夜雨聆风写在前面
本文尝试把美国金融监管机构FINRA对行业AI应用的实操观察、OECD提供的分析框架、以及中美两套监管体系的具体规则，放在同一个坐标系里对照。
文章的结构是：先从FINRA观察到的14个应用类型出发，再引入OECD的分析视角做进一步分类，然后把这些类型落地到金融和财富管理行业的具体业务场景，最后重点讲一条在当前AI监管里最关键也最容易被忽视的合规边界——AI的输出什么时候从"建议"变成了"决策"，以及中美两个体系对这条线的不同处理方式。
内容来源说明： 本文第一部分FINRA的14个应用类型名称和描述译自FINRA 2026年度监管报告原文；其余部分（OECD框架归类、金融场景映射、中美监管差异分析）为基于公开监管文件的推断性整理，非官方对应关系，如有疏漏欢迎指正。
一、FINRA看到了什么：14个AI应用类型
FINRA是美国金融业监管局（Financial Industry Regulatory Authority），是美国券商和经纪商的行业自律组织，覆盖全美约3500家会员企业。它在2025年12月发布的《2026年度监管监督报告》中，专门辟出一个章节记录其会员企业当前部署AI的实际状况。
这是一份观察性报告，不是监管要求清单，而是FINRA通过与大量会员企业的实地交流，归纳出的"行业正在用AI做什么"的全景图。其中，FINRA把会员企业的AI应用归纳为14个类型：
来源：FINRA 2026 Annual Regulatory Oversight Report，原文链接：finra.org/rules-guidance/guidance/reports/2026-finra-annual-regulatory-oversight-report/gen-ai
这14个类型是FINRA归纳性描述的产物，不来自某个统一的外部标准，换一个机构来做同样的调研，颗粒度可能不同。但它的价值在于：这是监管机构基于真实行业观察做出的分类，而非理论框架，对合规从业者有直接的实操参考价值。
————————————————————————————————————
二、如何进一步理解这14个类型：引入OECD框架
14个并列的类型读起来是一个平铺的清单，难以快速判断哪些在合规上更敏感、哪些风险更低。要回答这个问题，需要一个更有分析力的分类维度。
为什么选择OECD框架
OECD（经济合作与发展组织）于2022年发布了《AI系统分类框架》（Framework for the Classification of AI Systems），这是目前在政策层面被引用最广泛的AI分类框架之一，EU AI Act、ISO标准、NIST框架均有参照。
这个框架从五个维度描述AI系统：人与地球、经济背景、数据与输入、AI模型、以及任务与输出。其中与合规判断最相关的是最后一个维度——任务与输出（Task & Output）。OECD在这个维度下将AI系统的输出定义为四种类型：
- 预测（Predictions）
：AI推断未知状态或未来事件，输出为概率性判断 - 内容（Content）
：AI生成、转换或提炼信息，产出供人类使用的文本或数据 - 建议（Recommendations）
：AI为人类决策提供方向性输入，最终决策权保留给人 - 决策（Decisions）
：AI直接触发或执行行动，输出直接影响系统或环境状态
选择这个框架的原因很直接：合规关注的核心不是"AI用了什么技术"，而是"AI的输出会对人产生什么影响"。OECD的输出类型分类，正好对应了这个监管视角。
按OECD四分法对14个类型重新归组
注：OECD框架来源：OECD (2022). Framework for the Classification of AI Systems. 官方链接：oecd.org/en/publications/oecd-framework-for-the-classification-of-ai-systems_cb6d9eca-en.html
这个归类是基于OECD框架的推断性映射，不是官方对应关系。它的价值在于：帮助我们快速判断——不同应用类型在合规层面的敏感程度，随着输出类型从"预测"向"决策"方向移动而上升。
三、落地金融行业：每个类型在实际业务中对应什么
理解了分类逻辑之后，下一步是把这14个类型翻译成金融和财富管理行业的具体业务语言。
预测类（4个）
内容类（6个）
建议类（2个）
决策类（2个）
四、最关键的合规判断：AI输出什么时候从"建议"变成了"决策"
为什么这条边界重要
在前面的分类里，"建议"和"决策"看起来只是两个相邻的类别，但在合规意义上，这两者之间有一道实质性的门槛。
OECD框架对这条线的描述非常简洁但准确：建议类输出中，"最终决策权保留给人"；决策类输出中，AI"直接影响物理或虚拟环境"。
