投研應用從人力密集到AI增強（1）
如果把傳統賣方／買方研究比喻成「人力堆出來的情報工廠」，那麼近幾年AI帶來的，就是一次從地基到產線的全面改造。過去，一份行業深度報告往往意味著幾個分析師通宵讀財報、抄數字、聽電話會議、剪新聞剪訪談；今天，同樣的流程裏，越來越多重複性工作被AI接手，人類分析師轉向「問更好的問題」「做更難的判斷」。
根據Mercer 2024年對資產管理機構的調查，約91%的資產管理人已經在使用，或計劃在投資策略與資產類別研究中使用AI，其中54%已經實際落地，37%正在規劃導入。另一份2024年針對基金經理的調查顯示，超過80%的基金公司已在某種程度上使用AI，約69%將AI作為投資研究工具，44%更已將AI納入投資決策流程。這些數字背後反映的是一個關鍵事實：金融研究正在從人力密集走向AI增強（AI-augmented），而不是「人類被機器取代」那麼簡單。
從人海戰術到AI研究助手
在過去很長一段時間裏，投研團隊的競爭力，很大程度取決於「能招多少人、願意熬多少夜」。數百頁的年報、季報，動輒兩小時的業績會議，還有各類行業數據、新聞、社交媒體與第三方報告，都要靠分析師一篇篇閱讀、一個個表格手工整理。這樣的工作模式有幾個問題：第一，信息溢出。可讀的東西太多，可用的時間太少，必然導致很多公司、很多地區被「研究空白」所覆蓋；第二，人力昂貴。請一位有經驗的分析師不便宜，卻有相當比例時間花在「搬磚」而非思考；第三，速度不夠快。在高頻信息衝擊下，等到人讀完、抄完、消化完，市場可能早已完成了一輪定價。
AI的引入，首先改變的就是這三點。以生成式AI為代表的新一代工具，能在秒級掃描大量文本、結構化數據與多媒體內容，初步整理出重點、亮點與風險點，並根據既定模板生成初稿。這並不意味著分析師可以「躺平」，而是研究流程被拆解為兩層：底層是AI負責的自動化信息收集、清洗、標註與初步分析；上層則是分析師基於AI產出的素材進行假設構建、情境推演與投資決策。
同時，AI也讓投研「覆蓋面」大幅提升。傳統上，小市值公司、冷門行業和新興市場，往往因為不「划算」而缺乏深入覆蓋；當大量基礎分析工作可以自動完成後，研究團隊更容易在邊緣領域布局，尋找被忽視的錯價與機會。對機構投資者而言，這種「廣度＋深度」的提升，是AI增強的直接紅利。
自動化財報分析已落地
在所有應用場景中，自動化財報分析幾乎是最自然、也是最容易落地的一塊。原因很簡單：財報高度結構化，但格式又各有不同，非常適合由機器來做標準化處理。
現代AI系統可以直接讀取PDF、XBRL或網頁形式的年報、季報與公告，透過 OCR結合結構化解析，將財務三表、附註、分部信息與關鍵指標自動提取出來，並映射到統一的數據庫結構之中。接着，模型可以自動計算常見財務比率（如ROE、毛利率、淨利率、資產周轉率、槓桿倍數等），並將這些指標放在歷史序列與同業比較的框架下進行評估：當前毛利率是否顯著偏離過去五年區間？營運現金流與淨利的偏差是否異常？存貨和應收賬款是否出現「雙升」預警？
內容支持：華通證券國際（WTF.US）
