AI-原生投资银行业务：面向发起、估值与执行的控制架构

1. 将 AI 原生投资银行业务定义为一个受控决策系统

投资银行业务是一项基于证据与判断的业务。交易团队从客户、公开文件、市场数据、交易对手、顾问及自身既往工作中收集信息，并将其转化为关于战略、价值、融资能力、风险、流程设计和谈判的观点。工作质量既取决于基础证据，也取决于对证据所施加的专业判断。

人工智能改变了信息处理的速度和规模。它可以检索大型文件集、对文本分类、提取结构化事实、比较条款、生成初稿、识别异常并帮助维护工作流记录。这些能力可以减少机械性工作，并扩大所考虑的信息范围。但若在受控流程之外运行，它们也可能产生缺乏支持的断言、前后不一致的计算、披露失败和保密事件。

因此，设计问题属于架构层面。机构必须决定哪些工作可接受 AI 辅助、哪些信息可进入各工具、哪些产出需要验证、哪些记录必须保留，以及哪些决策仍完全由人工作出。NIST 的 AI 风险管理框架围绕治理、映射、衡量和管理职能来组织 AI 风险活动。[1] 其生成式 AI 概要将这些职能扩展至生成式系统中可能新出现或被放大的风险。[2] 这些职能提供了有用的控制词汇，而交易流程则提供了运营语境。

一个以 AI 为原生的交易系统应保持四项不变量。证据始终可识别。决策权限始终有明确归属。机密信息始终处于获批边界内。经济结论始终可复现。任何一项不变量失效，输出速度都几乎没有专业价值。

运营模式应区分辅助、建议和决策权限。辅助包括检索、提取、格式化和工作流支持。建议包括目标排序、情景解读和建议的尽职调查行动。决策权限包括客户建议、估值签核、利益冲突决策、披露和有约束力的交易承诺。随着工作从辅助转向决策权限，控制负担随之增加。

2. 选择工具前先梳理交易工作流

工具选择应遵循交易流程。若一家公司从通用模型起步，可能会积累彼此割裂的试点，却缺乏可靠的交易记录。工作流图可识别工作成果、来源、决策负责人、交接和审批节点，这些内容必须从项目发起至交割始终保持一致。

流程始于市场与关系情报。潜在客户、资产和交易对手从允许的来源中识别。客户覆盖专业人员评估相关性、关系、时机和潜在需求。在委托推进之前，利益冲突、客户接纳、金融犯罪和业务承接控制均按照公司的法律和监管义务运作。

一旦承接，团队界定战略问题并建立证据库。对财务、商业、运营、法律、技术和市场信息进行整理。估值和融资分析将证据转化为情景。尽职调查检验投资论点与例外事项。流程管理协调联络、保密、投标、审批、文件、融资和交割。

在每个阶段，AI 可协助完成有边界的任务。工作流图应记录输入类别、允许的模型环境、预期输出、问责审核人和记录保留规则。同一任务在不同情境下可能带来不同风险。摘要公开年度报告与摘要包含市场敏感信息的董事会文件草稿有实质不同。

AI 辅助在每个阶段仍受获批数据、证据和人类决策权的约束。

3. 按敏感性和允许用途对信息分类

投资银行业务数据不能被视为一个无差别的语料库。公开备案文件、经许可的市场数据、客户机密信息、个人数据、重大非公开信息和受特权保护的法律材料承载不同的权利和义务。公司应在信息进入 AI 系统之前对其进行分类，并通过访问、路由和技术控制执行该分类。

公开可得并不意味着所有限制都不存在。市场数据许可可能限制存储、转换和再分发。网站条款可能限制自动收集。个人数据可能出现在公开记录中，但仍需以合法、相称的方式处理。客户材料草稿可能将公开事实与机密假设结合，因而继承更高的分类级别。

UAE《个人数据保护法》确立了个人数据处理、安全、保密和跨境传输的联邦框架。[3] 英国信息专员办公室指出，高级管理层仍应对 AI 的数据保护影响负责，并应能够证明已如何落实默认和设计的数据保护。[4] 适用的法律分析取决于所涉及的控制者、处理者、目的、数据主体和司法管辖区。

实用系统采用少量可执行的类别。每个类别规定允许的来源、存储位置、模型环境、检索索引、保留、日志记录和人工审批。在缺少分类时，默认拒绝是恰当做法。用户不应在发送提示词的瞬间凭直觉决定数据是否可用。

