AI正在重写行业研究的基本功:从“人找数据”到“数据找人”

过去做行业研究，最贵的不是判断，而是把事实摆齐这件事。一家公司的自由现金流、经营性现金流、资本开支、同业对比、研报评级变化、电话会措辞、舆情拐点，传统流程里要靠人工在Wind、Choice、年报PDF、券商研报、新闻页面之间来回切，先做数据搬运，再做格式清洗，最后才进入真正的分析。一个标的的估值初筛，过去常常耗掉两到四个小时，其中大量时间花在“找数”而不是“想数”。

现在的变化是，大模型把这一层打穿了。你不再需要先想清楚数据库字段名，再写筛选条件；你可以直接用完整问题去问：“给我贵州茅台2022—2026年自由现金流表格，区分FCFF与FCFE，来源限定公开年报，输出可下载CSV。”模型会返回公式口径、年份序列和表格文件。搜数这件事，从“关键词堆砌”变成了“需求描述”；从人翻数据库，变成了AI按意图拉数据。

真正值得行业研究员关注的，不是“AI能聊天”，而是它把非结构化信息变成了可计算素材。研报里的评级上调下调、电话纪要里的管理层措辞、新闻稿里的回购与定增、社交平台里的情绪偏离，过去都躺在文本里，只能靠人读。现在可以通过NLP抽取成时间序列：分析师乐观指数、情绪反向指标、舆情突变信号、产业链措辞对比。这类数据不一定替代财务数据，但能补上传统模型看不到的“弱信号”——当评级连续转冷、措辞从“景气延续”变成“谨慎观察”，它本身就是风险调节变量。

提示词的本质，是把研究框架外化。好的问法不是“帮我分析茅台”，而是把对象、指标、时间窗、来源边界、输出格式一次说清：目标公司是谁、要营收还是现金流还是资本开支、对比哪几家、限定年报还是季报、输出表格还是CSV还是覆盖报告。第一轮先要概览，第二轮下钻细节，第三轮做交叉验证。比如让AI同时输出“看多证据、看空证据、最容易被忽略的三个风险、如果股价跌20%最可能触发什么”，比单要一份看多研报更有信息量。

工具层面，国内通用模型已经够用。豆包、Kimi、DeepSeek适合处理公开数据、舆情、纪要、覆盖报告初稿；WorkBuddy这类智能体平台的价值，在于把“搜数—摘要—建表—推送”串成自动化任务：每天拉一次AI coding与具身智能方向的新闻，过滤出重组、定增、大订单、业绩预告等触发词，再生成可复制的Markdown简报。机构侧也在把这类动作Skill化——财报勾稽检查、卖方评级变化汇总、电话会措辞对比、产业链价格周度更新，变成可复用的工作流，而不是每次重新写提示词。

但效率提升的前提，是验证链不能断。AI给的数字要回年报、回季报、回交易所公告、回互动平台；AI编的情绪指数只是替代性指标，不是事实本身。成熟做法是人机分层：机器做摘要、抽取、初模、线索池；人做调研结论、投决、风控与合规。所有关键数字标注来源和待核实事项，所有模型输出留痕，避免“看起来很完整，其实口径是编的”。

对行业研究来说，AI不是让研究员失业，而是把研究员从案头劳动里释放出来，逼人回到更稀缺的位置：定义问题、设计假设、判断信号权重、对不确定性负责。未来研究能力的分水岭，不在于会不会用提示词，而在于有没有把自己的分析框架沉淀成可复用系统——数据口径稳定、验证机制清晰、工作流可审计。到那时，研究不再是一篇篇临时写出来的稿子，而是一套持续运行、不断纠偏的认知基础设施。

（本文参考来源：华尔街学堂课程笔记、上市公司公开年报与交易所公告、券商研究报告与电话会议纪要等公开数据）