省时间”

为什么是这三个？ 因为它们同时满足四个条件：标准化高、重复性强、数据易获得、提效易衡量。这也是腾讯WorkBuddy金融版选场景时的逻辑。

KPI：单场景工时下降%、周活/席位（采纳率）、返工率。失败信号：只有科技部的人在天天用。

第2步往往是第一个“惊悚时刻”。多数公司做到这一步会发现：能力散在各条线，没人能说清总数。而国泰海通能报出404个Skills、1314个智能体，本身就是治理能力的体现——能数清，才管得住。

L2 平台层（3—12个月）：把能力变成资产

第4步可以参照中信建投的“统一安全网关”模式：把投研、财富、交易、风控能力接进WorkBuddy，而不是让每个业务部门各自对接。

第5步可以参照中金的“小金库”：员工在WorkBuddy里就能查找、安装、上传技能。这一步的真正难点不是技术，是激励——一线凭什么把自己的看家本领交出来？答案只有一个：让他因为上传而受益（考核加分、署名、复用分成），否则商城三个月就会变成“死货架”。

KPI：Skill复用率（被调用次数/创建数）、跨条线调用占比、数据出域零事件。失败信号：上传即沉默，90%的Skill调用量为个位数。

L3 生态层（12—24个月）：开始挣钱

第7步的关键是克制。选一个平台、三到五个低风险Skill、跑一个季度，把调用数据、转化数据、投诉数据拿回来再决定要不要扩。对外输出要挑低风险、强工具属性的场景先跑（行情查询、ETF筛选、定投计算器），把“结论型”能力往后放。

第8步是真正的护城河。陈奕名的比喻很好：业务本体地图就像金融业务的“数字孪生导航”，能把零散的Skill有机串联起来。没有它，你有一千个Skill也只是一千个零件；有了它，你才有一台机器。

第9步是最容易被忽略、但高管最该关心的一步。交易佣金下行不可逆，行业需要新的收入曲线。陈奕名的判断是：随着AI降低投顾服务门槛，券商完全可以根据“Skill能力与业务本体深度”构建阶梯式收费模型。但顺序不能反：先有服务闭环，才有收费可能。

KPI：外部调用量、AI相关收入（哪怕很小）、单客服务成本。失败信号：只有调用量，没有转化和收入。

一张图看懂三层的差别

七、九个坑：别人踩过的，你不必再踩

这一节是全篇最实操的部分。每条都按“症状—后果—对策”写。

坑1：把Skill数量当KPI

症状：半年报里写“发布智能体1314个、Skills 404个”。后果：数量会自我繁殖。团队为了完成指标，把一个大Skill拆成五个小的。看起来繁荣，实际是同质化的加速器。对策：把KPI从“数量”换成“复用率”和“闭环率”。一个被调用10万次的Skill，胜过一百个无人问津的Skill。评估口径建议加一条：这个Skill能否独立完成一件业务上“有交付物”的事。

坑2：没有Token账本

症状：只知道烧了多少Token，不知道烧在哪、换回了什么。后果：中金的自问会变成你的自问——“大量Token被消耗，员工效率有没有真正提升？浪费出现在哪些环节？”没有账本，这个问题永远答不上来。对策：把Token消耗和业务产出绑在一起看。三个必备口径：单任务成本、单员工月度消耗与产出比、无效调用率（重复提问、失败重试、超长上下文）。部分银行已经在探索把Token消耗与资本回报率绑定考核，这个方向值得跟。

坑3：为了AI而AI，流程反而更重

症状：请假以前走个OA就行，现在要跟数字员工描述一遍。后果：员工体感是“多了一道手续”，采纳率会在三个月内崩掉。对策：上任何AI流程前，先问一句“这个流程的步骤数变少了吗？”如果没变少，就不该上。AI的价值是减少步骤，不是增加一个更聪明的步骤。

坑4：一步铺开，一爆就停

症状：不做试点，全所/全条线铺开；问题集中爆发；项目搁置。后果：不是损失一个项目，是损失未来两年的组织信任。以后再提AI，业务部门第一反应是“又来折腾”。对策：强制“1-3-10”节奏：1个团队跑通，3个团队复制，10个团队推广。每个阶段有明确的放行标准。

坑5：数据出域没写进协议

症状：口头约定“平台会做隔离”，协议里只有通用条款。后果：一旦出现客户信息泄露或争议，你没有追责依据，也没有技术手段自证。对策：四件事必须写进协议——数据用途限定、留存期限、二次分发禁止、审计权。技术侧落实“最小权限+物理隔离+双重授权”，特别是与第三方APP协作时，“双重授权”原则不能省。

坑6：责任主体模糊，踩上“程序化咨询”

症状：把一个能自动筛股、自动给结论的Skill直接对外，认为“它是工具，不是投顾”。后果：这是2026年最硬的一条红线。拟出台的《证券基金投资咨询业务管理办法》中“程序化咨询”条款明确：只要实质开展自动化投资咨询服务，就要纳入投顾监管框架，不得以“工具”之名规避监管。2026年9月30日实施的《金融产品网络营销管理办法》（八部门联合发布，业内称“930新规”）进一步把AI参与生成的投顾内容，与传统人工荐股适用同一套资质条件与监管标准；并禁止利用算法设置诱导性营销机制、高频推送诱导过度交易。对策：判断标准只有一条——输出是否具有“决定性”。若输出直接指向具体证券品种、直接给出买卖结论，投资者无需进一步分析即可决策，即构成荐股；行情展示、条件筛选、资讯聚合，最终结论由投资者自行作出的，才是工具。产品立项时就把四样写进去：留痕、适当性、免责口径、人工复核节点。

