“AI解决了传统投研的四大痛点。用处理能力，解决人看不完的信息过载问题；用深度逻辑推理能力，解决人想不清楚的复杂研判问题；用多模态融合能力，解决人看不全真实复杂场景的问题；用持续学习迭代能力，解决人跟不上市场快速变化的问题。”6月27日，在新金融联盟主办的“AI驱动资管业务价值跃迁的路径与挑战”内部研讨会上，泰康资产总经理兼首席执行官段国圣表示。

在段国圣看来，AI不会代替人，但会重构人力结构和组织分工，重新定义人才标准。而管理层只有亲自上手实操，才能真正感知一线AI落地的难点、卡点和障碍，不亲自参与，就无法真切理解落地痛点。

这是新金融联盟第106期内部研讨会，由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。原中国银保监会副主席陈文辉作主题交流，农银理财总裁毛焱、信银理财董事长王洪栋、天弘基金副总经理兼首席信息官迟哲、盈米基金董事长肖雯也发表主题演讲。来自、理财子、非银金融机构与科技公司的51家机构代表参会。

AI时代，投研逻辑怎么变？

文| 段国圣

一、传统投研局限与AI赋能价值

资产管理公司最核心的业务是投资研究。投资的本质是信息获取、分析研判、投资决策和交易执行。传统的人力投研模式，长期存在三个核心局限：

第一，有限理性与信息局限。无论是数据获取广度、信息处理体量，还是研判完整度，人工都存在天然上限，无法做到全覆盖、无死角。

第二，双系统决策偏差。人的决策存在两套系统：多数场景依赖直觉快速判断，部分场景依靠理性慢速推演。两套模式随机切换，很容易造成决策偏差、判断不一致。

第三，思维固化。研究员、投资经理长期积累的经验框架，会慢慢形成思维定势。从业时间越长、经验越丰富，越容易被固有认知束缚，难以突破。学术上称之为“证实性偏见”——人倾向于接受符合已有认知的信息，排斥挑战既有框架的异见。

从第一性原理看，AI的核心价值，恰恰是精准弥补传统投研的三大短板。依托海量信息处理、逻辑推理、多模态融合、持续迭代的核心特征，AI不只是简单提升投研效率，更可以深度嵌入投研认知底层，从根本上重构人和组织“获取信息、理解知识、形成判断、落地行动、持续迭代”的完整链路。

简单来说，AI解决了传统投研的四大痛点。用海量数据处理能力，解决人看不完的信息过载问题；用深度逻辑推理能力，解决人想不清楚的复杂研判问题；用多模态融合能力，解决人看不全真实复杂场景的问题；用持续学习迭代能力，解决人跟不上市场快速变化的问题。

二、AI将重构投研逻辑

传统投研是纯人力驱动模式，研究的广度、深度，完全受制于人员数量、个人经验和精力上限。进入AI时代，广度问题可以由AI来解决，创造性或决策性工作可以由人在AI辅助下来完成，所以人与AI能力存在很大的非对称性互补。我认为，AI不会代替人，但会重构人力结构和组织分工，重新定义人才标准。

具体来看，传统投研流程，离不开读报告、跑调研、建模型、写复盘、做汇报的固定范式。如今，通过人与智能体协同，AI可以覆盖更广投资标的、更深研究维度、更长历史周期；研究员、投资经理则可以依托AI深耕创造性研究，同时实现研究知识的沉淀、复用与持续迭代，这本质是资管行业投研生产关系的一次重构。

决策范式也要进行重构。传统模式是人工完成信息收集、整理、分析、研判、决策全流程。在新范式下，AI承接海量信息收集、数据整理、基础分析的工作，人聚焦核心判断、最终决策与策略落地，大幅降低决策噪音，提升决策质量。

除此之外，AI还打通了基本面投研与量化投研的壁垒。以往基本面投研与量化投研常常是两套语言、两套流程、两种文化，基本面投研人员普遍不擅长量化工具、因子研发和策略回测，存在明显能力壁垒。现在通过AI赋能，基本面研究员可以快速开展量化研究。过去需要半年、一年才能完成的因子打磨、策略验证工作，现在一周左右即可快速跑完、验证迭代，极大提升研究试错与创新效率。

