「AI重塑证券业」之五:AI赋能投行业务——从项目承揽到存续管理的效率革命

「AI重塑证券业」之一：证券公司AI全景图——九大领域成熟度扫描

「AI重塑证券业」之二：AI如何重塑研究能力——从信息搬运到认知增强

「AI重塑证券业」之三：AI驱动的投资决策——从信号到执行的智能链路

「AI重塑证券业」之四：AI让财富管理更懂客户——客户旅程的智能化重构

试想一个场景：你的团队刚拿到一个IPO项目，尽调材料堆了半间屋子，招股书要写300页，交易所问询还在排队等着你。传统路子走下来，没个两三个月根本出不了手——但隔壁组用了AI辅助，同样的活儿，压缩到了一个多月。

这是不是有点不公平？但这就是正在发生的事。

投行从业者的日常从来就不轻松：翻阅数百页尽调材料，逐条核对财务数据与法律条款，在Excel里搭建精密但脆弱的估值模型，然后等待监管问询飞来，再逐条回复、反复修改。这是高度依赖人力、极度定制化、强监管约束的领域。当财富管理和经纪业务已在大规模部署智能投顾和智能客服时，投行的AI化却步履蹒跚。

但变化确实在发生。2024年以来，多家头部券商投行部开始将AI嵌入尽调、材料生成、估值建模和审核问询等核心环节；截至2025年的行业信息显示，这一趋势正开始从头部券商向中小券商延伸。一场"效率革命"正在从边缘向中心渗透。

一、领域现状：投行业务AI化的特殊困境

投行为什么是证券业中AI渗透最慢的领域之一？三个关键词：定制化、低标准化、监管约束——再加一个常被忽略的维度：股权与债权的结构性差异。

1.1 高度定制化：每个项目都是独一无二的

与经纪业务千人一面的交易流程不同，投行面对的每一个项目都高度独特。不同行业的财务特征千差万别，不同企业的股权结构错综复杂，不同地区的法律合规要求各异。这种"一事一议"的业务特性，天然排斥标准化的AI解决方案。

1.2 低标准化：文档与流程的"手工时代"

一个典型的IPO项目，从立项到上市，涉及尽调报告、招股书、法律意见书、审计报告、工作底稿等数十类文档，每一类文档的格式、内容要求在不同时期、不同板块都有差异。而投行内部的项目流程管理，至今仍有大量环节依赖人工传递和手动检查。

据部分投行从业者反馈（未找到正式媒体报道），一个IPO项目的工作底稿打印出来能堆满半间屋子，尽调核查的很多环节本质上是在做"比对"和"检索"——这正是AI最擅长的事，但前提是数据要数字化、流程要标准化。

1.3 强监管约束：容错率极低

投行业务的输出直接面对监管审核和投资者审视。招股书中一个数据的错误可能导致项目被否，法律意见书中一个条款的遗漏可能引发法务部追责。极低的容错率使得投行从业者对AI辅助工具的态度异常谨慎——"AI可以帮我做，但不能替我做，最终签字的是我"。

正因如此，投行AI化的核心命题不是"AI能否替代投行人员"，而是**"AI如何在严格质控框架下，把投行人员从重复性劳动中解放出来"。

1.4 股权与债权：两条不同的AI化路径

投行业务并非铁板一块。股权融资（IPO、再融资、并购重组）与债权融资（债券承销）在业务特性上存在结构性差异，这直接影响了AI的切入路径和落地节奏：

关键洞察：债券承销因项目频率高、模板化程度高，天然更适合AI规模化复用；股权融资因定制化极强，AI更多以"辅助工具"而非"自动化流程"形态存在。当前投行AI的先行突破口，恰恰在债权业务而非股权业务——这与大多数人的直觉相反。

二、投行全流程AI化地图

投行业务并非只有"尽调→写材料→提交审核"这么简单。一个完整的项目生命周期，涵盖承揽→承做→发行承销→存续期管理四大阶段，AI在每个阶段的介入深度和价值形态各不相同：