表 1. 信息分类与 AI 使用边界

最终政策需要开展当前的法律、合同和监管审查。

4. 围绕分区与政策执行构建数据控制架构

技术架构应阻止未经授权的数据路径，而不是完全依赖培训和提醒。受控设计将源系统、数据摄取、受治理存储、模型服务、输出审查和永久交易记录分隔开。政策决策在每个边界处进行。

源系统可包括公共代码库、授权数据库、客户虚拟数据室、客户关系管理、财务模型、电子邮件和文档管理。连接器应通过获批身份运行，并且仅检索任务所需的记录。内容在进入可搜索索引前，会接受扫描、分类，并标记来源、所有者、日期和权利。

模型层应通过受管网关开放获批模型。网关应用访问规则，阻止不允许的内容，记录模型及版本，设置保留和训练控制，并在允许的情况下捕获提示词和输出。高风险任务可使用私有检索环境或运行于受控边界内的模型。使用前应审查供应商条款、次级处理者及数据位置。

输出进入审核队列，而非直接进入最终客户记录。审核人核查证据、计算、解释、语气和保密性。获批材料连同其支持性台账被纳入交易工作区。被拒材料按政策保留或删除，但应纳入模型与流程监控。

该架构需要紧急破窗程序。若供应商、模型或连接器不可用，团队应能从受控来源记录继续开展关键工作。当交割时间表依赖单一外部服务时，依赖集中度和模型突然变更可能成为交易风险。

策略执行将来源、模型服务、审核与权威交易记录分隔开。

5. 为每项重大主张建立证据台账

流畅的输出可能掩盖薄弱证据。证据台账通过将每项重大主张、提取事实、模型输入和交易结论与可识别的来源及审核记录关联起来，恢复可追溯性。它应作为运作中的控制工具，而不是在建议交付后拼凑的附录。

每条台账记录应载明主张、来源文件、确切位置、来源日期、访问日期、权利、提取方法、转换、模型及版本、提示词或指令、审核人、审核日期和下游用途。财务数字还应记录单位、币种、期间、会计基础和对账情况。条款提取应保留已签署或草稿文件版本及相关章节。

证据台账有助于区分四种状态：有来源的事实、管理层陈述、分析假设和专业结论。这些状态不应混同。管理层预测可以是有效输入，但仍属预测。模型生成的可比公司组可支持调查，但仍须接受人工筛选和可比性审核。

美国证券交易委员会（SEC）的 EDGAR API 无需身份验证即可实时访问提交文件和标准化 XBRL 事实数据。[5] 机器可读来源可改进检索和对账。分析师仍需检验分类标准、期间、单位、申报上下文和公司特定扩展。自动化并不能消除会计解释。

证据质量应与主张重要性分开评分。仅由未注明日期的演示文稿支持的某项重大主张需要升级处理。重要性较低的运营事项可能只需较轻的核查。证据台账使审核投入能够随决策后果配置。

每项重要输出均保留从来源到决策的可追溯链条。

表2. 证据台账最低字段

台账深度应视重要性和监管背景而定。

6. 在项目获取中使用 AI，但不要将相关性变成客户需求

AI 可通过整合公开备案文件、所有权记录、融资事件、高管变动、战略公告、行业数据及关系信息，扩大项目获取覆盖范围。它可识别再融资窗口、组合集中度、资本支出、收购历史或股东变更等模式。这些模式有助于银行家形成相关假设。

信号并不证明公司希望获得建议。客户覆盖专业人员应核实触发因素、了解决策者、考察关系背景，并形成具体的价值假设。基于抓取信息生成的通用信息可能损害信任，并可能引发数据保护、营销或保密问题。

项目获取记录应说明潜在客户为何在范围内、哪些公开证据支持该假设、可使用哪些既往关系以及允许采用何种联系方式。AI 生成的账户摘要应保留引用来源和日期。敏感的 CRM 笔记应保留在经批准的环境中，不得用于训练公共模型。

资格评估应衡量潜在客户价值和契合度，而非生成的外联数量。有用标准包括战略重要性、交易可行性、决策层接触、委托契合度、费用潜力、利益冲突、承接能力和时间安排。人工客户覆盖负责人负责审批账户计划和每一次对外沟通。

系统应从结果中学习。会议、合格机会、已签署委托、已完成交易和已收取费用提供了逐步增强的证据。打开率和生成的联系人数量是较弱的商业指标。因此，价值记分卡应将项目获取活动与经核实的委托流程推进情况联系起来。

