AI 智能体进入投资管理：可验证的边界在哪里

判断一个投资管理环节能不能交给 AI 智能体，只需要两条问题：这个环节是否存在标准答案；结果出错时能否回退到人工复核而不影响流程。两条都满足，收益可以量化，上线后可以判断值不值；两条都不满足，任何演示效果都不构成上线理由。梓川公开披露的四个 AI 场景——财务报表识别、风险指标智能研判、桌面行为管理、项目工时管理——都落在这两条之内，这也是我们把智能体全部嵌入既有流程节点、而不是做成一个对话入口的原因。

有标准答案的环节才允许进入

标准答案的含义很具体：存在一个人工可确认的客观结果，且确认成本低于生成成本。报表识别有标准答案——原始凭证上的数字是唯一事实；风险指标研判有标准答案——阈值与事实是否成立可查证；行为留痕与工时归集同样有答案，因为事件本身已经发生。相反，「这笔投资是否值得投」没有标准答案：它的结论由投决委员会承担，反馈周期以年计，误判与模型输出之间无法建立因果。

环节	是否存在标准答案	出错代价	结论
报表字段提取与指标计算	有，可对照原始凭证	单个字段错误，可重算	适合智能体，须保留凭证链
风险指标触发判断	有，阈值与事实可比对	漏报或误报，人工可复核	适合，作为预警初筛
敏感操作与文档行为留痕	有，事件已客观发生	记录缺失，影响合规举证	适合，重点是存储与权限
投决建议与项目排序	无，结果由人承担	判断被包装成结论，责任模糊	不适合，仅做资料汇总
对外披露文本生成	部分有，但口径需签字	文本先进入流程，口径后被倒推	不适合全自动，可做初稿

每条输出必须带原始凭证与置信度

不可复核的模型输出，在投资管理系统里等同于一个来源不明的手工数字。我们的做法是三条硬性约束：每条识别或判断结果保留原始凭证定位（页码、区域、来源链接）、保留置信度并按阈值决定是否需要人工确认、保留模型版本与规则版本以便将来复算。这三条不是为了「可解释性」的表述，是为了在审计问询时能回答「这个数从哪来、当时为什么没有人工看过」。

置信度的阈值设定权在客户，不在供应商。同一置信度在直投项目财务采集与子基金月报采集上的合理起点不同；把它写成系统默认值，是把工程便利伪装成业务规则。技术侧的加密链路、访问留痕与字段级权限，见安全合规与信创适配。

可关闭性是上线前的验收项

判断设计好坏有一个测试：把某一个智能体停用一周，流程是否还能走完。能，说明它嵌在正确的节点上，做的是压缩取证与核算时间的工作；不能，说明它替代了流程本身，这时系统对模型产生了结构依赖，任何一次模型更新或供应商变动都会变成业务中断。

这也是我们不把 AI 做成对话框形态的原因：对话框的输出没有落库结构，无法与字段、责任人和审批动作绑定，最后只能进人的记忆与聊天记录。落库结构化的字段才能进入验收与考核。相关能力边界与场景实现见AI 智能体与智能风控，报表识别这一最典型场景的工程细节见财务报表识别：难点在科目映射。

管理层可执行的落地清单

带这九条去开 AI 场景评审会：

• 逐个场景写出标准答案是什么、由谁确认、确认一次需要多久。
• 计算人工基线：不用模型时，这个环节每期消耗多少人时；这是收益的唯一对照。
• 要求供应商说明误判的处理路径，不接受「持续优化」这一类答复。
• 确认输出落库形态：字段、表、与业务对象的绑定关系，不接受纯文本结果。
• 确认置信度阈值由本机构设定，且可分区段调整。
• 明确停用测试：任一智能体可关闭而流程不塌陷。
• 明确数据边界：训练与推理是否使用客户数据、是否出内网、是否留存原始文件。
• 要求保留模型与规则版本号，能按历史时点复算当时的判断。
• 把场景按「先取证、后判断」排序，第一年只做前一半。

三类我们建议不要做的 AI 应用

第一类是投决替代与项目自动打分。它把责任从委员会转移到模型，而模型的输出不可归责；同时会让团队优化分数而不是优化事实。第二类是对外披露文件的自动成文。LP 报告与监管报送的文字部分承载口径选择，口径未经签字时生成文本，等于让模型替机构决定表述方式，事后只能倒推。第三类是跨机构数据的「智能对齐」——在没有签字口径表的前提下，用算法把不同来源的同名字段合并。它看起来解决了三级口径分歧，实际是把分歧藏进了相似度分数里，等审计问到「为什么这两家算同一指标」时无人能答。数据对齐的正确顺序是：口径表先签字，映射再落库，模型只做例外提示（口径建设见数据治理与指标体系）。

AI 进入投资管理的边界不由模型能力决定，由可验证性决定。能在凭证、阈值、责任人三个层面回答「怎么证明它对」的环节，可以现在就做；只能回答「演示效果很好」的环节，等它先积累出可复核的历史再谈。