承做阶段是AI的"主战场"——大量重复性劳动集中在此，也是当前AI落地最集中的区域。但承揽和存续期管理的AI潜力正在被快速挖掘，尤其是债券业务。

以下按股权/债权双线展开核心场景：股权线4个场景（尽调、招股书、估值建模、问询预判），债权线2个场景（债券承销全流程、存续期管理）。

三、核心场景（股权线）

3.1 智能尽职调查

如果说投行AI化有一块"敲门砖"，那就是尽调。尽调是投行业务中重复性劳动最集中、AI替代ROI最清晰的环节——本质上就是"比对"和"检索"，恰好是AI最擅长的事。一个中等规模的IPO尽调，通常需要数周时间，涉及财务数据核查、法律风险扫描、关联方穿透等多个子任务。

AI能做什么？

实践案例：尽调初筛从数周压缩到数天

据行业公开信息，2024年某头部券商投行部上线了AI辅助尽调系统（已脱敏处理），将财务数据核查、法律风险扫描和关联方穿透三大环节进行了AI化改造。该系统的核心逻辑是：

• 第一步：OCR将所有尽调材料数字化，NER自动提取关键实体（公司名、人名、金额、日期等）
• 第二步：大模型理解文档语义，自动生成尽调要点清单
• 第三步：系统自动完成数据交叉验证和风险标记，输出"尽调初筛报告"
• 第四步：投行人员基于AI初筛结果进行重点核查

据该券商披露的信息，一个中型IPO项目的尽调初筛阶段从传统方式的数周压缩至数天，投行人员的工作重心从"全面撒网"转向"重点突破"。

3.2 招股书与申报材料辅助生成

尽调做完，下一步就是"写材料"——这可能是投行人员最痛苦的环节：300页招股书从空白页写起，反复修改数十轮。大模型的出现，让"从零写起"变成了"在AI初稿上修改"，这是质的变化。

招股书是IPO项目的核心交付物，涉及业务与技术、财务会计信息、公司治理、募投项目等多个章节。传统撰写方式下，仅"业务与技术"章节就需要数周，全文定稿往往需要数月。

大模型起草：从空白页到初稿

2024年以来，多家券商开始尝试用大模型辅助招股书撰写。基本流程为：

1. 输入项目基础资料（尽调报告、财务数据、行业研究报告等）
2. AI生成章节初稿，尤其擅长"业务与技术""公司治理"等偏描述性章节
3. 历史案例对标：AI自动检索同行业已上市公司的招股书表述，提供参考措辞
4. 格式合规检查：AI对照交易所格式准则，逐项检查招股书的格式与内容完整性

关键原则：人机协作，而非人机替代。 AI生成初稿的定位是"80分底稿"，投行人员的核心价值在于"从80分到100分"的审阅与修改——确保数据准确、逻辑严密、表述合规。

人机协作审阅流程设计：

AI初稿生成 → 投行人员一审（内容准确性）→ 法务部二审（法律合规性）→ 质控部门三审（内控合规性）→ 投行委终审（项目质量把关）

这一流程的关键设计在于：AI辅助不改变审核层级，不压缩质控环节，而是在每个环节内部提升效率。例如，一审环节中，投行人员从"从零写起"变为"在AI初稿上修改"，效率提升显著。

3.3 估值建模辅助

招股书解决了"写什么"，估值建模解决的是"值多少"。这是投行业务中最依赖分析师个人经验的环节，也是AI争议最大的——AI能帮分析师算得更快，但估值判断权必须留在人手里。

估值建模是投行业务的核心技术能力，传统上高度依赖Excel和分析师经验。但Excel建模有天然痛点：模型易出错、参数调整繁琐、可比公司筛选耗时。

从Excel建模到AI辅助建模

据21世纪经济报道2025年7月对华泰证券等头部券商的调研，华泰证券投行部已在估值建模环节引入AI辅助工具，可比公司筛选和敏感性分析效率均有显著提升。值得注意的是，估值结论的最终判断权仍牢牢掌握在分析师手中——AI提供的是"更全面的数据和更快的计算"，而非"替代判断"。

