中金 | AI时代的投研：组织与个体价值如何重塑？

AI 时代正发生的投研范式之变？1）信息爆炸加速传播，信息差收益收敛，差异化信息与认知差成为壁垒，“信息去中心化、信任再中心化”趋势明显；2）AI 提效同时抬升工作基准线，竞争加剧；3）金融资讯服务商推出 AI 工具，核心仍为人机协同。

未来"AI+ 投研”带来的变局？1）信息价值重估：标准化信息价值稀释，私域及差异化信息溢价提升，需关注共识形成路径与非共识机会；2）投研工作流重塑：改变操作习惯与协作机制，用户入口迁移及商业模式有望变革；3）行业格局演进：头部机构强者恒强，中小机构及优秀个人寻求差异化发展。

变局下如何拥抱机遇与挑战？1）个人：掌握差异化信息优势，构筑认知优势；2）机构：打造平台化、工业化、数智化体系，沉淀集体智慧；3）服务商：以 AI 原生思维切入，占据工作入口，打造基础设施。

数据溯源及准确性挑战加大、知识产权保护难度进一步提升。

随着市场环境和信息技术演进，投研机构面临能力挑战。我们重点讨论三个问题：传统信息优势是否持续、投研效率能否满足升级需求、以及工具与人的能力边界如何划分。

投研信息端深刻变化，超额收益获取难度提升。数字化和全球化背景下，投研信息呈现三重变化：总量扩容但价值稀释、传播提速导致时效窗口收窄、传导路径复杂化。这压缩了“信息差”带来的超额收益。针对此悖论，我们厘清三个问题：

► “信息差”带来的超额收益是否会完全收敛？我们认为不完全如此。虽然公开信息差距缩小，但另类数据、深度调研等差异化信息仍存在获取门槛。此外，信息过载可能加剧信息茧房效应，增加决策难度。

► 超额收益如果不来自“信息差”，那么来自哪里？我们认为来自“认知差”。当信息获取和处理被工具“平权”，信息解读环节的重要性提升。基于同一信息，更准确、前瞻、非共识的判断将成为超额收益来源。

► 超额从“信息差”走向“认知差”会带来什么？我们认为是信任再中心化。在信息富足带来注意力匮乏的背景下，具备可信度、深度、前瞻的研究具有稀缺性。市场注意力和信任将向具备“认知差”优势的头部机构和人员集中。

投研在产能提高与需求提升形成动态循环。摩尔定律揭示算力增长，安迪 - 比尔定律指出软件需求消耗性能。这对定律同样适用于投研：一方面，人员扩张和 AI 工具提升投研产能；另一方面，配置需求多元化和信息变化提高了质量要求。投研供给似乎始终存在缺口：

► 摩尔定律：投研的性能和供给持续提高。卖方分析师队伍扩张，买方从业人员增长，第三方咨询及自媒体快速发展。AI 工具迭代提升人效，服务载体延伸至策略会、调研等多种形式，整体供给不断提升。

► 安迪 - 比尔定律：投研质量要求同步提升。多资产、跨区域配置需求提升，要求覆盖更广、辨析更复杂。产能扩容和工具迭代倒逼机构精进质量。投研效能提升很快会被不断提高的要求追平，需在动态循环中持续提升性能。

传统投研大多属于人力驱动模式，产出质量依赖于人力资源。传统工作环节多需人工研判，成果依赖个体水平，难以维持稳定高质量输出。

工具迭代正推动投研走向人机协同新模式。人力与工具形成互补，工具辅助高效信息获取处理，人聚焦逻辑推理与决策。

► 投研工具解决了什么问题？1）针对信息扩容与复杂化，数据终端和会议平台提供插件、自然语言取数和 AI 智能体，赋能便捷获取分析大规模信息；2）针对工作量提升，生成式 AI 替代重复性工作，AI 智能体承担信息抓取整理、辅助学习等任务，机构可将技能封装为标准化组件开放共享。

