一份AI写的研报

我们让GPT-5根据某科技公司的财报和行业数据，撰写了一份投资研究报告。AI在12分钟内完成了通常需要分析师3天才能完成的工作。报告结构完整、逻辑清晰、数据详实、格式规范。

我们把这AI研报和该公司的正式研报一起发给了一位基金经理。他的评价是：“AI的报告信息量更大，但缺少一个东西——判断。”

“AI告诉我’营收增长了15%’，但真正的分析师告诉我’营收增长15%低于预期，因为市场预期是18%，这个差距意味着管理层可能在下季度下调指引’。AI给了数据，但分析师给了’数据意味着什么’。”

AI在投行研究中的三个价值层次

层次一：信息聚合（AI已超越人类）。 AI可以在几分钟内阅读上千份财报、几百篇新闻、几十份行业报告，提取关键信息，生成摘要。这是AI最擅长的领域，也是人类分析师最耗时的日常工作。2026年，AI已经完成了约60%的"信息聚合"工作，并将分析师从"信息搬运工"中解放出来。

层次二：趋势分析（AI正在追赶）。 AI可以识别数据中的趋势和异常，生成初步的分析洞察。例如，“该公司连续三个季度毛利率下滑，而行业平均毛利率正在上升”——这个洞察AI可以自动生成。但在判断趋势的"可持续性"和"重要性"方面，AI仍然弱于人类。

层次三：判断与洞察（AI的短板）。 这是投行研究的核心价值所在。一个好的分析师不是"描述数据"，而是"判断数据意味着什么"——这个判断依赖于对行业格局的深刻理解、对管理层行为模式的直觉、对市场情绪的敏锐感知。这些能力是AI目前最缺乏的，也是分析师最不可替代的。

2026年投行研究的AI应用全景

应用一：自动化财报分析。 高盛的"Athena"平台可以在财报发布后30秒内生成摘要和分析。摩根大通的"LOXM"可以将财报数据自动录入模型，更新估值。

应用二：另类数据分析。 AI分析卫星图像（零售店停车场的车辆数量）、信用卡交易数据（消费趋势）、社交媒体情绪（品牌热度），生成传统金融数据无法提供的洞察。

应用三：研报自动生成。 中金公司的"AI分析师"可以自动生成研报初稿，分析师在此基础上进行修改和深化。这大幅缩短了研报产出时间。

应用四：智能问答。 分析师可以向AI提问：“过去三年，哪些公司在AIGC领域投入最大？它们的研发投入与股价表现的相关性如何？“AI可以在数秒内检索、分析、回答。

分析师的核心竞争力转移

2026年，分析师的核心竞争力正在从"获取信息的速度"转向"判断信息的质量”。 当AI可以在10分钟内完成过去需要3天的信息收集工作，分析师的价值不再体现在"谁先找到数据”，而是"谁能从数据中看出别人看不出的东西"。

这对分析师提出了三个新要求：

  1. 行业深度：AI可以给你"全行业的平均数据"，但只有真正理解行业的人才知道"平均数据为什么不能反映真实情况"
  2. 判断力：AI可以列出"10个可能的投资风险"，但只有经验丰富的分析师才知道"第3个和第7个是最重要的，其余可以忽略"
  3. 沟通能力：研报最终是写给客户看的。一个好的分析师知道如何"讲故事"——用数据和逻辑构建一个令人信服的投资叙事。AI可以生成数据，但无法生成"故事"

AI投行研究的终局不是"AI取代分析师"，而是"AI重塑分析师"。 那些只会"搬运数据"的分析师将被AI取代，那些能"解读数据"的分析师将因AI而变得更强大。2026年，投行研究正在从"信息竞争"走向"洞察竞争"——而AI是这场竞争中最关键的变量。