AI能替代基金经理到哪一步

这段时间在行业里被反复问到一件事——AI 会不会把研究员和基金经理替代掉？

问的人多了，笔者自己也想得多了。

最近读到一篇业内文章，里面写了一个场景：研究员花三周写的一份八十页深度报告发给基金经理，基金经理九十秒翻完回了四个字"看看再说"；两个月后那只股票涨了不少，基金经理是在最后一个涨停板第二天追进去的，买的理由是前一天饭局上听来的三句话。文章由此得出一个结论——研究不创造价值，承担风险才创造价值；AI 时代研究员这个工种会被替代掉。

这个场景笔者在行业里也见过不少，结论却不完全同意。AI 替代的是什么、没替代的是什么，不拆开看，很容易得到两个同样不靠谱的结论——要么觉得基金经理马上就要失业，要么觉得 AI 不过是个高级的信息处理助理。

这篇文章，笔者就把自己这段时间的拆解写下来。

一、研究的三步

笔者习惯把投资研究分成三步：搜集信息、整理信息、洞见信息。

搜集信息是把原材料拿到手。二手信息是财报、研报、数据库里的东西，一手信息是调研、和产业人士聊、甚至和公司管理层沟通业绩。

整理信息是把原材料归档成可用的结构。财务模型、竞争格局表、行业演化图，都属于这一步。

洞见信息是在整理之后看出别人没看到的东西。可能是一条被市场忽视的因果链，可能是对一个共识的反向判断，也可能是一个新的分析视角。

这三步难度是递增的，稀缺性也是递增的。

三步之上还有一步，笔者把它归到投资不归到研究——在有了判断之后，基于自己的审美、偏好和赔率/胜率/效率的权衡，去下注、去持有、去面对市场的反馈。

AI 在这四件事上的能力是不均匀的。一层层拆开看，讨论才有意义。

二、搜集与整理：AI 的增量，也有陷阱

搜集信息这一步，AI 的边界最清楚。

一手信息 AI 做不了。和产业里的人喝一场酒、和管理层聊一下业绩预期、听同行吐槽行业冷暖，这些是社会性信息，是肉身才能参与的事。AI 没有肉身，这部分永远拿不到。

但这里有个常见的误解笔者想澄清一下：不是所有公开信息都已经被市场充分定价。在 A 股这样一个散户和中短线机构占比偏高的市场，信息的低效不主要是"信息不公开"造成的，更多是"信息太多、读的人少、读了看不懂、看懂了不行动"造成的。AI 的出现把"信息到定价"这段路缩短了很多——三千多家上市公司的财报、电话会、招聘数据、招标公告可以被同时扫描和串联，这件事人类研究员是做不到的。

所以搜集信息这一步，AI 不是替代了谁，而是多开了一个方向。人做深度，AI 做广度。好的基金经理会让两者互补，不会只取其一。

整理信息这一步，AI 做得最漂亮。效率是几十倍的提升，图表比人类手工做的好看得多。

但这里有一个陷阱，笔者姑且叫它"整理的幻觉"。

AI 整理出来的东西工整、齐备、好看，好看到让人忘记去问一句——这份表里的每一行，是不是都应该占同样的权重？这张图里的每一个数据点，是不是都和结论一样重要？

有经验的研究员整理材料的时候，是带着假设去挑数据的，知道哪些是关键指标、哪些是噪音、哪些需要追问、哪些可以忽略。AI 目前的整理，更像是"资料员的升级版"——把所有相关材料汇成一份干净档案。档案归档得整齐，不等于问题被问对了。

所以对于执行层研究员，AI 的替代是直接而残酷的。对于有自己框架的基金经理，AI 更多是把你的思考物化出来，而不是替你思考。这两件事经常被混在一起讲，但差别是巨大的。

三、洞见：从浅到深的四层

洞见信息这一步，才是 AI 和人类能力差距最大的地方。

笔者把洞见从浅到深分成四层。

第一层是事实层的洞见——从海量数据里扫出一个别人没注意到的异常点。某家公司招聘 JD 突然增加了某类岗位，某个行业的招标数据出现了拐点。这一层 AI 强于人类，它的阅读带宽是人类的千倍以上。

