2026年认知革命：AI投研的能力阶梯与价值重构（L1_L5）

研究背景：AI 重构行业认知

2026 年开年，AI 行业最受关注的变化，已不再只是模型能力的持续迭代，而是智能体开始真正走向前台。 比起某一个产品、某一家公司或某一笔交易本身，更值得重视的是整个行业对 AI 的理解正在被系统性改写： AI 正从“能聊天的工具”走向“能做事的系统”，从模型竞争走向工作流竞争，从能力展示走向生产交付。OpenClaw 的爆火让这种变化第一次被广泛看见，Anthropic 的 Skills 与 Cowork 使这种变化开始具备产品化和组织化形态， Meta 对 Manus 的收购则从资本市场层面进一步强化了这一趋势，而国内“养虾潮”又将这一认知变化推向产业共 振层面。由此看，这并非单一产品或事件驱动的阶段性热潮，而是一场围绕 AI 应用价值、组织方式与商业逻辑 的深层重构。 更重要的是，这一变化已经不再停留在概念演示层面。OpenAI 于 2026 年 3 月披露的客户案例显示，全球 多策略投资机构 Balyasny Asset Management 已在内部将 AI 从通用辅助工具推进为嵌入投研流程的“研究执行系 统” 1。这一案例的关键意义，不仅在于 Balyasny 接入了 OpenAI 模型，更在于 OpenAI 直接参与了其研究执行 系统的共建与迭代。根据 OpenAI 的表述，Balyasny 自 2022 年底起组建了一支由研究人员、工程师和领域专家 构成的 Applied AI 团队，专门建设嵌入投研工作流的 AI 原生工具；在此基础上，OpenAI 不只是提供模型接口， 而是直接进入真实工作流，观察投资团队如何使用系统、哪些环节有效、哪些环节受阻，以及在金融研究场景 中何种输出才算“高质量”。目前，约 95%的 Balyasny 投资团队已在使用该平台，部分原本需要数天完成的研究 任务已可压缩至数小时。这表明，在头部金融机构中，AI 已不再只是问答工具或写作插件，而是开始被组织为 真正参与研究执行的基础设施。 从 OpenClaw 引发的广泛关注，到头部金融机构将 AI 嵌入真实工作流，行业正在形成一个更加清晰的共识： AI 的竞争重点正从模型能力本身，转向可调用、可组合、可嵌入业务流程的任务执行能力。对金融投研而言， 这意味着一个更现实的问题正在浮出水面：当 AI 开始进入研究执行环节，分析师的能力边界应如何重估，人机 协同的研究流程应如何重构，投研自动化又应如何建立一把可讨论、可比较的能力标尺？基于此，本文尝试提 出投研自动化 L0-L5 能力阶梯模型，以期为行业提供一套更清晰的认知框架与行动参照。

1、护城河：技术平权时代，研究能力沉淀是核心

伴随 OpenClaw、Claude Cowork、Manus 等智能体工具集中爆发，行业正在形成新的共识：大模型技术本 身正在快速走向平权，真正的竞争壁垒不在底层模型，而在应用层的深度构建。 过去两年，不少金融机构在大模型微调和私有化部署上投入重金，试图通过打造专属模型构筑护城河。但 这一方向正被现实不断修正。斯坦福大学《2025 年人工智能指数报告》[1]显示，开源与闭源模型的性能差距已 由 8.0%收窄至 1.7%，中美顶级大模型的性能差距更由 17.5%快速收窄至 0.3%。这意味着，无论是海外还是国 内，闭源还是开源，通用模型能力都在加速趋同，底层技术正越来越接近“水电煤”式基础设施。