7. 在分析深入前管控机会筛选和利益冲突

AI 辅助的筛选模型可按委托契合度、行业相关性、交易规模、关系和时间安排对机会进行排序。该模型应展示其因素和源数据。它不应生成不透明的优先级评分，从而取代客户覆盖判断或利益冲突控制。

利益冲突分析需要权威的内部记录、实体解析和法律解释。AI 可通过识别名称、关联方、基金、董事和既往事项提供协助。假阴性尤其代价高昂，因为遗漏的关系可能泄露机密信息或损害对客户应尽的义务。利益冲突职能保留决策权，并应记录检索范围、模糊匹配及解决情况。

客户准入可能涉及身份、所有权、制裁、金融犯罪、声誉、资金来源和业务承接风险。AI 可整理证据并标记不一致之处。除非特定法律和监管框架允许该决定且公司治理已批准，否则它不应作出最终接纳决定。人工调查人员需要能够访问原始证据以及每项预警的依据。

筛选架构还应防止过早使用机密信息。在利益冲突审批完成前，一个团队可能收到交易摘要，而公司另一部分为关联方提供服务。从第一份文件起，访问权限应遵循事项级权限和信息隔离墙。

只有在所需批准和业务承接授权均已记录后，机会才进入活跃状态。这一关口既保护客户也保护公司，并为后续 AI 活动划定明确的法律和运营边界。

8. 使估值模型可复现并以证据为依据

AI 可帮助收集可比公司数据、梳理业务板块、规范披露数据、识别先例交易并起草情景说明。估值仍是一项专业结论。模型需要明确的价值基础、估值日期、币种、资本结构、会计框架、预测和方法论。

《国际财务报告准则第13号》将公允价值定义为计量日市场参与者之间有序交易中的退出价格，并要求建立计量与披露框架。[6] 交易咨询可采用不同的价值基础和谈判情境。分析师应说明所采用的基础，并避免将生成的数字呈现为会计结论或公允性结论。

可比公司选择应保留纳入和排除理由。AI 系统可能找到表述相似但在收入模式、地域、规模、增长、利润率、资本密集度或风险方面不同的公司。银行家应批准同业组并记录调整。先例交易需要同样谨慎，因为公告的主要交易金额可能遗漏业绩补偿、承继债务、或有对价和不可比的市场条件。

每项提取的财务事实都应能与源申报文件核对一致。期间、单位、币种、持续经营和会计政策可能改变可比性。公式单元格应保持可见且可审计。无法从总账独立重建的生成模型不应支持客户结论。

估值区间应与情景相关联，而不是暗示虚假的精确性。收入、利润率、再投资、折现率、终值假设和资本结构应一起测试。客户应看到哪些变量形成该区间，以及哪些证据可收窄该区间。

9. 控制模型风险、情景和分析不确定性

投资银行分析将传统财务模型与 AI 辅助的提取、分类和叙述相结合。每个组成部分有不同的失效模式。电子表格可能包含公式错误。提取模型可能误读表格。语言模型可能给出看似合理但缺乏支持的结论。控制系统应在适当的层级测试每项风险。

验证始于预期用途。团队应界定模型的预期功能、不得执行的功能、输入总体、绩效指标、重要性阈值和上报升级机制。测试应包括代表性文件、复杂版式、缺失字段、相互冲突的来源、提示词变体和模型更新。

FINRA 2026年监管监督报告将治理、测试、监控、文档记录、提示词和输出日志、模型版本跟踪以及人工复核描述为生成式 AI 使用的相关考虑因素。[7] FINRA 的规则保持技术中立；当公司使用 AI 时，监督、通信、记录保存和公平交易义务继续适用。[7]

情景分析应保留不确定性，而不是将其转化为单一的生成式预测。模型应区分管理层情景、独立基准情景、下行情景和上行情景。相关性和共同原因冲击应明确。假设应注明日期、明确责任人，并与实际结果进行比较。

对模型、检索语料库或提示词的更改可能在没有可见软件发布的情况下改变输出。公司应界定何为重大变更以及何时需要重新验证。对交割至关重要的流程应具有冻结配置或记录在案的版本，以便在事件发生后能够复现分析。

