未来已来——AI赋能消费投研系列研究一

【数字科技研究专题】 未来已来——AI赋能消费投研系列研究一 前言：本报告作为AI系列研究开篇，基于近期投研人员的真实需求，系统呈现AI赋能投研行业的现状、阻碍与发展方向，后续我们将结合更多AI赋能消费投研案例进行系列研究。 华创证券研究所 证券分析师：欧阳予邮箱：ouyangyu@hcyjs.com执业编号：S0360520070001 AI正深刻改变传统投研范式，而当下也存在三重阻碍。每一轮路径切换都会让既有经验失效，AI正在深刻改变传统投研方式。当下AI已能胜任信息搜集与日常事务，使基础研究更加高效，公开信息更加平权，但当下AI工具始终无法接管核心投研流程，反而需要使用者反向纠错，存在精力分配与先进工具探索相互挤占。更具体而言，AI投研落地中直观表现出三重阻碍：1）真实需求与清晰表达之间存在鸿沟；2）技术能力与产品化之间尚未打通，即懂技术的不懂行研，而资深研究员不懂AI工具；3）合规、信息安全和效率平衡。 联系人：施博阳邮箱：shiboyang@hcyjs.com 为了解决这三重阻碍，并使得AI能更好服务投研，本报告从投资、技术及产品三个视角展示我们在AI投研方向所做的工作，实现投资需求驱动，技术策略解题，最终产品落地的全流程。 投资视角来看，AI投研的远期目标是通过特定框架下AI自动化运行返回可靠且有效的投资建议。基于这一目标，AI投研可以分为三个大环节：信息、处理、输出。市面上产品主要集中在信息搜集和基础处理两个部分，这是受到了幻觉和黑盒等问题制约。为了确保自动化的流程更能够实际运行，AI投研必须确保全流程准确、可复现且有实际投研意义。 通过技术方案，我们相比市面上常见工具，在数据准确度、AI推理黑盒与深度研究问题方面取得了一定改进。数据方面，通过预提取数据，使得无论是在招股书整理，还是公告研报批量处理等任务，都能够确保数据的准确，避免了AI幻觉。推理流程方面，我们通过多Agent合作+蜜罐测试，确保AI推理流程实际发生，而不是给用户扮演“过家家”的游戏。深度研究方面，我们的AI研究员复刻了真人研究员的研究流程，实现更细颗粒度的分析与建模，使得AI投研真正产生价值。 在产品落地上，我们在常见的Skill和AI小工具之上，设计了AI研究员、“活”知识库以及最新的Harness架构，从而解决更复杂的投研问题，向AI投研的最终目标迈进。AI研究员是上述技术方案的成果之一，且除了学习复刻人类研究员的深度研究流程外，该AI研究员可以自我学习迭代，加速了其对于投研的理解。“活”知识库则是通过多层复合知识库的架构，让不同技术路径的知识库和数据库可以互补，实现部门级别及以上的非结构化信息管理，且该知识库的顶层Agent可以自主或根据用户提问主动改进知识库架构。最终，为了加速AI投研远期目标的实现，我们还建设了自己的AI Harness，通过参考现实组织的运作机制，使得AI能够在用户不频繁介入的情况下持续工作、深化细节并实现目标。 AI真正的价值：赋能放大研究员与基金经理的元认知，而非替代其判断。许多人也在焦虑AI对传统以服务和信息中介为主的二级研究人员的替代风险。本系列报告本身就是这一立意的产物。因此我们不仅做“AI能做什么”的探讨，而更聚焦探究“AI赋能投研未来应该怎么样”。只有从根源出发，才能真正的让我们了解AI对于整个行业的影响，以及我们如何利用这次变革提升个人的能力。 风险提示：AI底层模型能力提升会使得Harness/架构类的工程设计显得冗余；技术和应用进步可能会让报告中的产品过时；AI投研流程发展所需资源与迭代周期不确定；AI投研的方法论研究可能产生反身性，导致市场风格变化或提升市场总体AI使用效率，从而降低边际价值；产品可能有Bug或未被预料的设计缺陷，进而影响实际效果。 投资主题 报告亮点 本报告基于投研人员的真实需求，系统呈现AI投研行业的现状与阻碍。底层观点是：AI时代本质上是元认知的放大——AI放大的是个体信息处理能力，但前提是人能把自己的认知外化，“知道自己怎么想的”成为这个时代最稀缺的能力。基于这个观点，我们认为AI投研的未来是呈现有价值的投资结论。为了在远期实现这一目标，报告首次对AI投研工具进行分层梳理，揭示从“能跑”到“能信”之间的鸿沟，目前行业内的讨论更多是在于AI在技术上的使用教程或是具体工具。 行业普遍有三个影响AI在分析师和投资经理间普及与使用的主要阻碍：1）真实需求与清晰表达之间存在鸿沟；2）技术能力与产品化之间尚未打通，即懂技术的不懂行研，而资深研究员不懂AI工具；3）合规和信息安全。 为了解决这三重阻碍，并使得AI能更好服务投研，本报告从投资、技术及产品三个视角展示我们在AI投研方向所做的工作： 投资视角来看，AI投研的远期目标是通过特定框架下AI自动化运行返回可靠且有效的投资建议。 技术视角上，我们相比市面上常见工具，在数据准确度、AI推理黑盒与深度研究问题上取得了一些改进。 在产品视角上，我们设计了AI研究员、“活”知识库以及最新的Harness架构进行落地，把技术落地为产品，从而解决更复杂的投研问题。 投资逻辑 我们认为AI投研的远期目标是实现人工设计的特定框架下AI自动化运行返回可靠且有效的投资建议。原因在于任何投研工具都必须服务于投资，这也是二级市场的利润链源头，对投资产生正收益就是投研方法的最大价值，AI投研作为新兴产物，虽然短期内可能无法做到这一点，但这是远期行业的诉求。 