3.4 审核问询预判与回复辅助

材料写完了，最不可控的环节才刚开始——交易所问询。审核问询是IPO项目中最不可控的环节，交易所的问询问题往往出人意料，回复周期紧张，且多次问询、反复修改是常态。传统方式下，项目组只能被动应对，"来什么接什么"。AI的突破在于：把被动应对变成主动预判，而这背后的"弹药"是A股数万条公开问询数据。

基于历史问询数据的预判模型

AI在此场景的突破口是：用历史问询数据训练预判模型，提前预判交易所可能问什么。

具体做法：

• 数据基础：收集A股所有IPO审核问询及回复（沪深北交易所公开数据），构建问询知识库
• 预判逻辑：输入项目关键特征（行业、财务指标、股权结构、历史问题等），AI输出"最可能被问询的重点问题"
• 回复辅助：针对每个预判问题，AI基于历史问询回复和法规库，生成回复框架和参考表述

问询回复的AI起草与合规审查

AI起草问询回复时，合规审查是重中之重。系统设计上，AI生成的回复必须经过以下双重审查：

1. 自动合规审查：AI对照法规库和交易所审核标准，自动检查回复表述是否存在合规风险
2. 法务部人工审查：所有涉及法律问题的回复，必须经法务部审阅确认

行业实践

据21世纪经济报道2025年7月报道，华泰证券投行部在文件智能审核环节已实现AI辅助问询回复的起草与合规检查，覆盖审核问询的预判和回复框架生成。申万宏源投行智能一体化平台的文档中心也集成了智能核查功能，可对申报材料进行自动合规校验（来源：《金融电子化》2025年5月）。

四、核心场景（债权线）

如果说股权AI化是"在刀尖上跳舞"，那债权AI化就是"在平地上快跑"。债券承销项目频率高、模板化程度高，为AI的规模化复用提供了天然土壤。

4.1 债券承销全流程AI化

截至2025年9月末，中国债券市场规模达193万亿元，位居全球第二（据东吴证券2025年11月发表于新华网的研究文章）。面对庞大的市场，传统债券承销流程的痛点日益突出：商机匹配难、信用评估滞后、人力成本高。

AI在债券承销各环节的介入：

深度案例：中信证券Bond Copilot——行业首个债券大模型应用

2024年1月，中信证券上线了证券行业首个基于大模型技术的债券智能应用Bond Copilot，覆盖债券承揽、承做、承销及项目运营四大环节（来源：东方财富网2024年1月报道、新华网2025年8月报道）。

Bond Copilot的核心突破在于：它不是在某个单点环节做辅助，而是试图覆盖债券业务从承揽到运营的全链条——这恰恰印证了1.4节的判断：债权业务因标准化程度高，更适合AI的全流程介入。

4.2 存续期管理与风险预警

项目发行完毕并不意味着结束。股权项目的持续督导、债权项目的存续期管理，是投行业务中"最不起眼但最耗人力"的环节——每个项目每年都要出具跟踪报告、监测舆情、核查承诺履行情况，项目一多就是海量重复劳动。存续期管理横跨股债两条线：股权侧以"持续督导"为主，债权侧以"风险预警"为重，AI在两条线上的应用逻辑相通但侧重不同。

AI在存续期管理的三大应用：

据申万宏源投行智能一体化平台数据，截至2024年底，其持续督导子系统已覆盖800+项目、管理3500+规则类督导任务，有效服务上市公司和新三板挂牌公司（来源：申万宏源2025年5月《金融电子化》刊文）。

