AI 时代的投研工作流：人做什么，机器做什么

AI 工具这两年大量进入投研场景，有人把它当神器，有人嗤之以鼻。更务实的做法是划清边界：哪些环节机器确实更快更好，哪些环节它帮不上忙。

机器擅长的第一件事是"铺开"。一份几万字的年报、几十页的招股书、十几份同行纪要，人工读完要一天，模型几分钟就能给出结构化摘要。它同样擅长对比：把五家公司同一指标五年数据做成表格、把管理层历年的承诺和实际结果对照起来——这类机械但耗时的比对，正是机器效率最高、也最不容易遗漏的地方。

机器擅长的第二件事是"提醒"。给它设定监控任务：某个公司的公告更新、某个行业的月度数据、某个原材料的价格变化。这类信息的价值在于及时而非深度，机器做监控比人可靠得多。

机器不太靠谱的地方也很明显。第一是数字幻觉：它可能给出看似合理的财务数据或事件描述，但根本不存在。所以凡涉及具体数字吸引力的结论，一律要回到原始公告核对。第二是因果推断：模型擅长语言上的通顺，不擅长判断"A 是不是真的导致了 B"。第三是定价——它需要你输入假设，假设的质量完全取决于人。

于是分工就清楚了。机器负责：搜集、摘要、结构化、对比、监控、初稿。人负责：提出正确的问题、判断信息的可信度、形成因果假设、设定情景与折现率、做出买卖决定、并且在事情不如预期时承担后果。

落地到具体流程，可以这么做：用模型在半小时内把一家公司"扫"一遍——业务结构、近五年关键财务、主要风险点、同行对照；然后你自己去买研究报告、看原始公告、做产业链验证，补齐机器给不了的那部分；最后用情景估值和卖出条件把结论固化下来。原本两天的工作，可能压缩到半天，但关键的判断环节不该被跳过。

值得提醒的是，工具带来的效率提升对所有人都一样。真正的差异仍然来自：你是否提出了更好的问题、是否拥有别人没有的一手信息、以及能否在不确定的时候守住纪律。AI 会让研究的速度变快，但不会替你承担判断错误的代价。