10. 使用 AI 深化尽职调查并保留例外事项的责任归属

尽职调查是一个发现例外事项的过程。AI 可以比较合同、提取义务、分析客户群组、识别财务异常、对技术文件进行分类，并核对数据室索引。它可以扩大覆盖范围，并帮助团队聚焦于重大不一致之处。

尽职调查计划应从交易论点和价值驱动因素开始。每个工作流都定义待验证的主张、所需证据、重要性、负责审核人以及可能的交易应对措施。AI 生成的问题应在提交给管理层之前接受审核。大量通用问题可能耗费时间，却无助于改进决策。

文档提取应保留版本和定位信息。合同条款可能因修订、补充函和订单而有所不同。如果模型只读取基础协议而未读取最新修订，就可能得出错误结论。财务尽职调查要求对管理层报告、总账、发票、现金、税务记录和合同进行核对。

发现事项应录入例外事项登记表，列明责任人、证据、经济影响、拟议应对措施和关闭标准。可能的应对措施包括估值调整、营运资金机制、先决条件、陈述、赔偿、契约、补救计划或退出交易。AI 可以建议类别；顾问批准法律和商业应对措施。

最终的尽职调查记录应同时显示覆盖范围和剩余不确定性。未发现已识别问题，并不证明不存在问题。抽样限制、无法获取的记录、管理层陈述和未解决的矛盾应让决策者持续可见。

11. 保护保密性、市场敏感信息和法律特权

交易工作经常包含未经授权披露可能影响市场、谈判、员工和交易对手的信息。数据泄露可能通过提示词、供应商日志、训练、检索索引、浏览器扩展、复制的文件或配置错误的访问权限发生。因此，控制设计应覆盖完整的数据路径。

美国证券交易委员会（SEC）对《S-P条例》的修订要求受涵盖机构针对未经授权访问或使用客户信息维持事件响应政策和程序，并保留证明合规的记录。[8] 具体适用取决于机构和信息。书面保障措施、事件响应、服务提供商监督和留存证据等原则，适用于任何受控交易环境。

信息屏障应在事项层面运作。用户、服务账户和 AI 连接器获得所需的最低访问权限。除非政策和技术能够在检索时执行权限，否则搜索索引不应将受限事项合并到广泛的语料库中。访问和导出日志应可供审查。

法律特权应单独处理。将法律建议发送到未经授权的服务可能产生法律风险。律师应界定 AI 何时可以处理受特权保护的材料、在何种合同和技术条件下处理以及保留何种记录。团队不应假定企业许可证能在每个司法管辖区解决法律特权问题。

事件程序应界定检测、遏制、评估、通知、证据保存和客户沟通。交易团队需要能够快速联系安全、法律、合规和高级管理层的渠道。在进行中的流程中继续使用受入侵的系统可能加重损害。

12. 将起草协助与客户建议和披露区分开来

AI 可以生成演示文稿、信息备忘录、估值评论、尽职调查摘要、流程函和文档跟踪表的初稿。起草协助可以提高一致性，并让专业人员有更多时间进行分析。审核人仍对向客户或市场参与者发布的每项陈述负责。

起草工作流应从证据台账中提取已批准的事实，并从受控模型中提取已批准的计算结果。生成的文本不应成为新的事实来源。关于市场领导地位、技术、项目储备、可持续性、协同效应或业绩的主张需要有合理依据和客户确认。

美国证券交易委员会（SEC）警告称，关于 AI 使用的误导性陈述可能违反证券法，公开主张应有合理依据，并披露公司特定风险，而不是使用通用措辞。[9] 同样的纪律适用于交易材料。与 AI 相关的价值主张应说明该技术的作用、部署地点、支持证据、依赖关系和局限性。

文档审阅应包括事实准确性、数字一致性、法律与监管内容、保密性、权限、受众和版本。跨文档核查可以识别财务模型、董事会材料和营销材料之间的差异。最终签署人在完成必要的专业审查后批准该文档。

草稿溯源应保持适度。永久记录需要保留重要来源、修改过程、审阅人和已批准版本。对于政策未要求的每一次临时措辞尝试，无需予以保留。保留方案应与法务、合规和记录管理部门商定。

13. 通过单一受控交易记录协调执行

执行涉及多方、文件、截止日期、条件和决策。AI 可以维护行动清单、比较版本、提取义务、总结会议并标记依赖关系。其价值在于将这些任务整合到一份权威记录中。

交易记录应标明工作流、事项、负责人、截止日期、状态、证据、阻碍事项、决策和依赖关系。在参与方或责任负责人确认之前，会议纪要仅作为拟议更新。未经批准，电子邮件和文档连接器不应自动更改交割状态。

