证券业扎堆布局AI Skills，智能化竞速进入新赛段

2026年，证券行业AI落地掀起新一轮竞速，头部券商不约而同将战略重心从“数字人”转向“AI Skills”(智能体技能)。国泰海通率先推出“灵犀Skills”并上线AI技能仓库，华泰证券随后落地“智研Skill&MCP”与“AI涨乐Skills”，中金公司将首席分析师方法论封装为专属AI Skills。短短数月间，排名前十券商已有半数落地相关产品，覆盖投研、财富管理、客户运营、合规风控等场景。

头部券商上演“卡位战”

什么是AI Skills？简而言之，它是一套把成熟系统能力打包成标准化功能模块的能力单元：AI可以识别、调用并直接执行，从而将散落在后台的复杂能力转化为可即插即用的服务。打个比方，如果把大模型比作“大脑”，AI Skills就是让大脑真正“动手”的“手脚”——前者负责思考，后者负责执行。

从落地节奏来看，2026年上半年堪称证券业AI Skills的“爆发窗口期”。国泰海通走在最前列：其推出的灵犀“AI技能仓库”不仅整合了查研报、查行情、出榜单、自选股分析等高频实用AI Skills，更率先将灵犀Skills上架华为小艺、腾讯SkillHub等第三方智能体平台，借助公域流量扩大服务触达范围。截至2026年6月末，灵犀智能化服务累计服务8300万人次，庞大的调用数据为后续模型迭代提供了宝贵的业务养料。

紧随其后，华泰证券宣布“AI涨乐Skills”体系正式上线，与更早推出的“智研Skill&MCP”构成双产品线，分别面向零售客户与机构投资者。该体系深度依托公司自有的投研能力与数据底座，强调不依赖通用大模型的标准化输出，而是打造适配自身业务逻辑的AI工具集，核心目标在于搭建自主可控的AI技术底层架构。

与此同时，中金公司另辟蹊径。其推出的“分析师.Skill”并非简单的功能堆叠，而是将资深从业者的完整研究方法论、估值体系与行业认知进行AI“蒸馏”封装，率先实现分析师个人专业能力的标准化产品输出。机构客户通过网页或小程序调用这些AI Skills后，可以直接与多位中金研究分析师的“数字分身”进行深度对话，这无疑是对卖方研究服务模式的一次大胆解构与重构。

此外，国信证券、中信建投、广发证券、招商证券国际等机构同样不甘落后。国信证券上线的六大AI Skills覆盖智能选股、ETF筛选、基金对比、宏观指标调取等普惠投顾场景；广发证券5月发布覆盖投研、财富管理、客户服务、运营支持、合规风控等领域的Skill矩阵，依托30类Skill基础精选八大“易淘金Skill”面向C端发布，6月进一步入驻腾讯ima Skill广场；7月中旬，中信建投“蜻蜓Skill广场”正式上线，以“一句话调技能”为核心理念，力求降低普通投资者获取专业工具的门槛；招商证券国际推出的高股息实战AI原生投研2.0执行系统，则将主动选股改造为可审计、可复核的自动化生产线。

各家机构在AI Skills的具体功能设计上虽各有侧重，但共同指向一个明确趋势——券商AI竞争正在从“谁有大模型”转向“谁有可调用的专业能力”。

基建、业务与生态各取所长

若仔细拆解各家机构的布局逻辑，不难发现，在这场看似一致的“AI Skills热潮”背后，实则暗藏着三条截然不同的战略路径，折射出不同券商在资源禀赋与战略取舍上的深层差异。

其一是“技术基建派”，以华泰证券为典型代表。华泰证券在确立“全面拥抱AI”的技术路线后，始终将自主可控视为第一原则。其AI Skills体系深度绑定自研的数据中台与业务中台，不依赖外部通用大模型的接口调用，试图将AI能力的控制权牢牢掌握在自己手中。这一路径的优势在于长期来看技术壁垒更高，数据隐私与合规风险更易管控，但前期研发投入巨大，对机构的IT底座、数据治理能力和研发预算均提出了极高要求。