► 投研工具的能力边界可能在哪里？1）基于深度研究的前瞻判断：AI 在解读隐性逻辑与深层信号方面仍有局限，且存在幻觉风险，校验与决策仍需人员参与；2）资源整合和关系维护：涉及人际沟通及信任建立的工作依赖深度互动，短期内不会被替代。

随着 AI 能力提升，其正从单点工具演进为嵌入全工作流的基础设施。我们主要讨论三个变化：信息价值重定义、工作方式重构、以及行业格局演进。

AI 正深刻影响市场信息流转全链条。AI 打通基本面与量化投研范式，加速从信息披露到交易执行的传导链路，改变信息价值和价格发现机制：

► 投研信息价值或迎来重估。1）标准化公开信息价值或有所稀释，但高质量数据仍具价值。AI 降低加工门槛增加标准化供给，但合规可追溯、实时更新的高质量数据短期难被替代；2）私域及另类信息溢价或进一步提升。一手调研、专家访谈等独家信息获取壁垒难被 AI 突破，稀缺性价值提升。

► 市场定价效率或呈现双向分化。1）AI 可能优化定价效率，辅助修正情绪化决策和人为偏差；2）AI 也可能提高系统性风险。若参与者依赖同源数据和模型，可能导致策略趋同和交易拥挤，放大波动及流动性风险，甚至出现合谋现象。

投研行业正逐步将 AI 工具嵌入工作环节，投研工作流或将被重塑。AI 正从赋能单点任务发展至支持复杂任务协同，未来或在四个方面重塑工作流：

► 工作环节：AI 从执行重复性工作向辅助深度思考延伸。AI 承担会议纪要、检索等标准化工作后，人员可聚焦深度研究。大模型和智能体技术使 AI 能参与分析、逻辑校验，自主拆解复杂任务，辅助深度工作。

► 工作平台：从碎片化工具切换走向一体化研究工作台。数据查询、模型测算、报告撰写等多环节逐渐整合到一个界面，减少系统切换带来的损耗，保持思考连续性。

► 执行模式：从线性串行转向多任务并行处理。AI 可根据任务依赖关系自动拆解调度，并行执行财务模型更新、图表生成等子任务，缩短周期，让人聚焦决策。

► 工作流触发：从人工主动启动转向事件自动触发。AI 可持续监控政策、公告等事件，满足条件时自动触发研究工作流，提升响应效率。

投研工作流重塑或推动投研产业链用户入口迁移。交互入口可能由直接使用数据终端转向通过 AI 调用数据，自然语言交互成为主流，一体化工作台成为重要界面。

用户入口迁移或进一步驱动服务和商业模式变革。服务商服务形态可能由终端模式转向 AI 调用模式，商业模式由订阅制向按调用量收费延伸。卖方机构服务模式由交付内容向交付研究能力延伸，将框架封装为 AI 可调用的 Skills。

AI 在投研领域的应用或将推动行业格局演进。AI 工具更有可能基于原有能力放大差异，加速行业分层：个体层面拉大产出差距；行业层面头部机构强者恒强，中小机构寻求差异化。

头部机构凭借乘法效应与规模效应，有望巩固领先地位。头部机构积累的品牌、人才、数据资产与 AI 深度融合，产生乘数效应。AI 将个人能力沉淀为可复用知识资产，实现跨部门共享和传承。头部机构凭借资源优势率先落地应用，吸引资源集聚，拉大与中小机构差距。

AI 在提升头部机构投研能力上限的同时，也降低了基础投研的准入门槛，中小投研主体或有差异化发展空间。细分领域个人 IP、中小型机构可借助 AI 工具箱补齐基础能力、提升效率、拓宽覆盖范围，聚焦产业认知和特色研究，以差异化定位错位竞争。

