AI 在投研流程的位置：哪些環節能交出去，哪些不能（Chinese original）

投資研究是一條流程，不是一個動作。從資料搜集到最終覆核，中間至少有七個環節，每個環節的錯誤代價與可驗證性都不一樣。這篇文章要回答的問題非常具體：這七個環節裡，哪些可以交給 AI，哪些只能讓 AI 輔助，哪些一步都不能讓？

先把結論放在最前面：AI 擅長搜集與結構化，不擅長承擔判斷責任。 能逐項對照原始來源驗證的工作，可以大膽交出去；需要有人簽名、有人對客戶與法規負責的判斷，必須留在自己手裡。這條線畫清楚了，AI 是投研的槓桿；畫不清楚，AI 就是投研的風險敞口。本文為教學內容，不構成任何投資建議。

先把名詞講清楚：這篇文章說的「AI」是什麼

投研從業者不需要懂演算法，但需要準確理解四個詞，否則分工表沒有意義：

名詞	一句話解釋	對投研的含義
大型語言模型（LLM）	ChatGPT、Claude、Gemini 這類工具背後的模型，本質是「根據上下文預測下一個字」的文字引擎	它不是資料庫，也不是計算機；它的輸出是「最像正確答案的文字」，不等於正確答案
幻覺（Hallucination）	模型以自信的語氣輸出事實上不存在的內容，例如編造一個財務數字或一份不存在的研報	這是這類模型的固有特性，不是偶發故障；金融場景的防法見 AI 在金融場景的幻覺風險：三種最貴的錯誤
結構化輸出	要求模型把答案輸出成固定格式（例如 JSON），而不是自由文字	格式固定才好機器校驗，是「可驗證」的前提
AI Agent（智能體）	能自己規劃步驟、調用工具（搜尋、讀檔案）並多輪執行的 AI 程式	能跑完整段流程，但一個環節的錯誤會沿流程向下游放大

投研流程的七個環節

不同機構的分工名稱不同，但流程骨架高度一致。我們把它拆成七個環節，後面所有討論都掛在這張表上：

#	環節	做什麼	典型產出
1	資料搜集	找公告、財報、新聞、行業數據，建立來源清單	原始文件與來源索引
2	財報解析	把三大報表與附註從 PDF 變成可比較的數據	結構化數據表
3	同業比較	選可比公司、統一口徑、並排指標	同業比較表
4	估值建模	設定假設，跑現金流折現或可比公司法	估值區間與假設清單
5	風險檢查	紅旗掃描、敏感度分析、情境壓力測試	風險清單與排序
6	結論撰寫	把發現整合成研究備忘錄或報告	備忘錄初稿
7	覆核	獨立檢查數據、邏輯、表述與合規	可發出的定稿

分工表：七個環節的 AI 邊界

這是本文的核心。三個欄位的定義：能交出去＝AI 可以獨立完成，人只做抽驗；能輔助＝AI 出初稿或做計算，但每一步由人主導；不能交出去＝無論 AI 表現多好，決策與署名都必須是人。

環節	能交給 AI（需抽驗）	能輔助但不能交給 AI	絕對不能交給 AI
資料搜集	掃描披露平台的新文件、對公告做初步分類與摘要、蒐集行業數據候選清單	判斷某個來源是否可信、資訊是否過時	決定「哪些來源可以信」的最終判斷
財報解析	文字層 PDF 的數字初步抽取、欄位對應初稿	跨頁表格、合併儲存格等複雜版面的處理	數字的最終確認——必須有人對照原始文件核過
同業比較	按你給定的名單拉取各家同名指標、統一格式與單位	可比口徑的調整（不同會計準則、非標準指標）	選擇可比公司與認定「有代表性」
估值建模	按你給定的假設計算、生成敏感度表、檢查公式錯誤	假設的合理區間討論	設定核心假設、選定估值結論
風險檢查	列出通用風險檢查清單、掃描公告中的關鍵詞（訴訟、配售、核數師變動）	風險的重要性排序	「風險是否可接受」的最終評估
結論撰寫	起草結構、潤飾語言、統一格式	區分草稿中的事實陳述與觀點	立場、評級、目標價等任何可能構成投資建議的表述
覆核	機械性檢查：數字與來源一致、引用頁碼存在、格式統一	抽樣複核的範圍設計	簽核與發出

讀這張表時注意一個模式：越靠上游（搜集、解析），AI 能接手越多；越靠下游（結論、覆核），人的責任越重。 這不是因為 AI「不夠聰明」，而是因為上游錯誤可驗證、可修正，下游錯誤會直接變成有人要負責的決策。

為什麼這條線畫在這裡：三個判斷準則

分工表不是背下來的，是用三個準則推出來的。遇到表上沒有的新任務，用這三問自己判斷：

準則	問自己	答「是」代表
可驗證性	這個產出能不能逐項對照原始來源檢查？	可以交給 AI，配上抽驗
責任歸屬	這個產出是否需要有人承擔專業、法律或聲譽責任？	不能交出去——AI 無法被問責，署名的人才是責任主體
錯誤代價 × 可偵測性	出錯代價高，而且錯了不容易被發現？	不能交出去，或必須加人工複核節點

