未来已来——AI赋能消费投研系列研究一

一、行业现状：AI使用深度不一，三大阻碍制约AI投研应用

• 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。 投研人员的AI使用深度存在差异，学习方式和进度不同，对AI提效的需求也不同。对AI使用越深入，越容易担心AI对研究员的替代。
• 人的精力/带宽是AI使用的重要制约因素。 使用AI需要时间和精力进行尝试和迭代，但很多人没有足够的时间。
• 主动和量化投资经理正试图朝对方靠拢。 主动型基金经理希望加入量化策略，量化基金经理则希望了解基本面信息，但两者在技术条件下难以真正合拢。
• 行业存在的普遍阻碍：
  • 潜在需求与清晰表达之间障碍： 投研人员难以清晰表达自身需求，导致IT部门难以落地需求。
  • 技术和产品化之间的障碍： 市面上缺乏能直接承接投研需求的成品工具，技术先进但难以产品化。
  • 合规、信息安全与效率之间的平衡： AI的幻觉问题和不确定性导致合规风险，信息安全问题也日益凸显，需要在合规、信息安全与效率之间寻求平衡。

二、投资视角：AI投研的目标是产出有价值的投资结论

• 现有投研AI工具的分类： 从技术复杂度角度，可分为对话框式、智能体模式和AI框架模式；从产品形态角度，可分为IDE、垂直目标工具和集成工具平台。
• 信息->处理->输出三环拆解投研流程： 投研流程可分为信息、处理和输出三个环节，AI投研的远期目标是产出可靠且有效的投资结论，需要避免任何一个环节的短板。

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

• 投研痛点一：数据可靠性： 通过预提取数据，确保定量数据和主要关系的准确性，避免AI幻觉问题。
• 投研痛点二：黑盒问题： 通过多Agent合作交叉验证和蜜罐测试，确保AI推理流程真实发生，避免黑盒问题。
• 投研痛点三：深度研究能力： AI研究员复刻真人研究员的深度研究流程，实现更细颗粒度的分析与建模，解决深度研究问题。

四、产品视角：技术服务于投研的落地

• AI研究员： 复刻研究员的深度研究工作流程，实现对于同一研究目标颗粒度更细的研究，并可自我学习迭代。
• “活”知识库： 储存非结构化信息，解决黑盒问题，通过多层次复合知识库的架构，实现部门级别及以上的非结构化信息管理。
• 投研专用Harness+Agent框架： 参考现实组织架构的特点，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。

五、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

• AI的价值在于赋能放大研究员与基金经理的元认知，而非替代其判断。

六、风险提示

• AI底层模型能力提升、技术和应用进步、AI投研流程发展所需资源与迭代周期、AI投研的方法论研究、产品Bug或设计缺陷等。