自研围城外的算力账本

过去几年，头部券商对人工智能的投入几乎都从“自研”两个字开始。招聘算法工程师、搭建机器学习平台、采购GPU集群，一套流程走下来，投入以亿元计，周期以年计。但真正跑通全流程的机构屈指可数，更多券商发现，自研模型在金融场景中的边际收益远低于预期：数据孤岛难以打通，模型迭代速度跟不上业务需求，运维成本却逐年攀升。于是，一场静默的战略转向开始发生——从“什么都要自己做”转向“借台唱戏”，把AI能力的供给交给第三方平台，自己专注场景与业务落地。

从“养团队”到“买能力”的成本重构

一位中型券商信息技术部负责人算过一笔账：维持一支三十人的AI自研团队，年均人力成本约两千万元，加上算力采购和平台维护，每年固定支出接近五千万元。而接入成熟的第三方AI平台后，同等业务覆盖下的年度支出可压缩至一千万元以内，且无需承担技术路线选错的风险。这种成本结构的重构，正在改变券商的决策逻辑。自研不再是“政治正确”，而是需要严格论证投入产出比的选项。越来越多机构开始将AI能力拆解为可采购的模块——智能客服、投研摘要、合规审查、风险预警——按需订阅，按效果付费。

第三方平台的“职业新形态”孵化效应

券商“借台唱戏”的直接结果，是第三方AI平台在金融垂直领域的快速专业化。这些平台不再只是通用大模型的搬运工，而是围绕证券业务场景打磨出细分产品线。更重要的是，平台生态催生了一批新型职业角色：既懂金融业务又懂AI调优的“场景架构师”，负责将券商的业务需求翻译成平台可配置的方案；专门服务金融机构的“AI合规顾问”，帮助平台产品监管审查；还有介于券商与平台之间的“实施交付工程师”，驻场完成系统对接与流程改造。这些岗位不属于券商编制，也不完全等同于平台全职员工，而是以项目制、顾问制、驻场制等灵活形态存在，构成一种职业新形态。

中小券商的“非对称追赶”窗口

对中小券商而言，自研AI曾是难以跨越的门槛，而第三方平台的出现打开了一个非对称追赶的窗口。一家区域券商在接入第三方智能投研平台后，三个月内便上线了面向机构客户的研报摘要与舆情监控服务，而此前自研方案评估了半年仍停留在需求文档阶段。平台将技术门槛外部化，中小券商得以将有限资源集中在客户关系与本地化服务上。这种“平台提供能力、券商提供场景”的分工，正在重塑行业竞争格局：头部机构仍保留部分自研能力以构建壁垒，中小机构则更彻底地拥抱第三方平台，形成两条并行的技术路径。

数据主权与模型可控性的隐性博弈

“借台唱戏”并非没有代价。券商最核心的资产是客户数据和交易信息，将AI推理过程交给第三方平台，意味着数据出域的风险始终存在。目前主流做法是采用私有化部署或混合云方案，平台提供模型权重和推理框架，券商在自己的机房内完成部署，数据不出内网。但这种模式又部分消解了“借台”的成本优势——私有化部署的运维复杂度虽低于自研，却仍需要专职团队。另一层博弈在于模型可控性：当平台更新底层模型版本时，券商此前调优的提示词和业务规则可能失效，这种“被动升级”带来的业务波动，是自研模式下不会出现的隐性成本。

职业新形态背后的组织适配难题

第三方平台催生的新职业角色，对券商传统组织架构提出了挑战。场景架构师需要同时向业务部门和IT部门汇报，实施交付工程师的考核归属模糊，AI合规顾问则游离于法务与科技两条线之间。一些券商开始设立“AI能力中心”作为对接第三方平台的统一接口，但这一部门在传统科层制中缺乏先例，权责边界仍在摸索。更深层的问题在于人才流动：平台培养出的场景架构师，积累足够经验后往往被券商以更高薪资挖走，反过来又削弱了平台的服务能力。这种双向流动虽活跃了人才市场，却也使职业形态的稳定性存疑。

从项目制到生态位的长期演化

当前券商与第三方AI平台的合作多停留在项目制层面——按需采购、单点接入、项目结束即关系松散。但部分先行者已开始更深的绑定：与平台共建联合实验室，将自身业务数据脱敏后用于模型微调，形成“你中有我”的定制化能力；或投资平台股权锁定优先服务权。这种演化意味着，第三方平台不再只是工具供应商，而逐渐成为券商AI能力的生态位组成部分。相应地，围绕平台形成的职业形态也将从临时性、项目制走向常态化、专业化，可能出现专门的“金融AI平台运营师”认证体系，以及跨机构的行业协作组织。券商从自研到借台唱戏的转身，最终推动的不只是技术路径的切换，更是一套职业分工与组织形态的重新排列。