第三個準則最容易忽略。舉例：格式統一出錯了，一眼就能看出來，代價低——放心交給 AI。估值模型裡的折現率假設錯了，數字照樣跑得出來、報表照樣漂亮，可能幾個月後才被發現——這種「高代價、低可偵測性」的工作，AI 只能在你畫定的範圍內做計算，假設本身必須由人寫下並署名。

導入路徑：不要一次交出整條流程

分工表是目標狀態，不是第一天就能全部打開的開關。穩妥的導入路徑分三段，每段有明確的退出條件：

階段	做什麼	進入下一階段的條件
單點試點	只挑一到兩個低風險環節（例如公告摘要、格式整理）交給 AI，其餘環節照舊人工	連續數週的抽驗記錄顯示錯誤率在你設定的可接受範圍內
平行運行	AI 跑完整流程但產出不直接使用；人工照舊做，兩邊結果逐項比對	差異點全部能被解釋，AI 初稿的採用率穩定
制度化	AI 初稿成為正式初稿，人工轉到覆核位；分工表寫進模板與 SOP	進入持續校準的迴路（定期重看抽驗記錄與錯誤形態）

關鍵在中間那段：平行運行一段時間，是建立對 AI 信任的唯一低成本方式。 跳過它、直接從演示走向生產，等於把「看起來對」當成「確實對」。

順帶破除三個常見誤區：

誤區	為什麼不成立
「AI 的輸出看起來很專業，應該可信」	呈現品質與事實準確性無關；幻覺不會自帶「這是編的」標籤，它恰恰包裹在最專業的語氣裡
「演示成功一次，就能直接上線」	演示是精選的最佳案例；真實文件更髒、更亂，錯誤率要在規模下才會顯形
「模型更強之後，驗證流程就能省掉」	模型升級降低錯誤率，但「責任歸屬」這條準則不變；覆核與署名永遠省不掉

AI 會在這裡出錯：七個環節的典型翻車點

本站的立場是：假設 AI 會說謊，所以每個結論都要可回溯。 以下是各環節最常見的出錯形態，建議直接抄進你的複核清單：

環節	典型出錯形態	對應的驗證動作
資料搜集	引用不存在的研報或連結；把舊公告當成最新訊息	每個來源都要能點開原文；記錄文件的披露日期
財報解析	數字看錯一位；把上一財年欄位當成本期	錨點數字（各表合計）先對帳，再核明細
同業比較	隨意湊可比公司；把口徑不同的指標並排	可比名單由人寫死；每個指標註明口徑與期間
估值建模	為了「結果好看」倒推假設；敏感度表淪為擺設	假設由人給定範圍，超出範圍自動標記
風險檢查	只列模板化風險，漏掉該公司特有的紅旗	用公告關鍵詞掃描做交叉檢查
結論撰寫	把推測寫成事實，不標示不確定性	逐句分類：已證實／推論／未知
覆核	用同一個模型自我覆核，同樣的錯誤不會被抓到	覆核必須換人或換模型，且獨立於生成過程

關於最後一點值得多說一句：AI 自己檢查自己，是最容易被高估的防線。 同一個模型在同一份上下文裡犯的錯，往往會以同樣的方式「檢查通過」。覆核的價值來自獨立性——不同的人、不同的模型、或者至少是不同的提示詞與乾淨的上下文。本站對這類失敗模式做過實測，可參考 LLM Agent 自主繞過流程約束的實證分析：從 'Skip' 到 'Fabricate' 的惡化路徑與決策模型的現實檢查：為何「網上神乎其神」，我們實測只有 54%？——JEV / LAYA / KEV / CLM-8B 全對比與落地公式。

把分工表落地：你的第一版 SOP

知道邊界在哪之後，用一張檢查清單把它固化下來。第一次導入 AI 的投研團隊，建議從下面六條開始：

每個 AI 產出都附「來源指標」：文件名稱＋頁碼（或連結），沒有來源指標的內容一律不進報告
關鍵數字逐項對照原始文件；非關鍵數字抽樣核對，抽樣比例寫進流程並記錄
所有假設由人寫下並署名，AI 只在給定範圍內計算，超出範圍自動標記
結論頁固定四個欄位：撰寫人、覆核人、日期、未決問題清單
任何可能被解讀為投資建議的表述，刪除或改寫為事實陳述
重要任務用兩個不同模型（或不同提示詞）各跑一次，比對差異點再人工裁定

最後是合規提醒：如果你的研究產出會對外提供，可能涉及證券研究與投資建議的監管要求，具體適用範圍因司法管轄區與機構而異。上線前請諮詢你所在機構的合規部門或合格專業顧問；本文只提供流程方法，不構成合規意見，相關面向另見投研 AI 的合規邊界：免責、留痕與可回溯。

下一步

機器怎麼讀懂財報：從 PDF 到結構化數據：分工表裡「財報解析」這一環的技術底層——機器是怎麼讀 PDF 的，哪裡會讀錯。
AI 在金融場景的幻覺風險：三種最貴的錯誤：把「假設 AI 會說謊」展開成三種最貴的錯誤與四道防線。
一家公司的 30 分鐘快速盡調流程：把分工表用在一個真實場景——30 分鐘判斷一家公司值不值得深入研究。
你的第一個投研工作流：從提問到可回溯結論：從一個研究問題出發，建立帶引用、可回溯的完整工作流。
14 個金融服務 AI 技能完整指南：從交易尋找、併購模型到催化劑日曆：金融從業者的 AI 技能全景圖，看這條學習路徑的上下游。