与此同时，大模型行业自身的竞争重心也在发生变化。近一年多来，头部厂商已明显从“刷榜竞争”转向“生 态竞争”：OpenAI 推出 o1 系列强化推理能力、发布 Operator 智能体执行复杂任务；Anthropic 提出 Skills 概念， 并将其进一步应用于 Cowork 等协作体系；Google 则通过 Deep Research 强化模型在“规划—搜索—阅读—输出” 链条上的闭环能力。模型厂商不再满足于提升问答表现，而是持续增强模型对复杂指令、外部工具与多步任务 的处理能力。 这一变化对金融行业具有直接启示。近期，Alpha Arena 这类让多个模型在真实市场环境中‘比赛炒币’的实 验，虽然表面上是在比较模型交易表现，但其更深层意义在于：仅凭提示词、规则约束与市场信息，大模型已 经开始表现出一定的策略推演与博弈能力。二级市场本质上是一个动态博弈系统，而非静态问答场景。某种程 度上，这类实验的重要性与当年 AlphaGo 对人类认知的冲击具有相似性——真正提高外界对 AI 智能水平预期 的，不是它在封闭题目上答得更好，而是它开始进入复杂对抗环境，展现出参与博弈、形成策略的潜力。但另 一方面，这类实验的结果整体并不稳定，也未形成稳定、显著的超额优势。这恰恰说明，模型能力并不自动等 于场景能力。 Cao et al. (2024) [2]发表在金融学顶刊《Journal of Financial Economics》上的文章《From Man vs. Machine to Man + Machine: The Art and AI of Stock Analyses》在金融学术界和业界都有很高的关注度。它通过大规模的实证 数据，探讨了人工智能（AI）在专业股票分析中对人类分析师的冲击，并论证了未来高技能金融职业的发展方 向不是“AI 替代人类”，而是“人机增强”与“协同”。研究表明，AI 在处理高维透明的“硬数据”时，其目标 价预测准确度已显著超越人类预期共识；但在解读管理层意图、非结构化“软信息”及复杂商业模式方面，人类 分析师仍具备不可替代的优势。该研究证实，单一人工或纯 AI 模型均存在认知与能力盲区，未来投研范式的演 进并非简单替代，而是必然由“人机对立（ Man vs . Machine）”全面转向“人机协同（Man + Machine）”，通 过人类专业经验与 AI 信息处理能力的深度融合以实现最优决策。

从这个意义上看，AI的快速进步并不必然削弱专业研究价值，反而使其重要性进一步上升。当底层模型能 力持续趋同，金融机构真正需要思考的，已不再是如何微调出一个“更好的通用模型”，而是如何让模型学会“干我们这一行的活”。未来真正的护城河，不是参数规模，也不是单点性能领先，而是将研究员的知识壁垒、认知 沉淀与方法论体系系统性内化为 AI 的工作流、知识库与规则库。对金融机构而言，下一阶段更值得投入的方 向，不是继续围绕底层模型重复建设，而是围绕业务场景持续沉淀知识、规则与工作流，将研究员的思考过程 转化为可复用的智能体能力。本报告后续提出的 L1-L5 能力阶梯，正是试图为这一转型提供一套系统化认知框 架。

2、关键要素：AI 决策准确度仍受分析师认知约束

Anthropic 于 2026 年 3 月发布的最新研究《AI 对劳动力市场的影响：一种新衡量标准与早期证据》[3]广泛 引起了金融从业者的焦虑与思考。该研究为我们审视 AI 的真实产业渗透率提供了硬核的数据支撑。报告创新性 提出了“实际暴露度”（Observed Exposure）指标来衡量 AI 的替代效应。该报告把大语言模型在任务层面的理 论能力，与 Claude 在真实职业场景中的工作相关、且更偏自动化的使用数据结合起来，用以衡量不同职业当前 已被 AI 覆盖到什么程度。 研究发现，全美实际暴露度最高的前十大职业，几乎被代码开发、数据处理和专业分析类岗位全面包揽： 计算机程序员以 74.5%的暴露度位列第一，紧随其后的是客服代表（70.1%）和数据录入员（67.1%）。

