生成式AI在投行领域应用的前景

日臻完备：券商投行业务应用场景多元，生成式AI补齐赋能短板

券商的投行业务开展过程涉及海量的资料归集、内容比对、文本撰写等工作，市面上围绕投行业务场景来开发的数字化产品多为项目管理、底稿管理、簿记发行等满足监管要求的管理类系统，以及包含影像识别、文本纠错、文档一致性比对、在线协作等功能的通用文本类工具，难以有针对性地解决投行业务实操过程中的具体痛点。而生成式AI能够从会议纪要、市场资讯、经营分析报告等大量非结构化文档中快速、准确地找到项目承做人员所需的信息，并以问答的方式输出。相较于传统的投行数字化产品，生成式AI更加适配投行业务的承做过程，能够有的放矢地解决承做人员遇到的问题，填补传统产品的空白地带。

逐个击破：优选投行业务典型场景进行局部速赢

在选择生成式AI应用的业务场景时，需重点分析投行各业务环节面临的具体痛点及挑战，以及生成式AI在解决这些问题时的角色定位。即使是同一个业务环节，生成式AI的角色定位差异将导致实施效果和难度各异。当生成式AI定位为项目承做助理时，主要任务是对事实性信息进行自动抓取和归纳；定位为保荐代表人或者质控人员助理时，则需要对企业的资质好坏，乃至申报项目的成功率给出结论。而后者多需要在客观、全面分析的基础上，融入当下团队的过往经验、试错成本等主观考量，生成式AI很难全方位捕捉和模拟。此外，训练AI模型时需要向其投喂大量的历史案例，不仅需要强大的算力资源和高昂的时间成本，而且由于监管环境、经济周期的变化，历史案例在当前看来往往并非最优解，这将导致生成式AI辅助决策的有效性存疑。

因此，综合考虑商业价值、实施可行性以及潜在风险，普华永道认为生成式AI在券商投行业务应用中，应以项目承做助理的角色为起点，优先构建问答式尽调指引、聚合式信息捕捉、一键式报告撰写三大业务场景，充分发挥生成式AI的自然语言处理能力，深度辅助业务人员提升业务效率，优化工作质量。

在尽职调查环节，生成式AI可以承担承做助理的角色，运用大模型的信息整合能力，为承做人员提供结构化的尽调步骤，对关键尽调环节提供疑难问题解答。

在投行业务链条的多个环节均涉及信息的捕捉与聚合，可运用生成式AI的自然语言对话代替复杂分散的查询动作，通过约定的数据源检索或联网搜索等方式，让生成式AI快速输出事实性信息，协助构建企业风险画像。

场景三：一键式报告撰写

在承做、发行、后督等涉及底稿文件或申报材料制作的环节，生成式AI可以生成针对特定行业、特定客户、特定项目类型、特定主体的申报材料内容，甚至可以提出初步的判断结论。

值得注意的是，生成式AI的应用形式不仅仅局限于人机问答，而是可以内嵌至业务流程重组（BPR，Business Process Reengineering）的节点中，根据各节点的工作特征分配人力与机器的任务，以提升人机协作模式的工作效率和准确性，如需要大量人力开展的重复性工作，机器可以进行独立的前置性处理，而涉及面广而复杂的挑战性工作，机器则可以进行辅助性支持。

循序渐进：探索投行全链条深度赋能

未来，生成式AI的角色可进一步扩展，赋能环节亦可进一步深入到投行业务链的下游，在发行定价、承销及持续督导环节提供自动化的工具支持。

在发行定价环节，需要考虑宏观环境、行业趋势、市场情绪、公司业绩预期等多重因素，定价工作较为复杂且易受到人为偏见的影响，生成式AI可结合传统定价分析模型，通过数据深度挖掘与情感分析生成实时的定价策略：如通过机器学习对于历史数据进行深度挖掘，识别出影响发行定价的多重因素；通过分析社交媒体、财经新闻等信息，评估市场对特定事件的反应，从而判断当前的市场情绪，并通过实时分析海量数据快速反映市场情绪的变化情况，为定价决策提供依据。

