人工智能在投资银行业的应用：机器读取数据，人类做出决策——谁才是真正的赢家？

人工智能在投资银行领域的应用：以下是算法（仍然）表现糟糕的任务。

创意十足的交易结构、数百万美元的交易以及富有远见的判断——这就是投资银行喜欢用来宣传自身服务的词汇。但对于初级分析师而言，抛开那些光鲜亮丽的宣传，现实往往截然不同：他们要在虚拟数据室里熬夜，手动筛选数百份合同PDF文件，然后费力地将数据导入复杂的Excel模型。正是这种高薪专业技能与繁琐信息收集之间的巨大差距，使得人工智能（AI）得以充分展现其潜力。.

尽管摩根大通和高盛等华尔街巨头长期以来已投入数百亿美元研发人工智能系统，旨在将分析师从繁琐的日常工作中解放出来，但现实却展现出一幅严峻的图景：并非所有备受赞誉的技术都能经受住并购交易中持续不断的节奏和压力。此外，自动化也引发了一些深刻的问题：如果未来算法接管了研究工作，下一代银行家将如何学习这门技艺？经验丰富的交易撮合者又会在何时信任机器的分析结果？本文将毫不留情地探讨哪些人工智能应用在监管严格的金融领域真正有效，哪些自动化应用必须被刻意遏制，以及为何在缺乏可靠证据的情况下盲目信任技术会迅速演变成巨大的责任风险。.

用证据代替谣言：当顶级银行家真正信任人工智能的结果时。

投资银行官方宣称出售的是判断力、人脉关系和创新的交易结构。然而，深入了解年轻分析师的日常工作，就会发现截然不同的景象：他们要翻阅数据室，费力地将PDF文档中的数据导入Excel模型，还要查找银行三年前为类似客户制作的旧演示文稿。.

这种差异正是问题的核心所在。投资银行出售的是专业判断，却将大量初级员工的时间浪费在信息收集上。客户实际支付的费用与员工实际花费的工作时间之间的差距，恰恰是人工智能在投资银行领域发挥经济效益的关键所在。.

在此背景下，我们有必要深入探讨金融机构如何才能真正利用人工智能获得切实的商业利益。简而言之：最终胜出的银行并非那些拥有最雄心勃勃的战略方案的银行，而是那些始终如一地部署机器来阅读和搜索文档，同时将最终的判断权留给人类，并在自身可控的系统范围内运行整个流程的银行。.

收集信息本身就存在着隐形的代价

之所以没人解决这个问题，是因为它没有作为单独的成本项目列出来。工资已经列入预算，分析师也已经招聘并分配了工作。阅读和审核文件正是当初购买工时的目的——因此，这项工作就像租约签订后的租金一样，完全隐形。.

然而，当你考虑到这项隐性工作的实际成本时，问题就显而易见了。这导致的是抽查而非全面审查，因为仔细阅读数据室里的每一份合同在经济上根本不可行。这导致公司简介过时，因为每季度更新四十份简介，很容易被正在进行的紧急交易抢占先机。这还导致一些有潜力的交易甚至没有被跟进，因为团队已经完全被当前的交易占据。所有这些决定实际上都是由时间限制而非银行家个人意愿做出的。.

这个问题的规模效应正变得日益严峻。金融机构主导的活动与私募资本市场的增长同步发展，Preqin 分析师预测，到 2030 年，全球另类资产规模将达到约 32 万亿美元。这意味着每位银行家需要处理的交易流程、竞标流程和尽职调查工作量都将远远超出任何现有人员配置计划的实际承受能力。继续接受这种隐性成本的银行，最终将发现自己每年为此付出的代价越来越高。相反，那些能够在不增加成本的情况下扩大业务范围的银行，已经不再将繁琐的文件筛选工作视为初级分析师的入门仪式。.

哪些人工智能应用真正经得起实际测试？

并非所有用例都同样适合投入生产部署，而且处理这些用例的顺序比软件本身的技术选择更为重要。三个筛选标准有助于快速分类。.