金融与投资分析师群体以 57.2%的实际暴露度位列全美受 AI 冲击最严重的十大职业榜单第 7 位。该岗位 正在被 AI 自动化的核心内容是“分析财务信息以预测业务、行业或经济状况，从而为投资决策提供信息”。这意 味着，以往耗费大量人力的数据提取、基础财务模型构建与常规行业预测，已不再是人类分析师的护城河，分 析师的研究能力需要被重新定义。 另一方面，学界发现生成式 AI（如 ChatGPT）显著增强了分析师报告的信息覆盖与丰富度，但同时提高 了认知负担，降低了决策准确度。Xue 等（2025）[4]的实证研究利用 FactSet 推出 AI 平台的事件发现：AI 显著 提升了报告的信息丰富度与发布效率。采用 AI 平台后，分析师出具的报告在广度和深度上都有了大幅提升， AI 辅助下的分析师报告引入了更多信息源（+40%）、更广泛的主题（+34%）和更复杂的分析方法（+25%）， 并显著提升了报告撰写的及时性；但预测误差却大幅上升（+59%）。 研究者认为，这是因为 AI 生成报告传递了更多负面或中性信息，增加了分析师的整合难度。当然，不同群 体的预测误差变化也有区别，同时跟踪很多家公司或在报告中整合了海量数据源的分析师，准确率的下降尤为剧烈。而对于工作负荷较轻的分析师，这种负面影响则不显著。这个结论仍然指向了认知负担的问题。进一步， 这种信息整合的困难不仅仅停留在分析师端，它还会顺着报告传递给资本市场的投资者。 这一发现揭示了 AI 赋能的核心悖论：AI 不会自动带来决策优势。工具再强大，如果使用者缺乏信息整合 与判断能力，信息过载反而会降低决策准确性。AI 提供了更丰富的信息，但如何从海量信息中提炼出可执行的 结论，依然考验着分析师的专业素养。 然而，这并不意味着 AI可有可无。Bertomeu 等（2025）[5]利用意大利突发的 ChatGPT 禁令作为“准实验” 发现：禁令导致国内分析师相对海外同行发布盈利预测数量减少、预测准确度下降，同时更依赖行业层面信息； 解除禁令后这些负面影响消失。这表明，失去 AI 同样会带来劣势。在信息爆炸的时代，没有 AI 工具辅助，连 基础的信息处理产出都难以为继。研究同时指出，AI 工具对数据处理的确切性和使用意愿高度依赖分析师的技 术素养。 两项研究共同指向一个更深层的结论：AI 是把双刃剑，在金融投研中是必要条件，但不是充分条件。它提 升了信息处理的广度与效率，但最终的决策质量，取决于人类分析师如何驾驭这些信息。当然，这个讨论是针 对现阶段已经投入应用的 AI，不涉及对未来 AI 能力的检验。

3、路径之辩：能否跳过“数字化”直达“智能化”

在深入探讨自动化如何重塑投研能力之前，我们必须先厘清一个行业迷思：在大模型越来越强大的今天， 数字化起步较晚的机构，能否跳过漫长痛苦的数字化建设阶段，直接实现智能化跃升？大模型的出现是否抹平 了过往的积累，让所有人回到了同一起跑线？ 答案是否定的。大模型非但没有抹平差距，反而正在指数级放大传统数字化底座的威力。 智能化的前提仍然是高质量私有数据与扎实的数据治理能力。数据是底层燃料，模型是上层引擎。大模型 时代并没有削弱数据治理的重要性，反而在相当程度上放大了其价值。原因在于，AI 越强，其对高质量知识锚 点、内部研究语境和机构专属数据的依赖也越强。如果缺乏经过持续清洗、校验、标注、沉淀和统一治理的数 据资产，大模型在金融场景中就很容易出现“表达流畅但结论失真”、“看似专业但缺乏落地价值”的问题，进而 难以支撑严肃研究、投资判断与业务决策。 传统量化与自动化积累，正是 AI 时代不可替代的能力底座。对于数字化积淀较深的头部机构而言，过去 多年所建设的数据平台、研究平台、自动化流程、多因子模型、资产配置模型及各类分析脚本，并不会因为 AI 的出现而被替代，恰恰相反，这些积累正在转化为 AI 最重要的“可调用能力层”。在这一体系中，大模型更像“大 脑”，负责理解问题、拆解任务、组织流程并协调工具调用；而传统代码、模型和规则引擎则继续承担精确计算、 逻辑执行、结果校验和风险约束等职责。前者补足了传统数字化系统交互性不足、适应性较弱的问题，后者则 补足了大模型在精度、稳定性和可控性上的短板。二者之间并非替代关系，而是继承关系、叠加关系与升级关 系。 因此，底座工业化与数字化是迈向智能化的不可逾越的前置条件。正如行业实践所证明的，金融机构在落 地大模型的过程中，需要综合考虑数据价值链管理、模型选择与部署、AI 平台搭建等要素能力。数字化起步较 晚的机构，仍需补上数据治理这一课。