在行业变化中，从业者、机构和服务商需重新思考定位，发挥 AI 所长，聚焦 AI 所不能，提升不可替代的技能优势。

AI 将重新定义优秀投研人才的能力边界。投研人员需构建在信息获取、客户服务和投资认知等方面的差异化优势，成为“超级个体”：

► 发展信息优势，持续获取和提供高价值的信息来源。产业链调研、专家访谈等私域信息和深度认识仍需长期积累。能持续获取高质量信息并结合框架输出的研究员将形成难以复制的优势。

► 升级客户服务，提供更高效率、更高价值的投研服务。借助 AI 提升标准化服务效率，将精力投入深度交流、产业调研等高价值工作，提升服务质量。

► 构筑认知壁垒，持续输出具有前瞻性的深度判断。AI 难以替代独立认知和前瞻判断能力。人员需借助 AI 放大认知，结合经验形成“非共识”观点，创造超越共识的研究价值。

机构将 AI 能力深度融入投研体系，更有望形成长期竞争优势。这不仅需要 AI 赋能全流程，还需应用于组织协同和人才培养：

► 推进投研协同模式工业化升级。在人机协同上，研究员配备多个 AI Agent 完成标准化工作；在人与人协同上，AI 将成果标准化表达，降低沟通成本，促进成果流转复用，推动平台化、工业化生产。

► 推进平台化能力体系建设。头部机构借助 AI 重构人才培养体系，将优秀研究员的框架和经验沉淀为可复用的组织资产（如 Skills 共享），缩短培养周期，实现组织能力长期积累。

服务商需要顺应 AI 投研发展趋势，持续提升产品能力和生态适配能力。竞争重点转向全工作流整合与协同升级：

► 筑牢数据能力护城河，提升数据质量与结果可信度。提供高质量公域及稀缺原生数据。数据合规性与可信度是应用前提，具备完善引用、溯源机制的数据更易获得信任。

► 融入 AI 时代投研工作流，提升数据与工具的 AI 生态适配能力。未来 AI 工具或是重要用户入口，服务商有两个路径：1）构建生态：整合大模型、数据商和用户，构建开放协同产品生态；2）融入生态：开放数据接口，将功能封装为可供 AI 调用的 Skills，嵌入机构工作流。

数据溯源及准确性挑战加大。大模型黑箱特性可能导致推理逻辑难以追溯，加大验证难度；模型幻觉或漂移可能导致输出内容虚构或偏差，干扰投资决策。

知识产权保护难度进一步提升。AI 训练数据的版权归属和授权范围可能存在争议；AI 生成内容的权属界定及使用规则尚待明确，提升保护难度。

[1]Simon H A. Designing Organizations for an Information-Rich World[C]//Greenberger M. Computers, Communication, and the Public Interest. Baltimore: Johns Hopkins Press, 1971:40-41.

[2]AI 合谋（AI collusion）是指，在没有明确协议、通信或预设程序的情况下，自主逐利的 AI 强化学习算法会通过自主独立学习形成协同交易，以获取超竞争利润（supra-competitive profits）的现象。这种现象下，少数掌握前沿技术的专业投资者获利，但同时也会破坏市场竞争格局、削弱市场流动性、降低市场定价效率、损害广大普通市场参与者的利益。

[3] 根据 Anthropic 发布的 Agent Skills 开放标准，Skills 指面向 AI 智能体、轻量化且具备跨平台迁移能力的标准化封装格式，可以用于承载专项知识与任务工作流。

本文摘自：2026 年 7 月 22 日已经发布的《AI 时代的投研：组织与个体价值如何重塑？》

姚泽宇 分析员 非银及金融科技 SAC 执证编号：S0080518090001 SFC CE Ref：BIJ003

冼仲恩 联系人 非银及金融科技 SAC 执证编号：S0080125070076 SFC CE Ref：BXL330

樊优 分析员 非银及金融科技 SAC 执证编号：S0080522070009 SFC CE Ref：BRI789

唐一宁 联系人 非银及金融科技 SAC 执证编号：S0080126030017

李佩凤 分析员 全球研究 SAC 执证编号：S0080521070004 SFC CE Ref：BTO526