注：动态违约概率评分、关联风险穿透等技术同时也是风控领域的核心场景，在风控维度的更广泛应用见第09篇风控篇。本文聚焦其在投行存续期管理中的特定应用。

五、技术解构

5.1 文档智能：OCR+NER+大模型理解的三层架构

投行业务的核心输入是文档，文档智能是投行AI的技术底座——就像盖楼要先打地基一样。

第一层：OCR（光学字符识别）  → 将扫描件、PDF、图片转化为可检索文本  → 核心挑战：印章遮挡、手写批注、复杂表格第二层：NER（命名实体识别）  → 从文本中提取关键实体：公司名、人名、金额、日期、法律条款等  → 核心挑战：金融领域实体定义复杂，需大量标注数据第三层：大模型理解  → 对文档进行语义理解、逻辑推理和内容生成  → 核心挑战：幻觉控制、专业术语理解、长文档处理

三层架构的协作关系是：OCR负责"看清"，NER负责"识别"，大模型负责"理解"。缺一不可。

技术精度现状（据达观数据、庖丁科技等供应商2024-2025年公开测试数据）：标准文档场景下OCR识别准确率可达95%以上，但对含印章遮挡、手写批注的复杂文档，准确率下降至80%以下；大模型在长文档（100页+）幻觉率约为3-8%，在专业法规引用场景幻觉率更高，需人工复核。

注：投行业务涉及大量内幕信息和敏感数据，数据安全合规要求极高。境外大模型（如GPT-4等）因数据跨境合规风险，在券商投行业务中尚未广泛部署，部分券商仅在非敏感场景探索性使用。当前主流选型以国产大模型为主。

在供应商层面，荣大、恒生电子、华锐技术等主要提供投行业务管理系统和底稿电子化方案，AI能力多为近年增量叠加；达观、庖丁等科技公司则提供基于BERT模型的智能审阅方案，真正深度嵌入AI的投行解决方案尚处于起步阶段。

5.2 投行知识库：法规库、案例库、问询库的RAG构建

投行业务的专业性，决定了通用大模型无法直接胜任。必须通过RAG（检索增强生成）技术，将专业领域知识注入大模型——这就好比给一个通才补上投行专业课。

RAG构建的关键挑战在于知识更新及时性和检索精准度。法规变了、审核标准变了，AI的知识必须同步更新，否则"过时的知识比没有知识更危险"。

5.3 智能质控：AI与质控体系的融合架构

投行质控的核心是"交叉勾稽"——确保同一数据在不同文件中完全一致。AI在此领域的突破不仅是"加快速度"，更是"消灭人类视觉盲区"：

六、落地挑战

6.1 标准化难：每个IPO项目都是独特的

这是投行AI化最根本的挑战。AI的训练和部署需要一定的数据规律性，但投行项目的多样性使得：

• 训练数据稀缺：一个券商一年完成的IPO项目可能只有两位数，远不够训练专用模型
• 场景迁移困难：为半导体行业IPO训练的尽调模型，直接用于医药行业效果大打折扣
• 长尾问题多：每个项目的"特殊情况"恰恰是最需要AI辅助的，但也是最难以标准化的

应对思路：不追求"通用投行AI"，而是构建"模块化AI组件"——财务数据核查、法律条款提取、关联方识别等子任务分别训练专用模型，再按项目需要灵活组合。债券业务因标准化程度较高，可优先探索"一键生成"类自动化流程。

6.2 责任归属：AI生成的材料出了错，责任在谁

这是一个尚未有定论的核心问题。

当前行业共识：AI是工具，使用工具的人承担责任。所有AI输出必须经过人工审阅，最终签字人对内容负全责。但这一共识在实操层面仍面临挑战——当AI大幅提升效率后，人工审阅是否会流于形式？