在承销环节，投资者往往具备差异化的投资偏好与需求，生成式AI可以基于投资者的历史投资数据、市场行为等信息识别投资者的投资需求，并根据预设的模板与规则批量生成定制化的营销材料，助力提升营销成功率。

在持续督导环节，投行员工需要在一定周期内持续跟踪并监督公司的规范运作与信息披露等情况，生成式AI可以快速、持续地收集公司财务数据、运营数据与风险信息，为投行员工发表独立意见提供支撑并自动生成年度跟踪报告等等。

生成式AI在投行领域应用的挑战

一是大模型选型及部署较为复杂。在大模型选型阶段，需要综合考虑大模型的需求匹配能力、数据量处理水平、性能和稳定性、安全与合规性、工程化能力、对计算资源和存储资源的要求等多重因素；部署阶段需要足够强大的处理器、内存、存储空间等硬件资源，以支持大模型的正常运转。另外，国家对金融基础设施的自主可控性、安全性等要求日益趋严。2024年1月，习近平总书记在省部级主要领导干部推动金融高质量发展专题研讨班开班式上发表重要讲话，强调要建立健全自主可控安全高效的金融基础设施体系。在此背景下，海外大模型的使用将更加审慎，未来国内企业需要考虑适合本地的解决方案。

二是投行专业大模型的建设难度较高。投行业务涉及大量非结构化文字资料，不仅涉及大量的内外规要求，还需要海量的实操案例作为支撑，因此建设大模型所需的知识库内容繁杂、分散。通用的AI大模型难以支持投行的业务深度，需要训练一个针对投行领域的专业模型，但语料整理、模型调优、提示词设计等工作都需要资深保代配合方能完成。

三是数据安全要求引发高部署成本。从业务层面看，投行业务本身即涉及大量公司财务数据、内部经营数据等“内幕信息”，这对于数据存储、数据传输等环节均提出了更审慎的要求。从模型层面看，大模型的数据泄漏风险是目前影响范围最广、危害程度最大的大模型安全风险之一，主要包括大模型的提示语泄露、大模型学习敏感数据导致的隐私泄露和承载大模型的环境漏洞导致的数据泄露；除此之外，面向大模型的提示语攻击、数据投毒攻击、成员推断攻击等由于对抗攻击导致的外部安全风险也是行业亟待解决的问题，对此，行业也逐步提出内部和外部安全评估、测试要求与例如多方安全计算、联邦学习、差分隐私和算法鲁棒性增加等解决方案，无形中增加了整体部署成本。

四是大模型可信度仍在持续优化中。随着注册制的全面实行，监管机构专业分工更加明确，监管力度持续加重趋势已不可逆，投行项目承做人员在执业过程中绝不能让项目“带病”流入下一环节。而大模型使用的深度学习算法、神经网络模型等技术存在“算法黑箱”，生成内容的可信度仍有待审核及验证，这将使得承做人员不敢轻易使用大模型的输出结果。金融行业针对生成式人工智能的监管还在持续规范、完善中（2022年3月，中共中央办公厅、国务院办公厅印发《关于加强科技伦理治理的意见》，提出强化科技伦理审查和监管。随后，人民银行于同年10月正式发布并实施《金融领域科技伦理指引》），待相关规范细则出台后，大模型的可信性也将进一步优化。

过去十余年间，数字化技术已经帮助本土券商成功解决了业务提质增效、内控合规管理等多个维度的挑战，随着人工智能技术的深入发展，生成式AI在投行领域应用的大幕已然拉开，这也将成为未来券商逐鹿的新战场。在具体推进技术落地时，管理者可考虑将人工智能战略与现行的数字化战略相结合，并对人工智能的效益及风险管控达成一致性预期，优选小型场景进行试点、验证效果并计算投资回报率，为后续全面推广生成式人工智能提供决策依据。

无雀数字化-整体数字化解决方案服务商!无雀数字化管理系统一数字化转型一站式工作台!无雀数字化专注于政企数字化转型，提供整体数字化解决方案和咨询服务帮助客户实现组织数字化、管理数字化和业务数字化!

责任编辑： 普华永道 无雀科技转载

原创供稿：普华永道

特别声明：无雀数字化原创文章，未经授权不得转载！