版本控制至关重要。某项条款可能在投标函、承诺文件、出售协议和披露附表之间发生变化。系统应识别控制性文件和生效版本。条款比较可以为律师和银行家提供支持，但法律解释仍应由具备资质的顾问负责。

交易融资需要使资金来源与用途、资金流、先决条件、批准和现金时点相互核对一致。由 AI 生成的清单可能会遗漏定制条件。交割负责人应依据已签署文件和顾问确认来批准最终清单。

交割后，交易记录应按照政策保留决策、已签署文件、批准和重要证据。整洁的归档有助于客户服务、审计、争议处理、监管审查和经验总结。在保密和权利允许再利用的情况下，它还为未来的先例分析提供受治理的基础。

14. 围绕后果严重程度和可逆性设计人工审批关口

当指定人员拥有信息、能力、权限和时间来质疑输出结果时，人工监督才有意义。要求审查所有内容的笼统规定可能会流于形式。审批关口应取决于错误的后果和行动的可逆性。

低后果工作可采用抽样和标准检查。用于内部了解情况的公开来源摘要可能需要来源确认。中等后果工作，例如可比公司集草稿，需要分析性审查和核对。高后果工作，例如估值建议、客户披露、利益冲突审查、谈判授权和具有约束力的承诺，需要由可问责的高级管理人员批准，并在相关情况下进行专业审查。

审批关口应列明准入证据、检验、审批人、决策和记录。审阅人应能够拒绝、修改或升级上报。时间压力不能取消审批关口；而应触发有文件记录的例外流程，并明确权限和事后审查。

ESMA 指出，当投资公司使用 AI 时，管理机构仍应对决策负责，并强调客户利益、数据质量、透明度和治理。[10] 其背景是零售投资服务，但问责原则对更广泛的专业治理同样有用。欧盟 AI 法案还为 AI 系统建立了基于风险的法律框架，并规定了取决于角色和使用方式的要求。[11]

审批强度随经济影响、保密性和不可逆性上升。

表3. 人工审批关卡设计

角色与阈值须符合公司已批准的治理要求。

15. 将监管义务转化为运营控制

AI 治理应与已经规范该活动的法律和规则相衔接。若单独的 AI 政策未映射到监管、记录保存、行为、数据保护、市场滥用、外包和网络安全，则可能产生缺口。

FINRA 规则 3110 要求会员公司维持合理设计以确保合规的监督系统，包括对投资银行和证券业务的审查。[12] FINRA 规则 4511 涉及账簿和记录。[13] 适用公司应确定提示词、输出、审批和沟通如何符合其具体义务。其他司法辖区和业务模式有不同的规则。

FCA 将其方法描述为基于原则并聚焦结果，依赖包括消费者义务、问责和治理在内的现有框架。[14] IOSCO 关于资本市场中 AI 的咨询识别了市场参与者中的用例、风险和政策问题。[15] BIS 和金融稳定委员会强调了金融 AI 中的模型风险、数据质量、不透明性、第三方集中度、网络风险和人工监督。[16][17]

义务登记册应将每个用例映射到受监管活动、客户类型、司法辖区、数据类别、记录、控制责任人和审查周期。当工具从内部辅助转变为面向客户的建议或自动化决策时，法律地位可能发生变化。审批流程应识别这种变化。

监管映射应保持最新。架构可以在具体规则、指南和模型能力演变时保留稳定的控制职能。对于快速变化的服务，年度政策审查可能不足；重大模型、供应商、法律和用例变化应触发临时评估。

16. 管理供应商、模型和基础设施依赖

AI 原生投资银行可能依赖模型提供商、云平台、市场数据供应商、文档系统和集成服务。集中度可能在交易之间造成相关性故障。公司应了解哪些关键工作依赖每个提供商，以及在中断期间如何继续。

供应商尽职调查应涵盖安全、隐私、数据使用、保留、子处理者、地点、访问权限、模型更新、知识产权、服务水平、事件通知、审计权和退出。技术测试应在实践中确认合同设定。关于客户数据不会用于训练模型的承诺，需要配置与监控控制。

模型可移植性很重要。提示词和工作流可能与某一提供商的行为紧密耦合。公司应保留测试用例和输出标准，以便评估另一个经批准的模型。关键计算应保留在确定性模型或可独立复现的代码中，而不是置于不透明的生成过程内。