6.3 质控嵌入：如何让AI辅助不绕过质控环节

投行业务有严格的质控体系：项目组→质控部→内核委→投行委，层层把关。AI引入后，最大的风险不是AI出错，而是"AI效率提升导致质控环节被压缩或绕过"。

应对策略：

• 质控前置设计：AI系统设计之初就将质控规则嵌入流程，而非事后补加
• AI审计日志：记录AI的每一次生成、修改和审阅操作，确保可追溯
• 质控部独立评估：质控部门对AI辅助系统的有效性进行独立评估，而非仅听信项目组的效率数据
• 定期回检：对AI辅助完成的项目进行定期回检，评估AI输出的准确率和遗漏率

6.4 数据安全：内幕信息与AI的天然矛盾

投行业务涉及大量内幕信息，这是AI落地最特殊的挑战。大模型存在数据泄漏风险（提示语泄露、隐私泄露、环境漏洞），面临提示语攻击、数据投毒攻击等安全威胁（据普华永道2024年3月《AI+投行》报告）。多方安全计算、联邦学习、差分隐私等解决方案虽可降低风险，但会显著增加部署成本——这也是投行AI化推进缓慢的重要原因之一。

七、工作方式变革

投行AI化的终极目标，不是让AI替代投行人员，而是**重塑投行人员的工作方式——从"全流程手工"到"AI初筛+人工精审"**。

7.1 角色转变：从"信息搬运工"到"价值判断者"

7.2 能力重塑：投行人员需要的新技能

AI不会让投行人员失业，但会让不会用AI的投行人员被淘汰。未来的投行从业者需要具备三种新能力：

1. AI提示能力：如何向大模型精准描述需求，获取高质量输出——这本质上是"业务需求的数字化表达能力"
2. AI输出审校能力：快速识别AI输出中的事实错误、逻辑漏洞和合规风险——这比从零写起要求更高的专业判断力
3. AI工具组合能力：根据项目类型灵活组合尽调AI、文档AI、质控AI等模块化工具——从"使用工具"到"编排工具"

7.3 考核机制的冲突

AI引入后，投行内部的考核机制面临一个深层矛盾：效率提升了，但考核的仍是"产出量"而非"判断质量"。如果一个分析师用AI将尽调效率提升了一倍，他/她应该接到更多项目（"效率惩罚"），还是获得更多时间做深度研究（"效率奖励"）？

这个问题的答案，将直接决定投行人员对AI的态度是"拥抱"还是"抵触"。据多位券商投行科技负责人反馈，考核机制不改，AI工具推不动——这也是组织适配度评分仅2分的核心原因。

7.4 师徒制与AI标准化的深层冲突

考核机制只是表象。投行AI化最深层的文化阻力，来自师徒制——这套传承了几十年的隐性知识传递体系。

投行师徒制的运作逻辑：

投行的核心能力——项目判断力、客户关系敏感度、监管沟通技巧——从来不是从手册上学来的，而是在项目中"跟着师父做"一点一点磨出来的。一个应届生入行，前三年干的都是"苦活"：整理底稿、核对数据、起草初稿——这些看似低价值的重复性劳动，恰恰是师徒制中"徒弟"接触项目全貌、建立行业直觉的入口。

AI对师徒制的三重冲击：

这不是投行独有的困境——医疗、法律等知识密集型行业同样面临"AI消灭入门苦活、但尚未创造替代训练路径"的难题。投行作为最依赖师徒制的金融子行业，这个问题尤为尖锐。

可能的出路：

• "AI做粗活，师父教细活"：将师徒制从"苦活传承"升级为"判断力传承"——师父不再教"怎么整理底稿"，而是教"AI初筛报告里哪些风险被漏掉了"
• 缩短周期、提高密度：新人用AI快速完成基础工作后，将省下的时间用于更多项目的深度参与——"量"的积累替代了"苦"的积累
• AI辅助的刻意练习：用AI模拟不同行业的尽调场景，让新人在虚拟项目中快速积累判断经验——这比真实项目的试错成本更低

八、趋势判断

8.1 投行AI的第一波红利在"效率工具"而非"决策替代"