坑7：组织不动，只买工具

症状：科技部热火朝天，业务条线冷眼旁观；研究所觉得“增加了复核工作量”，没有动力沉淀知识。后果：知识库越用越陈旧，模型能力停滞，最后结论是“AI不行”。对策：三件事同时做——把AI使用纳入执业报备与考核；给沉淀知识的人明确的收益（署名、复用计费、晋升加分）；建立跨部门试点机制和“AI产品经理”岗（懂业务、能改流程、对结果负责）。

坑8：忽略权属，尤其是“分析师Skill”

症状：把首席分析师做成Skill，上线、对外、商业化，没谈过权属。后果：分析师离职时，问题一次性爆发。肖像权层面，公司仅有权在授权期限内使用，离职后原则上应停止使用；产品权属层面，若构成职务作品，财产权归公司、分析师保留署名权，若构成一般职务作品，公司只享有优先使用权。在职时被搁置的争议，会在离职或变现时浮出水面。对策：上线前签三份东西——肖像与姓名授权（含期限与离职后处理）、职务作品归属约定、收益分配约定。这不是法务的事，是产品设计的一部分。

坑9：只做对内，或者只做对外

症状：一种是把AI锁在内部，眼睁睁看着客户在别人的对话框里被回答；另一种是全力对外输出，内部底座空心化。后果：前者失去入口，后者失去差异。前者三年后还在算工时，后者三年后被平台替代。对策：辛治运的“自研做专、生态做广”是当前最优解：内部守“里子”（数据可信、专业够深、合规边界清楚、核心客户关系稳），外部争“面子”（触达、数据反馈、品牌）。两层不能偏废。

八、未来三年：五个判断

判断一：2027年会出现“AI服务收入”这个科目，但先出现在机构服务和运营外包，不在C端订阅。

C端付费投研工具的用户规模一直不大，这是公开的秘密。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，翻来覆去就这几样。有位券商智能投顾负责人说得很直接：“客户感受不到技术变化，只关心推荐的股票是不是更优秀、净值走势有没有变好。”

所以第一笔真实的AI收入，更可能来自B端：机构研究服务、投行尽调、合规外包、运营代做。这些场景付费方明确、价值可量化、责任边界清晰。

判断二：行业会分成三层——入口拥有者、能力供应商、被挤出者。最危险的是“两个都不是”的中间层。

入口拥有者：华泰、国泰海通、东财这类有千万级自有流量的。 能力供应商：研究能力强、数据独特、愿意被调用的（广发、国金的部分能力）。 被挤出者：既没有入口，能力又同质化，只能靠价格战。

中间层最难受：有点流量但留不住，有点能力但可替代。这一层在2027—2028年会被挤压得最厉害。

判断三：Skill会商品化，价格趋零。稀缺的是业务本体地图、独占数据授权和责任能力。

这是最基本的经济学。当供给端人人都能发布Skill，Skill的边际价格就趋近于零。真正稀缺的，是那些“别人做不出来”的东西：你独有的产业链数据、你验证过的研究框架、你敢签字承担的责任。

判断四：A2A和Agent内支付会重构分佣结构。

当Agent之间可以互相调用、互相结算，“谁把客户带进来”这件事会变得模糊，“谁完成了服务”会变得清晰。这会直接冲击现有的分佣逻辑，也会催生新的计费口径（技术服务费、能力调用费、结果付费）。券商现在的合同模板，基本都没准备好。

判断五：合规能力会从成本项变成产品能力。

监管方向已经很清楚：牌照+披露+算法审计+模型备案。这意味着“合规做得好”会从“不能做的清单”变成“能做的资质”。当别人不敢对外输出时，你敢——这就是产品差异。

最后，回到那句最重要的话：

能力可以外溢，责任不能外包。

九、结语：不要问WorkBuddy能省多少人

2026年的行业状态，可以用一句话概括：月活榜的格局是稳定的，AI路线的分化是剧烈的，两者正在同一段时间里发生。

稳定的是存量，剧烈的是形态。

真正会改变格局的，不是哪家先发了独立APP，也不是哪家Skill数量最多，而是三个信号：

1. 头部存量产品的AI，是否从“入口”升级为“底座”；

1. 独立AI产品，能否穿越6到12个月的尝鲜期；

1. 第三方评价体系，是否把AI能力纳入正式口径。

第三个信号已经在发生：中国证券业协会已发布“智汇证券·共创未来”证券行业人工智能应用案例集，34篇案例覆盖运营提效、体验升级、决策支持、模式创新、研发效能、风险合规。当行业开始用统一口径评价AI，比拼就进入了正式赛道。

所以，这一轮最不该做的事，是把Skills当成一次品牌传播；最该做的事，是把Skill背后那张业务本体地图、那套合规留痕机制、那个收费模型，扎扎实实搭起来。

客户不会消失，但“打开你”这个动作会消失。他们还会问你问题，只是不再通过你的APP。

附：高管自查12问（建议直接拿去开会）

风险提示与声明

本文所引数据、案例、观点均来自公开报道、上市券商定期报告、业绩说明会公开信息及行业会议公开发言，仅用于行业观察与讨论，不构成对任何机构、产品或投资标的的评价、推荐或投资建议。文中涉及的产品功能、监管政策以官方发布与机构正式披露为准。市场有风险，投资需谨慎。