NIST 的生成式 AI 概况识别了虚构、数据隐私、信息安全、知识产权、有害偏见和价值链整合等风险。[2] ISO/IEC 42001 规定了 AI 管理体系的要求，并强调风险、机会、可追溯性和持续改进。[18] 这些框架可以支持供应商和企业控制，但不应取代交易特定判断。

业务连续性计划应定义人工替代方案、数据导出、关键证据的冻结副本、替代沟通和决策权限。进行中的交易不能等待供应商争议来澄清访问权。

17. 在审查、返工和控制成本之后衡量价值

AI 生产力应在已完成工作成果层面衡量。更快的初稿可能将工作转移到审查、更正、来源核查和整合中。因此，价值记分卡应包括周期时间、质量、返工、控制投入、供应商成本、用户采用率和交易结果。

基线应使用实施前的可比任务。节省的时间应扣除提示词准备、工具操作、检查和补救。质量指标可包括事实性异常、数值差异、遗漏义务、审阅人修改和客户更正。高严重性错误应比轻微格式变更赋予更高权重。

记分卡应区分能力创造与成本降低。团队可以利用节省的时间检查更多来源、加强客户沟通或加速流程。这些收益应通过已完成的工作和客户成果来证明。人员编制假设不应仅基于工具演示。

财务收益可建模为释放的生产性工时、避免的外部成本、减少的错误损失、更快的委托转化或额外的收费能力。每项主张都需要指定负责人和衡量周期。已收取费用比项目储备估算提供更有力的证据。即使某个用例在经济上看似有吸引力，客户保密与行为规范仍是约束条件。

下方示例记分卡使用假设性指标。实际运营的公司应通过受控试点和真实交易证据设定基线、阈值和权重。

假设性指标表明，为何评估速度时应结合质量、控制和商业证据。

18. 通过范围受限的用例和十二个月管控路线图实施

实施应始于有用、可衡量且可逆的工作。在公司允许机密起草或交易建议之前，公开来源研究、内部知识检索、文档分类和受控提取可以提供学习机会。

第一阶段建立治理、数据类别、经批准的供应商、访问权限、日志记录、事件响应和用例清单。公司选取少量试点，并设定明确的基线和负责人。每个试点都有一套证据、测试用例、验收阈值和人工审批路径。

第二阶段将成功试点与受控源系统和证据台账集成。团队测试权限、检索准确性、版本管理、记录保留和连续性。用户根据实际工作流程接受角色专属培训，而非通用意识培训。

第三阶段仅在先前管控措施实际运行后，才扩展到估值、尽职调查和执行。独立鉴证测试架构、记录和权限。高级管理层审查价值、事件、剩余风险以及每个用例应继续、调整还是停止。

表4. 示例十二个月实施路线图

时机取决于机构规模、监管、架构和风险偏好。

19. 利用审计、事件和例外情况改进系统

控制措施应生成其有效运行的证据。审计可以测试数据分类是否得到应用、权限是否与事项匹配、来源是否保持可追溯、模型是否获得批准、审核人员是否已明确，以及最终记录是否包含所需批准。抽样应涵盖正常工作和高风险例外。

监控应检测模型输出、检索质量、错误严重程度、用户行为、数据流动和供应商配置的变化。接受率上升可能意味着质量提高，也可能意味着审核人员的质疑减少。监控应将定量信号与对已完成工作成果的复核结合起来。

事件和险兆事件是学习输入。记录应涵盖事件、受影响的数据和事项、检测、遏制、原因、后果、通知、补救和控制变更。个人应能够报告顾虑，且不应存在鼓励隐瞒生产力下降的激励。

例外委员会或同等机构可以审查对政策的紧急偏离。它应记录原因、范围、补偿性控制、到期日期和问责负责人。永久性变通方案不应通过反复的临时例外而不断累积。

表5. 控制测试与响应矩阵

测试频率和升级处理应遵循重要性及适用义务。

20. 在提升交易承接能力的同时保留专业判断

只有当机构能够解释某项产出如何生成、有哪些证据支持、由谁审核以及由谁授权据此采取行动时，AI 原生投资银行业务才具备可信度。系统应让专业工作更具可复现性，同时不得将专业判断视为模型输出。