投行AI的价值将集中在以下效率工具场景：

• 尽调材料自动核查与风险标记
• 招股书/募集说明书初稿生成与格式合规检查
• 审核问询预判与回复框架生成
• 可比公司筛选与估值参数建议
• 存续期舆情监控与风险预警

这些场景的共同特征是：AI做"检索、比对、生成"的粗活，人做"判断、决策、担责"的细活。投行AI的第一波红利，属于那些能将重复性劳动效率提升数倍的工具，而非试图替代投行人员专业判断的系统。

8.2 债权AI化将跑在股权前面

如1.4节所述，债券承销的高频次、高模板化特性，使其天然更适合AI的规模化复用。中信证券Bond Copilot已率先跑通了"全链条AI辅助"的路径，预计2026-2027年将有更多券商跟进，债券AI化的速度将显著快于股权AI化。原因很简单：同一套AI模型在100个债券项目上复用，边际成本趋近于零；而在10个IPO项目上，每个项目都需要定制化适配——规模效应决定了ROI的天壤之别。

8.3 审核问询AI预判将成为投行科技竞争的隐形战场

审核问询预判看似只是"提前准备问题"，实则直接影响项目通过率和时间成本。一个问询预判覆盖率高的项目组，与一个依赖经验预判的项目组，在项目执行效率上差距显著——前者可以在提交申报材料前就针对性地完善披露，后者往往在收到问询后才仓促应对。

随着A股IPO审核问询数据的持续积累，问询预判模型的精度将不断提升。未来，问询预判能力可能成为券商投行竞争力的隐性指标——不会出现在任何公开排名中，但会直接影响项目承做效率和客户满意度。

8.4 北交所扩容将倒逼中小券商投行加速AI化

北交所的持续扩容，为中小企业IPO打开了通道，但也带来了新挑战：

• 项目数量增加：中小券商投行团队规模有限，项目量激增必须依靠效率工具
• 项目规模较小：单个项目收费有限，无法支撑传统高人力模式
• 审核节奏加快：北交所审核效率较高，要求投行快速响应

这三重压力将迫使中小券商投行在"增加人手"和"AI提效"之间做出选择。人力成本高企的当下，AI化几乎成为唯一可行的路径。预计2026-2028年，将出现中小券商投行批量部署AI效率工具的浪潮。

8.5 行动路线图：不同类型券商的投行AI路径

不同规模的券商，投行AI化的路径应有显著差异。以下建议基于本文的"债权先行"洞察和6大场景分析：

核心原则：无论规模大小，债权场景优先于股权场景——这是投入产出比最高的选择。

九、评分卡、案例与实践

9.1 深度案例A：某头部券商投行AI辅助尽调系统

背景：2024年Q2，某头部券商投行部启动"智能尽调"项目，目标是将其投行尽调流程中的重复性核查工作AI化，释放投行人员精力用于专业判断和客户沟通。

流程改造：

效率提升：

据该券商试点项目数据（据内部数据），尽调整体时间从传统方式的数周压缩至数天；人力投入大幅降低；AI初筛阶段可识别大部分常规风险，人工复核后风险识别率进一步提升。项目组反馈，重复性核查工作减少后，可以更专注于业务实质判断。

注：上述数据为内部数据，未公开披露。为避免误导读者，本文将"某头部券商"标注为"业内心照不宣的匿名案例"（非正式公开渠道），引用时已注明"据内部数据"，请读者知悉。据21世纪经济报道2025年7月对华泰证券的公开报道，华泰证券在投行文件智能审核、法规智能问答等领域已有成熟应用，其投行AI化方向与上述案例一致。

质控嵌入设计：

该系统的质控设计有几个关键特点：

1. AI输出必须标注置信度：每个核查结果附带AI置信度评分，低于阈值的自动标记为"需人工复核"
2. 质控部独立验证：质控部门对AI输出进行抽样验证，定期出具AI准确率报告
3. 法务部审批节点不可跳过：即使AI法律风险扫描显示"无异常"，法务部审批环节仍为必经节点
4. 全程操作留痕：AI的每一次操作、修改和审阅均有审计日志，确保可追溯

