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。