三、投研AI落地的难点与突破

在AI落地的过程中，我们认为有六大核心难题：业务与技术深度融合难、安全合规约束严、算力供给不足、公私域数据如何打通、组织经验如何系统化沉淀、AI能力如何跟上技术前沿。

前段时间，我听取了很多研究人员和投资经理对人工智能应用的汇报，发现很多投资经理和研究员远远走在机构前面。他们做了很多自己的Agent或者Skill，帮助自己做大量投研工作，但机构层面的规模化落地反而严重滞后——核心原因在于安全合规、数据权限、模型私有化部署、算力供给、组织协同、系统集成、责任界定等一系列复杂问题。更不要说一些科技厂商，我们机构远远落在他们后面。

针对行业痛点与落地难题，我们搭建了“七要素+双环境”的企业级AI整体架构，支撑公司AI规模化、合规化、体系化落地。

七个要素包括算力、模型、数据、能力、Harness、终端、安全。这就好比我们搭建了一个公司级统一AI中央厨房，支撑全司AI应用研发与运行。算力是企业AI的水电煤气。模型是大厨团队，提供基础智能能力。数据是食材原料，比如肉、青菜等。各类工具、技能、子智能体是配套厨具与专项帮厨。Harness相当于行政总厨，负责整体调度、流程编排、任务落地，让算力、模型、数据可落地、可运用、可执行。终端是点餐台与出餐窗口，对接全部用户。安全体系是门禁、质检、审计等，守住合规底线。七大要素协同联动，构建完整的企业级AI生产体系。

同时，我们搭建了公域、私域双环境，实现创新试点与合规生产的解耦。AI要进入业务流程，不能因为安全顾虑就只在小范围试点，但也不能无序扩张；所以我们做了两个环境，一个公域版，一个私域版。通过权限控制、分级管理、沙箱隔离、全程审计来控制双环境，确保AI的规模化使用能在安全、合规、可控、可追溯的边界内。

具体来看，在核心敏感边界内，我们提供完全私域、自主可控、可审计追踪的环境，叫法无授权即禁止；在非敏感性数据、非敏感场景中，我们鼓励大家快速铺开、大胆试点、高频迭代，最大限度释放创新活力与生产力，法无禁止即可为。我们还存在一个问题，就是算力。在公域版，我们算力充足，但在私域版，我们算力不足。如果全面铺开全员AI应用，现有算力无法支撑规模化落地，这是我们接下来要重点攻坚的方向。

四、建设全链覆盖的资管智能体体系

未来，我们的AI应用将不止局限于投研场景。我们会以项目制、场景制为核心推进模式，将AI智能体全面落地于公开市场、产销客、大风控、大运营、科技等所有板块，搭建覆盖资管全流程的专业智能体体系，赋能投研决策、财富管理、风险管控、中后台运营等公司全价值链。

最近，我亲自花了三周时间，在我们今年自研的“灵境”AI平台上，开发了三个Skills，今天会前还在持续调试。我最大的体会是，管理层只有亲自上手实操，才能真正感知一线AI落地的难点、卡点和障碍，不亲自参与，就无法真切理解落地痛点。

接下来，我会在IT团队和投研同事的协助下，持续打磨资产配置Skill、投资策略Skill。我本身并没有编程基础，现在依托灵境平台，通过自然语言也能自主搭建智能工具。但坦白讲，初期自主开发的效果并不理想，存在很多瑕疵；经过IT团队数周的专业优化、调参打磨后，Skill的稳定性、精准度和实用性大幅提升，效果非常明显。

我打造这套Skill的核心目标，是站在首席投资官视角，捕捉全球市场变化、拆解事件背后的核心逻辑、研判对资管业务的具体影响、输出有针对性的应对策略。整个过程迭代周期长、打磨难度大，但优化落地后的价值非常高。我也建议在座各位领导，尽量亲自上手体验、实操AI工具。只有亲身参与，才能真正理解AI、用好AI、推动AI在公司落地。