第二层是因果层的洞见——把几个事实串起来，推出一条因果链。比如电池成本下降到某个阈值，叠加油车 TCO 的拐点，叠加补贴退出路径，推出新能源车单车经济性拐点的到来。这一层 AI 接近人类，但需要有人先把问题问出来——AI 擅长在既定问题下做推理，不太擅长自发地提出值得研究的问题。

第三层是框架层的洞见——提出一个新的分析视角本身。"单车经济性拐点"这个视角，是最早想明白的那个研究员构造出来的。这一层 AI 明显偏弱。新视角的本质是跨行业类比和老视角的迁移，而 AI 的语料里装的都是现成的视角，让它从现成视角里生出新视角，是有困难的。

第四层是元认知的洞见——意识到当前的共识本身可能是错的。当所有人都在用"PE 历史中枢三十倍"作为锚点判断便宜贵的时候，能跳出来问一句——这个三十倍的中枢会不会就是过去十年周期高点利润造出来的幻觉？这一层 AI 非常弱，因为元认知需要站在共识之外看共识，而 AI 的语料本身就是共识的产物。

越往下越稀缺，越往下越是人类基金经理的护城河。

笔者想展开讲一下 AI 在洞见这一步上的一个系统性偏差，笔者把它叫"均值回归"。

AI 的判断分布，中心永远贴着训练语料的中心。让 AI 去看 2021 年的地产，它大概率会告诉你"历次调控之后都有一波行情"——因为过去十年语料里写的都是这个。但真正值得被记住的判断是"这次不一样，不是周期调节而是模式终结"。这种反共识的判断在语料里本来就是少数派，AI 训练的过程还会进一步把它稀释掉。

由此可以得到一个很现实的推论：AI 在稳态行业的研究上强，在范式切换的行业研究上弱。

问题是，超额收益往往就藏在范式切换里。稳态行业里市场定价已经高度有效，AI 帮你多读几万份财报也很难多读出 alpha。真正能拉开收益差距的，是识别一个范式正在切换、市场还在用旧框架定价的时刻——而这恰好是 AI 最容易失误的地方。

四、从研究到投资：信念这道门槛

上面讨论的都还是研究。研究做完，下一步是投资。

投资意味着要下注。下注意味着在信息不完全、反馈延迟的情况下押上真金白银。押上去之后，还要能面对短期的不利、市场的质疑、客户的赎回压力，按照自己的判断继续行动下去。

笔者把这种能力叫信念。

信念不是情绪，不是固执，也不是"买入并忘记"。信念是一种在负反馈之下依然能执行的能力。它有几个来源。

一是深度理解。你清楚自己买的是什么、为什么买，所以回撤的时候能分清楚哪些信号是逻辑被破坏、哪些只是市场情绪。

二是历史记忆。你经历过 08、15、18、22，身体记住了那种不适感，知道这种不适是正常的。

三是身份认同。你是什么样的投资人，决定了你能拿住什么。价值派在成长股上拿不住，景气派在价值股上拿不住，这不是能力问题，是自我定位问题。

四是外部承诺。你向投资人讲过这个故事，你对它负有信托责任，这让你不能随意翻案。

AI 在这四件事上都是空的。

它没有持续的"自己"——每一次 prompt 都是重新推理一次，没有连续的自我。它没有经历过任何一次真实的熊市，它有的只是关于熊市的数据。它没有"我是 XX 流派"的自我定位，可以在一次对话里扮演巴菲特、下一次对话里扮演索罗斯，毫无摩擦。它也不向任何投资人负责，它的"判断"翻了车也没有人需要承担后果。

说到底，AI 没有信念这个东西。它可以输出一个看似有信念的判断，但它自己不为这个判断背书。

五、AI 是好的校准者，但方向要人给

无信念不一定是劣势。

巴菲特有信念，所以他拿住了可口可乐几十年。但他也因为信念，错过了亚马逊、错过了谷歌。芒格讲过一句话大意是——理性比智慧更难。信念过强就会变成固执，会被历史仓位绑架，会为了证明自己当初的判断正确而执着到不合理。