目录 一、行业现状：AI使用深度不一，三大阻碍制约AI投研应用.................................5 （一）AI投研使用现状....................................................................................................51、AI使用情况因人而异，技术力较高更容易担心AI替代研究员........................52、人的精力/带宽是AI使用的重要制约因素............................................................53、主动和量化投资经理正试图朝对方靠拢...............................................................6（二）行业存在的普遍阻碍.............................................................................................61、潜在需求与清晰表达之间障碍...............................................................................62、技术和产品化之间的障碍.......................................................................................73、合规、信息安全与效率之间的平衡.......................................................................9 二、投资视角：AI投研的目标是产出有价值的投资结论..........................................10 （一）现有投研AI工具的分类.....................................................................................10（二）信息->处理->输出三环拆解投研流程................................................................11 三、技术视角：如何解决数据准确性、推理黑盒和深度研究问题...........................13 （一）投研痛点一：数据可靠性...................................................................................13（二）投研痛点二：黑盒问题.......................................................................................141、黑盒的三层表现.....................................................................................................142、为什么AI直接给出的投资结论会如此不可靠...................................................153、解决方案：多Agent交叉验证+蜜罐检测...........................................................17（三）投研痛点三：深度研究能力...............................................................................18 四、产品视角：技术服务于投研的落地.......................................................................20 （一）解决单纯Skill无法解决的更复杂问题..............................................................20（二）AI研究员..............................................................................................................201、设计目的：解决深度研究问题并输出投资结论.................................................202、可调优性：设计AI Agent时的重点关注.............................................................213、使用AI的二阶导：AI的自我迭代......................................................................22（三）“活”知识库............................................................................................................231、设计目的：储存非结构化信息并解决黑盒问题.................................................232、多层次知识库架构.................................................................................................253、什么是“活”的知识库？..........................................................................................264、真正的使用场景是A2A作为AI投研全流程的一环.........................................27（四）投研专用Harn