首先也是最重要的，是数据量。你应该选择一批持续且定期积累的文档，而不是偶尔收集的，因为一年只运行两次的工作流程永远无法积累足够的经验来建立真正的信任。其次是可重复性：相同的信息字段，始终以相同的方式查询，即使文档措辞不同但结构几乎相同。第三也是最重要的一点，是可验证性。你需要获得一个可以在几秒钟内与源文件进行比对的结果，因为正是这种验证最终才能说服持怀疑态度的人。.

应用这三个筛选条件后，几乎所有银行的优先级列表都大致相同。数据室的优先级最高，因此通常首先实施对尽职调查文件的智能分析。其次是内部先例文件，因为银行自身的历史记录浩如烟海，搜索起来极其繁琐，但一旦找到，验证起来却十分容易。用于持续市场监测的监管文件排在第三位。任何需要提供意见或评估结果的内容，最后才会进行自动化处理——稍后会详细介绍。.

经验丰富的银行家何时才会相信机器的计算结果？

归根结底，一切都取决于一个关键特性：每一项声明都必须有来源支持，而且验证来源的时间不得超过十秒。这听起来似乎是产品设计中的一个小细节，但实际上，这就是产品承诺的全部内容。.

一份声称合同中责任限额为购买价格12%的分析，最初仅仅是一种断言。然而，一份同样陈述并直接引用第三次合同修订案第84页的分析，则构成了证据。前者需要盲目信任，后者则实际上要求核实——而这正是副总裁希望对任何与正在进行的交易相关的信息所做的。.

我们可以观察到，在这样的条件下，信任是如何自然而然地形成的。副总裁审核了前二十个结果，全部通过了审查。第二次，他只检查了五十个结果中的十个。在处理第二笔交易时，他只检查那些让他感到意外的结果，其余的则不再复核，直接接受。这种行为的改变并非官方认可——它仅仅是因为审核结果始终清晰无误而自然产生的，任何软件供应商的推销话术都无法建立起这种程度的信任。.

不幸的是，反过来也同样可靠。一个措辞自信但却错误的答案，如果没有可验证的来源，可能会使项目延误超过一个月的系统停机时间，因为这个错误会在整个组织内传播开来。从文档到决策的整个流程链的成败都取决于来源的可靠性，而一个在缺乏证据的情况下提供答案的系统最终只会散布谣言。.

自动化必须在哪些方面刻意限制自身？

任何可靠的人工智能程序都需要一份清晰的清单，明确哪些内容不应自动化——理想情况下，这份清单应该在第一个试点项目启动之前就制定好。机器提供证据，人类提供立场和评估。这份界限清单明确划分了二者的区别，而不是在进行中的关键过程中痛苦地发现它们。.

一项证据是可以核实的：例如，数据室中的每一份合同都包含控制权变更条款；可比公司的所有关键绩效指标均有据可查；或者排他性条款的措辞（包括其到期日）均被准确复述。而立场则是一种基于特定背景的评估，任何单一文件都无法涵盖：例如，某项控制权变更条款在实践中究竟是构成障碍还是仅仅是谈判筹码；一家公司的真实价值；客户最终应该将合同授予两家竞标公司中的哪一家，以及事后如何处理落选方。.

最终失败的项目几乎总是从解决定位问题入手，通常是估值模型或直接交易建议，其逻辑在于最有价值的工作理应优先处理。然而，结果总是相同的：经验丰富的银行家根本不会相信他们自己无法批判性审视的结论。这种拒绝是有充分理由的。在这些案例中，问题不在于技术本身，而在于最初应用场景的选择不当。.

这条界限会随着时间推移而改变，而且会随着信任的建立而改变：一步一步，一个个验证的结果。因此，这样的界限清单应该每年进行审查和调整，而不是一成不变。它真正保护的是避免一种更为常见的失败——仅仅依靠武力断言，在演示中随意改变界限，而那些心存疑虑的人，如果对此有所怀疑，就会悄悄地选择不遵守。.

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

• 托管人工智能平台

当多个交易同时出现时会发生什么？

在业务清淡的日子里保持稳定的吞吐量最终毫无意义。交易团队在平淡的日子里不会崩溃——只有当第三个客户打来电话，提出紧急的实时情况，而与此同时，一位经验丰富的管理人员又在飞机上无法联系时，交易团队才会崩溃。.

