AI赋能投研的核心观点 - AI大模型显著提升投研效率，例如会议录音转文字从2小时缩短至10分钟，ETF模拟组合年化收益率从6.75%提升至7.18% [1][8] - AI应用覆盖数据处理、信息加工、决策辅助等多个环节，但高级应用中AI有效性仅约40% [7][8][9] - 行业共识认为AI是工具而非颠覆者，未来将形成"人工主导+人机协作"的常态 [12][13] 券商AI应用落地案例 - 中金公司：推出数字化投研品牌"中金点睛"，提供AI搜索、智能纪要等服务，覆盖近百万用户；内部通过自研系统提升报告模型、路演会议等场景效率 [3] - 广发证券：实现行业指标自动问答调取、研报增强搜索，并探索研报翻译、会议纪要等AI辅助工具 [4][5] - 中信建投证券：建立行业知识库，通过大模型智能体管理研报/纪要，自动生成日报/周报，内容采集和版式调整全自动化 [4][6] - 申万宏源：研发新平台应用于信息搜集、数据处理、风险预警等环节，强调AI与人工校准的协作模式 [4][13] AI应用层级与有效性 - 初级应用：数据清理、热点追踪等标准化任务，AI可完全自动执行（有效性100%） [8] - 中级应用：专题研究、资产配置优化等，AI需人类提供框架（有效性60%），例如ETF优化模型提升收益率0.43个百分点 [8] - 高级应用：市场深度洞察、大型课题研究，AI难以独立完成逻辑推理（有效性40%） [9] 技术挑战与解决方案 - AI幻觉问题：通过金融数据库接入、Prompt Engineering、RAG检索增强生成、多模型交叉验证等手段提升输出可靠性 [10] - 算力瓶颈：私有化部署模型算力有限，部分券商探索本地化模型迁移和批量处理优化以降低API依赖 [11] 未来投研范式展望 - AI将推动研究范式从经验驱动转向数据驱动，但核心价值在于效率提升而非创造性替代 [12] - 分析师角色向高阶认知迁移，专注价值判断与决策，AI则承担信息采集、基础分析等"体力活" [13]