本文中的五类记录构成一套运营架构。工作流图界定交易流程与交接环节。数据控制架构限制信息流动和模型访问。证据台账保留来源出处及其转换过程。人工审批关卡在重大决策上保留问责。价值记分卡检验工作流在投入审核与控制工作后是否能创造可衡量的收益。

该架构可支持跨司法辖区和交易类型的项目获取、估值、尽职调查与执行。其控制措施与工作相称。公开来源检索可以快速推进。保密的估值建议和交易授权则需要更深入的证据、专家审核和高级管理层批准。

机构应从边界明确的使用场景入手，以真实工作检验这些场景，保留例外证据，并仅在控制措施实际运行后再扩大规模。应衡量已完成的产出和客户成果，而非生成量。供应商能力将持续变化，而保密性、可追溯性、问责、可复现性和客户利益这些控制目标将长期不变。

治理良好的系统可以让交易团队审查更多证据、更早识别例外、保持更清晰的交易记录，并将更多专业时间用于判断、谈判和客户决策。只有当这些改进在已完成委托和已归集成果中得到验证时，经济价值才会产生。

参考文献

1. 美国国家标准与技术研究院，“人工智能风险管理框架（AI RMF 1.0）”，2023年1月。 https://www.nist.gov/itl/ai-risk-management-framework
2. 美国国家标准与技术研究院，“人工智能风险管理框架：生成式人工智能概况”，NIST AI 600-1，2024年7月。 https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
3. 阿拉伯联合酋长国政府，《2021年第45号关于个人数据保护的联邦法令》。 https://www.uaelegislation.gov.ae/en/legislations/1972/download
4. 英国信息专员办公室，《AI 的问责与治理影响是什么？》 https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/what-are-the-accountability-and-governance-implications-of-ai/
5. 美国证券交易委员会，《EDGAR 应用程序编程接口》。 https://www.sec.gov/search-filings/edgar-application-programming-interfaces
6. 国际财务报告准则基金会，《国际财务报告准则第13号——公允价值计量》。 https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
7. 美国金融业监管局，《生成式人工智能：持续与新兴趋势》，2026年度监管监督报告。 https://www.finra.org/rules-guidance/guidance/reports/2026-finra-annual-regulatory-oversight-report/gen-ai
8. 美国证券交易委员会，《S-P条例：消费者金融信息隐私与客户信息保护》，2024年5月。 https://www.sec.gov/rules-regulations/2024/06/s7-05-23
9. 美国证券交易委员会，主席加里·根斯勒关于 AI 洗白的讲话，2024年3月18日。 https://www.sec.gov/newsroom/speeches-statements/sec-chair-gary-gensler-ai-washing
10. 欧洲证券和市场管理局，《关于在提供零售投资服务中使用人工智能的公开声明》，2024年5月30日。 https://www.esma.europa.eu/document/public-statement-ai-and-investment-services
11. 欧盟，《欧盟2024/1689号条例：制定人工智能统一规则》，2024年6月13日。 https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32024R1689
12. 美国金融业监管局，《第3110号规则：监督》。 https://www.finra.org/rules-guidance/rulebooks/finra-rules/3110
13. 美国金融业监管局，《第4511条规则：一般要求》。 https://www.finra.org/rules-guidance/rulebooks/finra-rules/4511
14. 英国金融行为监管局，《AI 与 FCA：我们的方法》，2026年2月13日更新。 https://www.fca.org.uk/firms/innovation/ai-approach
15. 国际证监会组织，《人工智能在资本市场中的应用：用例、风险与挑战》，CR/01/2025。 https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf
16. 国际清算银行，《智能金融体系：AI 如何变革金融》，第1194号工作论文，2024年6月13日。 https://www.bis.org/publ/work1194.htm
17. 国际清算银行，《人工智能对金融稳定的影响：执行摘要》，2025年6月26日。 https://www.bis.org/publications/fsi-summary-financial-stability-implications-artificial-intelligence-executive-summary
18. 国际标准化组织，《ISO/IEC 42001:2023 AI 管理体系》。 https://www.iso.org/standard/42001
19. 迪拜金融服务管理局，《UAE 监管机构联合发布〈采用赋能技术的金融机构指南〉》，2021年11月15日。 https://www.dfsa.ae/news/uae-regulatory-authorities-jointly-issue-guidelines-financial-institutions-adopting-enabling-technologies
20. 美国司法部与联邦贸易委员会，《2023年并购指南》，2023年12月18日。 https://www.justice.gov/atr/2023-merger-guidelines