当前局限：

• 系统对非标文档（手写批注、复杂表格、印章遮挡）的识别准确率仍有提升空间
• 行业适配性不足：当前系统在传统制造业、基础设施等文档标准化程度较高的行业表现较好，在生物医药、半导体等专业技术密集行业效果打折
• AI与现有投行项目管理系统的集成成本较高，数据安全分级对AI训练数据获取构成限制
• 项目组使用习惯仍在培养中，部分资深投行人员对AI输出持保留态度

9.2 深度案例B：中信证券Bond Copilot（债权AI化标杆）

（详见4.1）

中信证券于2024年1月上线的Bond Copilot，是当前投行AI化最成熟的具名案例。其核心启示有三：

1. 债权先行：选择债券而非股权作为AI突破口，是经过深思熟虑的——债券场景的标准化程度更高，AI更容易产出可量化效果
2. 全链条覆盖：从商机挖掘到项目运营，Bond Copilot试图打通债券业务全流程，而非停留在单点工具
3. 人机协作：所有AI输出均需人工确认，系统设计上确保"AI提升效率但不替代判断"

9.3 更多行业实践

• 华泰证券：投行云平台集成智能尽调工具、底稿管理系统、智能银行流水审核、智能比对与复核功能，据东吴证券研究文章（发表于新华网2025年11月），生产效率提升约4倍
• 申万宏源：投行智能一体化平台覆盖承揽→承做→发行→后督全生命周期，包含流程中心、项目中心、智能尽调中心、持续督导子系统等9大模块，管理5000+项目（全口径，含各阶段历史及在途项目；其中持续督导环节单独覆盖800+项目）；银行流水AI核查速度较人工提升30%，文档智能复核效率提升约20%（来源：《金融电子化》2025年5月，刊文《申万宏源投行智能化转型探索》）
• 兴业证券：2023年3月上线智能化底稿系统，将AI技术与底稿核查场景深度结合，涵盖印章合规检测、文档智能比对、底稿智能阅览三大功能，从"监管导向"转向"生产力导向"（来源：证券时报2024年11月）
• 中金公司：2025年以"5+N战略"推进AI落地，已构建涵盖投行文档撰写、员工助手、智能问答等场景的多层次智能服务矩阵（来源：公开媒体报道2025年10月）
• 国泰海通投行：构建投行知识管理平台，积累法规库、案例库和问询库，为RAG应用做数据储备；依托合并后的科技整合优势，投行数字化基础持续夯实

9.4 AI成熟度评分卡

综合评分：2.0/5 —— 起步阶段，核心场景已有试点落地，但距离核心业务流程AI化仍有较大距离

评分依据

评分标准：1分=探索阶段仅有PoC；2分=起步阶段有试点落地；3分=发展阶段多个场景生产运行；4分=成熟阶段核心业务流程AI化；5分=领先阶段AI驱动业务创新。与第01篇总览篇评分体系一致。

下篇预告：「AI重塑证券业」之六——AI在资产管理中的实践，投研风控运营的一体化智能中台

数据来源与事实核查说明：

本文引用数据来源包括：（1）证监会、交易所公开审核问询数据及法规文件；（2）财联社、证券时报、21世纪经济报道等行业媒体报道；（3）行业会议与论坛中券商投行科技负责人公开分享的实践数据；（4）金融科技供应商公开案例；（5）东吴证券2025年11月发表于新华网的研究文章《人工智能在债券承销领域的应用及建议》；（6）普华永道2024年3月《AI+投行》研究报告；（7）申万宏源2025年5月《金融电子化》刊文。本文已对核心事实陈述进行来源核查，对于无法找到公开出处的重要数据，已改为定性描述，不呈现具体数字以避免误导读者。