AI 没有这个包袱。它每天可以基于最新的信息重新估值一遍所有持仓，毫无心理负担地承认"昨天的判断今天已经不成立"。这反而是它作为辅助工具的优势。

所以笔者倾向于认为，人和 AI 在投资决策上的合理分工大致是这样：

人负责提供信念和方向——决定重仓哪个方向、愿意拿多久、能承受什么样的回撤，以及更根本的——去研究什么、去问什么、去测试什么样的假设。这部分是人的审美、经验、性格、责任感合在一起的结果，目前没法外包。

AI 负责提供校准——持续用新数据去质疑你的原有假设，告诉你哪些逻辑还成立、哪些已经被新事实推翻、哪些是你看漏的反向证据。这部分 AI 比任何人类同事都做得好，因为它没有情面要维护、没有团队氛围要保护。

这两件事当中，真正稀缺的是前一件。

AI 不会自发地问"这家公司值不值得研究"、"这个行业是不是正在切换"、"我的判断哪里可能错"。这些问题必须有人先提出来，AI 才有东西可以回答、有东西可以校准。换句话说，AI 很强，但它是被动的——它能把一个好问题答得漂漂亮亮，它不会自己发现好问题在哪里。

这件事表面上是"谁来写 prompt"的问题，实际上是"谁有判断力"的问题。会写 prompt 没什么门槛，稍微花点时间就能学会；难的是脑子里先要有好的问题、有一个值得被校准的假设——这件事没法靠"学 AI"学来。

所以笔者倾向于把这个分工说得更直接一点：判断力在人这一侧，执行力在 AI 那一侧。有框架的人让 AI 放大产能；没有框架的人给 AI 再好的工具也跑不出东西，只会把 AI 当成一个更快的搜索引擎。

另外，笔者这两年自己的体感是，AI 最有价值的用法不是当"帮我论证我看好这家公司"的正方助理——那是最糟糕的用法，会强化你的确认偏差。真正高价值的用法是把 AI 当反方辩手，让它系统地攻击你的假设，告诉你所有可能错的地方。在投研团队里，敢当面质疑基金经理的角色永远是最稀缺的，AI 恰好特别适合扮演这个角色。

六、基金经理要做的不只是下注

再往下一层，笔者想说一件容易被忽略的事——基金经理的价值，从来不只是"在关键时刻敢拍板"。

开头提到的那篇"研究不创造价值"的文章，后来有另一位作者写了一篇回应，里面的论证笔者大部分同意。下面这一层的思路，很多是顺着那篇回应展开的，先把来源交代清楚。

那篇回应文章的核心反驳是：如果下注就是价值，那么散户每天都在下注，为什么散户作为一个整体是亏钱的？答案很简单——敢下注和会下注，是两件完全不同的事。

而且，基金经理拿走管理费的大头，真正的理由也不是因为他承担了风险。散户承担的风险比他更重，用的还是自己的钱。基金经理拿大头，是因为他要对一件更大的事负责——为持有人赚到钱。

那篇文章把基金经理要做的事，拆成了几件：募资、组合构建、回撤控制、持有人沟通，最后才是下注。笔者觉得这个拆法很到位，这里顺着讲一下自己的理解。

募资的节奏。基金有容量，发大了摊薄收益，发小了对公司没贡献。什么时候发产品、什么时候关闭申购、规模控制在哪里，都是判断。

组合的构建。单只股票选对只解决一部分问题，组合之间的相关性、行业分散、风格暴露，才决定组合的波动特征。

回撤的控制。持有人的体验不是"年化多少"，是"亏的时候亏多少"。20% 的回撤和 40% 的回撤，对持有人是两种完全不同的感受，也导致两种完全不同的行为——亏多了，就在低位割肉。