换成金融场景的语言：同样是一套智能投顾系统，如果它生成资产配置方案、由客户确认后执行——这是"建议"；如果它直接触发交易、自动调仓、无需客户或人工介入——这是"决策"。两者在监管合规要求上有根本性的不同。
这条边界之所以现在变得格外重要，是因为AI agent（AI智能体）的兴起正在系统性地把原来停在"建议"层面的功能推向"决策"层面。传统算法投顾（rule-based robo-advisor）的执行逻辑是确定性的、可预先审计的；而agentic AI可以跨系统行动、动态推理、自主执行，它天然具备越过"建议"直接进入"决策"的能力。
14个类型中，哪些存在"建议→决策"的跨越风险
以下5个类型是边界最模糊、合规风险最集中的场景：
中美两个体系对这条边界的不同处理方式
这是本文最值得对比的地方。中美两个监管体系对"AI能做什么"这条线的划定，存在系统性差异：
主要监管文件来源：FINRA 2026 Annual Regulatory Oversight Report；SEC Regulation Best Interest；FINRA Regulatory Notice 24-09；SR 11-7 Model Risk Management Guidance；T/AMAC 0004-2026《基金经营机构大模型技术应用规范》；《金融产品网络营销管理办法》（2026年9月施行）；《个人信息保护法》第24条；《智能体规范应用与创新发展实施意见》（2026年5月）
一个值得单独提出的系统性差异
中国对"AI能否做投资建议"这条线划得比美国明确得多：T/AMAC明确禁止，美国则是"可以但须满足受信义务"。
这个差异的实际含义是：在中国，金融机构AI客服系统如果越过"事实查询"边界进入"产品推荐"，已经是明确的违规行为；在美国，同样的功能是被允许的，但机构需要能够证明它满足了与人类顾问相同的受信标准。
从合规操作的角度看，中国的规定反而更清晰——边界是硬的，合规团队更容易识别红线；美国的原则性要求给了机构更多灵活空间，但也意味着机构要自己建立一套证明"我符合受信义务"的文档体系，执法风险不一定更低。
写在最后
这篇文章做的是一个对照性的框架整理，不是最终结论。几点局限需要说明：
第一，OECD框架对14个类型的归类是推断性映射，同一个应用类型在不同部署方式下可能对应不同的输出类型——"分类与归类"既可以是"预测"（输出判断结论），也可以是"决策"（直接触发处置行动）。
第二，中美监管差异的描述以截至2026年6月的公开监管文件为准，两个体系都在快速演变，建议结合最新监管动态判断。
第三，美国部分涉及的执法案例（Betterment、Ally Invest、Two Sigma）均有公开的SEC行政命令原文可查，建议参阅原文。
如果这个框架对你有用，或者你有不同的分类视角，欢迎交流。
参考来源
FINRA 2026 Annual Regulatory Oversight Report（GenAI专题）：finra.org/rules-guidance/guidance/reports/2026-finra-annual-regulatory-oversight-report/gen-ai FINRA Blog：Emerging Trend in GenAI: Observations on AI Agents（2026年1月）：finra.org/media-center/blog/observations-on-ai-agents OECD Framework for the Classification of AI Systems（2022）：oecd.org/en/publications/oecd-framework-for-the-classification-of-ai-systems_cb6d9eca-en.html T/AMAC 0004-2026《基金经营机构大模型技术应用规范》 《金融产品网络营销管理办法》（央行等八部门，2026年4月，9月施行） 《智能体规范应用与创新发展实施意见》（网信办等三部门，2026年5月）：cac.gov.cn/2026-05/08/c_1779979789523320.htm SEC行政命令 In the Matter of Betterment LLC（2023年4月）：sec.gov/litigation/admin/2023/ia-6255.pdf SEC行政命令 In the Matter of Ally Invest Advisors Inc.（2026年3月）：sec.gov/files/litigation/admin/2026/ia-6954.pdf