其二是“业务创新派”，以中金公司为标杆。中金推出的“分析师.Skill”并不追求功能数量上的堆砌，而是着眼于对核心业务模式的颠覆性创新。它将卖方研究最为倚重的分析师个人IP与专业方法论进行“原子化”拆解，使其变为可规模化复制的数字资产。这种打法直击卖方研究长期面临的产能瓶颈——顶尖分析师的精力有限，而通过AI Skills将其智慧封装，不仅能服务更多长尾客户，还能在合规前提下探索研究服务商业化的增量空间。

其三是“生态共建派”，国泰海通、国信证券、广发证券等均在此列。这些机构在上线自研AI Skills后，并未将能力封闭在自有APP之内，而是主动将产品上架华为小艺、腾讯SkillHub等第三方智能体平台。通过拥抱开放生态，它们试图借助公域场景的高频交互反哺金融垂类模型的训练与调优，同时以较低的边际成本触达潜在客群。

正如恒生研究院技术专家陈奕名此前接受证券时报采访时所言，AI Skills服务的技术门槛呈现出明显的“两极分化”——通用问答、资讯总结等简单场景仅靠提示词调优即可落地，但涉及复杂投研推理的场景，则必须进行彻底的AI化改造，基于业务建模与数据建模的底层重构至关重要。头部机构凭借深厚的IT底座、完善的数据治理能力和充足的研发预算，更倾向于选择后一条“难而正确”的路。

三条路径并无绝对的高下之分，但共同预示着行业AI竞赛的焦点已从单纯的模型参数比拼，转向了工程化落地与业务场景深度耦合的能力比拼。

真正的护城河在于“数字孪生”

隐忧同样不容忽视。据证券时报此前的调研报道，当前市面上的部分AI Skills仍停留在“包装式创新”阶段——通过提示词工程将原有的数据查询功能封装为AI Skills界面，底层并未真正打通复杂的业务判断逻辑。更为棘手的是AI幻觉问题：有行业机构内部测试显示，即便调用经过专业微调的AI Skills，在特定测试场景下输出结果的准确率最高也只能达到95%左右，在涉及财务数据勾稽关系、突发政策解读等场景时，仍可能出现似是而非的推理错误。

有受访券商研究人士坦言，证券研究对方法论的科学性、逻辑体系的完整性有着深层要求，而当前大模型及智能体的底层技术路线，对非线性的复杂经济金融理论的学习、整合与应用能力仍存在局限。

面对上述挑战，业内专家给出的破局思路并非继续堆砌AI Skills数量，而是转向构建金融业务的“数字孪生地图”。所谓“数字孪生地图”，即把券商错综复杂的业务逻辑、数据关系、合规规则进行结构化、网络化的底层业务表达。唯有当AI对机构内部的业务流、数据流、合规流建立起精准的映射关系，AI Skills才有可能从“能查会算”的工具，进化为“懂业务、知进退”的智能协作者。

从“数字人”到“AI Skills”，券商AI的竞争正在从概念展示走向能力沉淀。业内普遍预期，随着多模态能力增强与推理成本下降，下一阶段的AI Skills将不再局限于文本分析与数据调用，而是向自动化交易执行、个性化资产配置方案生成等更高阶场景延伸。

国信证券首席信息官吴士荣此前的判断颇具代表性：“互联网改变的是渠道和触达，AI改变的是生产和判断。上一轮竞争看谁的入口更大，下一轮竞争看谁的AI嵌入核心工作流更深。”

在这场以AI Skills为抓手的AI竞速中，谁能率先构建出真正贴合金融业务的“数字孪生地图”，谁就有望在新一轮行业洗牌中占据先机，将AI这一变量真正转化为重塑核心竞争力的增量。