正是在这一点上，样本量减少，后续尽职调查问题仍未得到解答，而由于注意力最为分散，忽略关键发现的风险也最高。任何值得购买的工具都必须在这种压力下证明自身价值。.

因此，这正是您应该测试的内容。在时间压力下突然涌入五十份合同，比正常情况下舒适运行一个月更能揭示系统的质量。有三点至关重要：准确率是否会随着数量增加而下降；队列是否能提供可用的部分结果，还是仅仅迫使整个团队等待；以及系统是否会公开显示其自身无法确定的信息。.

在这种压力下，一套合理的标记不确定性的系统比单纯的命中率更为重要。一个能够提供 400 个明确结果和 30 个明确标记为不确定的案例的系统，可以为团队提供一份清晰的工作清单。相反，如果一个系统提供了 430 个看似明确的结果，其中 30 个实际上是错误的，那么团队就面临着真正的责任风险。在压力巨大的情况下，没有人有时间去事后确定他们究竟采用了哪种方法。.

如何才能将敏感文件妥善保管在银行内部？

这个问题实际上会让大多数人工智能程序停滞不前——而且通常是在流程后期才会出现问题。一个团队找到了一款能够很好地分析合同的工具，并首先用公开的公司公告进行测试，因为这些公告不存在真正的风险。测试结果令人信服，于是有人建议将该系统应用于真实的实时数据室。这立即触发了安全审计。.

软件供应商提供合同保证：不会使用公司自身数据训练模型，30天后删除数据，并提供定制化的企业合同。然而，合规部门会提出一个更简单也更关键的问题：这些文件实际传输到哪里了？还有谁可以访问它们？通常，诚实的答案是：传输到银行外部的共享服务器——这当然没错，对话也就到此为止了。.

价格敏感的内部信息、机密客户数据、受保密协议约束的文件，以及监管机构密切关注的部门间信息壁垒，都使得这一结局不可避免。真正的错误不在于试点项目本身，也不在于合规部门合理的谨慎，而在于选择了一种从一开始就无法克服这一障碍的部署模式。.

最终胜出的模型确保所有评估和结论都始终在银行自身的系统边界内进行。通过隔离每一笔交易，该模型精准地反映了预设的信息屏障，直接对每一次查询执行访问控制，并完整记录每一次交互。如此一来，合规部门本身就成为了项目的支持者而非阻碍者，因为控制层级甚至在第二道防线提出问题之前就已解答了这些问题。在首个试点项目启动前做出这一根本性决策，最终可以节省大约六个月的时间。.

大家族的实际支出和投资情况

围绕检索管理和信任构建的抽象讨论，在考察大型机构的实际投资规模和部署情况时，便变得具体起来。摩根大通目前为超过20万名员工运营其内部LLM套件，并资助了400多个已记录的人工智能应用案例，其2026年的技术预算约为180亿美元。高盛在约1万名员工的试点阶段后，已将其基于OpenAI、谷歌和Anthropic模型、并采用自身安全层的GS AI助手推广至公司约4.6万名员工，并报告称软件开发效率提高了20%以上。另一方面，摩根士丹利面向财务顾问的AI助手已在所有咨询团队中实现了超过98%的使用率，并且自2026年夏季以来一直在测试可与客户全天候互动的数字助手，但实际的投资组合决策权仍然明确地掌握在人类手中。.

这三个案例的一个显著特点是它们都采用了相同的架构模式：可用性和决策权被刻意分离。机器可以随时进行分析、总结和提出建议，但实际执行的权力在合同和技术层面都被排除在外。这种分离与前文所述的可验证事实和真正的企业家判断之间的界限完全吻合，并且经验也证实，那些推广最成功的机构正是遵循了这一原则。.

从宏观经济角度来看，这已不再是小众现象。高盛估计，到2026年，美国人工智能相关投资总额将接近6000亿美元，约占美国GDP的2%，而全球人工智能投资预计将首次突破1万亿美元。与此同时，同样的分析也指出，这些支出中约有三分之二将通过现有企业预算的重新分配来筹集资金，这意味着人工智能投资会对其他投资产生实际的、尽管目前程度尚不明显的挤出效应。对于投资银行而言，这意味着它们自身在人工智能领域的投资压力正在不断增加，这不仅是出于效率方面的考虑，也是因为它们的客户群体，尤其是科技公司及其债券发行，已经在每次资本市场咨询中提及人工智能这一话题。.