持有人的沟通。低谷期告诉持有人别割肉、高峰期提示别追涨，决定了"账面收益"和"到账收益"之间的差距。

最后才是下注。而下注也只是研究员铺完 60% 到 80% 的底稿之后，PM 做的那临门一脚。

市场上见过太多反面案例。规模小的时候业绩跑得好，在业绩最好、市场最火的时候发一个大规模的新产品，短时间内规模翻几倍；接着市场见顶，净值从 1.5 跌回 0.7，规模还在，新进来的基民被深套。管理费他一分不少拿，亏的是持有人。

从"下注"的角度看，他买对过、敢拍桌子过。但从"为持有人赚钱"的角度看，他给持有人的是灾难。

这种基金经理，说白了和一个拿别人的钱去赌博、赢了自己拿大头、输了让别人承担的人，没什么本质区别。

承担风险这四个字，从来不是基金经理拿走收益大头的唯一理由。真正的理由，是他要对全流程负责。

而这也解释了另一件事——为什么 AI 不可能真正替代基金经理。

基金行业的根子是受托责任。投资人把钱交给基金经理，是信任一个有身份、有账户、有法律人格的主体。做对了，基金经理拿走奖励；做错了，他承担解释责任、声誉损失，甚至职业后果。

AI 不承担任何后果。这不是一个靠迭代几轮就能解决的技术问题，而是从根子上的问题。AI 浮亏三十个点的时候向谁解释？AI 在信息不完全的情况下犯了一个大错（而这几乎必然会发生），责任挂到哪里？挂在训练 AI 的公司身上，整个基金行业的信托结构就要重写；挂在使用 AI 的基金经理身上，那 AI 就永远只是一个工具，最终签字的人仍然是基金经理。

所以哪怕 AI 的研究能力继续快速进步，签字的那一下，必须是人。

七、写在最后

把上面几层叠起来，笔者现在的判断是这样的：

执行层的研究员会被大幅替代，这是最容易发生的事。写周报、跟数据、整理表格，AI 做得又快又好，而且不会累、不会辞职、不会抱怨。

中层研究员和基金经理会被 AI 放大。一个有框架的人，配上 AI，产能可以抵过过去一个小组。这部分人不会消失，但他们的价值重心会从"做活"转向"提问"和"判断"。

顶级基金经理反而会变得更稀缺。AI 抬高了所有人的基准线，信息差在消失，套利空间在压缩。真正拉开差距的，是 AI 学不到的东西——提出值得研究的问题、识别范式切换的时刻、在反向共识中持有信念、对自己的能力圈保持诚实，还有对持有人的那份受托责任。

如果让笔者用一句话概括：

洞见可以被 AI 放大，信念不能被 AI 代持。

研究这一侧的能力，正在被 AI 稀释和商品化。基金经理的价值会越来越集中到另一侧——你看到了什么，你敢不敢下注，你能不能拿住，你是不是真正为持有人负责，你的判断值不值得被托付。

最近行业里争得比较多的一件事，是 AI 时代到底是研究员创造价值，还是基金经理创造价值。笔者觉得这个问题问得不对。真正的问题，从来不是谁创造价值，而是谁为持有人负责。这件事到最后只能是基金经理的事，因为也只有基金经理真正在承担受托责任的重量。

最后笔者想留一个更大的问号。

上面所有的讨论，都建立在一个前提之上——AI 是被动的，它能回答问题但不能自发提问，它能校准假设但不能自己生出假设。今天的 AI 确实是这样。

但这件事未来会不会改变？笔者不敢下结论。

如果有一天，AI 真的开始能提出人类想不到的问题，能自己构造假设、自己测试、自己推翻、再自己生出新假设——那一天来临时，笔者上面所有的分工框架、所有关于"人提供方向、AI 提供校准"的论证，可能都要推倒重来。到那时 AI 的认知水平可能已经远超人类，基金经理做的事也未必还是今天我们讨论的这件事。

笔者不知道那一天会不会来、什么时候来。只是觉得，在讨论 AI 能替代到哪一步的时候，应该把这扇门留着——不要因为现在的 AI 不会提问，就下结论说 AI 永远不会提问。

以上是笔者目前的想法，置信度不高。这个行业正在发生的变化太快，任何关于"AI 能走到哪一步"的判断都应该随时准备被推翻。写下来，只是让自己和读者都有一个可以再讨论的起点。