4、认知到行动：投研自动化需要一把能力标尺

前文我们勾勒了 AI 时代投研范式变革的宏观图景：技术平权让竞争回归应用层，数字化底座成为智能化的 前置条件，头部机构凭借积累正在拉开差距。但在工具能力大幅跃升的今天，我们该如何系统化地评估 AI 在 投研领域的渗透深度？ 当前，市场上充斥着各类 AI 工具和解决方案：有的能做会议纪要，有的能写研报初稿，有的能辅助因子挖 掘，有的号称能模拟基金经理决策。但机构在选型和应用时常常困惑：这些工具到底处于什么水平？从辅助检 索到深度推演，AI 究竟能走多远？不同层级的自动化分别对应哪些投研场景？机构又该如何规划自身的演进路 径？ 我们认为，投研自动化亟需一把清晰的能力标尺。这把标尺既要能够区分不同层级 AI 工具的能力边界，也 要能为机构提供从现状评估到未来规划的参考框架。正是基于这一判断，本报告对标自动驾驶 L0-L5 的分级理 念，创新性地提出投研自动化 L0-L5 能力阶梯模型。 在接下来的章节中，我们将逐一展开 L0-L5 的全景图景，并在此基础上探讨研究员能力升维的方向与机构 战略重构的路径，以期为金融行业在 AI 时代的转型提供一份可参考的行动指南。在系统阐述 L0-L5 能力阶梯之 前，有必要对当前产业界的前沿探索进行一次系统性梳理——这既是能力分级框架的理论基石，也是验证其现 实意义的参照系。

5、研究与投资：为何聚焦“研究”

需要强调的是，本文所讨论的“金融投研”，重点落在“研究”而非“投资”本身。好的研究并不必然等同于好 的投资结果，且研究活动的覆盖边界显著宽于投资活动。投资的核心在于价值发现，并围绕既定收益目标开展 资产配置与组合管理，其目标函数相对清晰；相比之下，研究的边界要宽得多：它既可以是对一家公司的商业 模式进行深入分析，也可以是对某一投资策略可行性的系统论证；既可以是对金融市场运行机制的研究，也可 以是对政策冲击在经济体系中的传导路径进行分析，甚至还包括对新经济学、金融学理论的探索。 讨论“AI投资”容易陷入主观投资和量化投资之辩。但从本质上看，主观投资与量化投资并非彼此割裂的 对立范式，而是不同投资方法论在信息获取、数据处理、研究组织与组合构建层面的具体实现方式。即便面对 同样的“AI 超级研究员”，不同投资经理也会基于各自的投资框架、决策偏好与约束条件进行差异化调用，其关 注重点、使用方式和最终形成的投资决策均可能存在显著差异。 因此，本文所讨论的不是 AI是否能够直接替代投资经理，而是 AI如何沿着研究工作流逐步进入信息处理、 分析推演、成果形成与持续跟踪环节，并重塑研究能力的组织方式。