界定框架的监管要求

与投资热潮同步，这些系统的运营监管环境也在发生变化。欧洲人工智能法案最初规定，金融领域的高风险应用，例如个人信用评估，必须在2026年8月2日前完成全面的合规性测试、记录在案，并接受强制性的人工监督。然而，所谓的人工智能数字综合法案在2026年夏季将这一期限推迟了16个月，至2027年12月2日，原因是必要的测试标准未能及时到位。对于核心投资银行业务——并购咨询、资本市场发行和尽职调查——这种高风险分类基本无关紧要，因为这些业务主要集中于贷款、保险定价和生物识别应用。尽管如此，自2026年8月起，一项基本的透明度义务已经生效：由人工智能系统支持或创建的客户沟通必须能够被识别为人工智能系统，这同样适用于银行自动生成的分析和客户信函。.

在美国，证券交易委员会（SEC）奉行技术中立但更为严格的审计方法。2026年的审计重点明确指出，人工智能系统在投资建议、合规流程和客户沟通中的应用是重点关注领域。各机构必须证明其部署的每个人工智能系统所追求的优化目标，以及这是否会造成银行与客户之间的利益冲突。与外部人工智能供应商的合同审查也受到更多关注，尤其关注客户数据是否被用于训练第三方模型。这与文章中描述的关于外部托管数据室解决方案的合规障碍完全吻合。因此，两种监管机制的发展方向一致：并非禁止人工智能，而是强制要求记录控制措施、数据来源以及最终的人工责任。.

令人不安的负面影响：人员减少和质疑。

将人工智能仅仅视为效率提升的叙事方式忽略了一个令人不安的现实，而这一现实正日益被公开讨论。据麦肯锡合伙人德巴希什·帕特奈克（Debasish Patnaik）称，银行已经削减了高达三分之二的入门级分析师项目，与此同时，大约62%的人工智能专家却恰恰是从这些初级职位中招聘的。这引出了一个结构性问题，而原文却刻意回避了这个问题：如果传统上对年轻银行家的培训依赖于如今已被自动化取代的繁琐阅读工作，那么如果下一代经验丰富的决策者失去了信息收集的训练平台，他们将从何而来？这个问题在当前的讨论中仍未得到充分解答，而且很可能成为未来几年自动化带来的真正风险之一，其影响远远超出数据隐私或准确性问题。.

此外，高盛自身也承认，存在一个方法论上的谨慎之处：人工智能投资浪潮对国内生产总值（GDP）的宏观经济贡献，以及由此产生的对其他投资的替代效应，总体而言，小于公众讨论中通常假设的水平。对于单个银行而言，这意味着：那些仅仅依赖当前趋势，而不遵守本文所述的关于自动化限制、来源核实和数据主权等方面的准则，就贸然发布大规模人工智能公告的银行，最终将面临因一次错误且未经证实的结果而引发的信任危机。.

为什么投资银行的真正回报并非来自人工智能的效应

人工智能在投资银行业带来的经济效益并非源于惊天动地的公告或完全自动化的交易处理承诺，而是源于银行有勇气诚实地区分可验证的事实和真正的商业判断，并将这种区分始终如一地转化为系统、流程和访问规则。摩根大通、高盛和摩根士丹利的实际数据表明，那些实现最高效推广的机构，恰恰是那些严格区分可用性和决策权，并将监管文件要求视为工具而非障碍的机构。选择这条道路的机构之所以能够取得更大的成功，并非因为它们的技术看起来更令人印象深刻，而是因为它们将银行家的实际价值创造从单纯的信息收集中解放出来，并将其重新投入到客户真正愿意付费的服务中：稳健、透明且最终体现人性化的判断。.

Konrad Wolfenstein

我很乐意担任您的私人顾问。.

您可以通过wolfenstein∂xpert.digital 联系我

请拨打 +49 7348 4088 965 。

LinkedIn