对交易、投研、财富管理与机构竞争格局的影响

问题陈述。 如果AI只是让所有人的效率一起提高，那么它并不会产生新的竞争格局。真正需要研究的是：

哪些优势被AI商品化？哪些优势反而因为AI变得更值钱？

投研：从“分析师生产报告”向“机器覆盖、人类判断”迁移

传统投研的稀缺资源是分析师时间。一个分析师只能覆盖有限公司、有限电话会、有限公告和有限行业。

AI将大量“阅读型工作”变成机器任务：

找资料 → 提取 → 摘要 → 横向比较 → 历史回溯 → 初步模型 → 风险点枚举。

Morgan Stanley AskResearchGPT已经把每年超过7万份研究报告变成可即时搜索的知识库；中国证券行业公开案例也显示，大模型已被用于会议摘要、高频日报/周报和研究辅助。citeturn22search6turn22search17

因此分析师价值不会简单消失，而可能向上迁移：

从“谁看过更多材料”，迁移到“谁更会确定真正值得研究的问题、识别关键变量、访问企业真实情况、建立因果机制并否定错误假设”。

这也是为什么AI越强，真正高水平的研究判断未必越不值钱，反而可能因为可以被AI规模化而更值钱。

交易：公开信号的半衰期可能进一步缩短

如果几十万投资者和机构都拥有文本理解模型，一个公告发布后“机器读完”所需的时间，显然不会像过去那样以小时计。

因此本文提出一个重要推论：

AI首先消灭的，很可能就是最容易由AI复制的Alpha。

例如：

“财报出现某关键词 → 买入”

“新闻情绪为正 → 买入”

“分析师上调评级 → 买入”

这类低维、公开、容易机器化的策略一旦有效，很容易被竞争者复制，从而使价格反应提前。LLM新闻研究中观察到采用增加后策略收益下降，是这一机制的早期经验性证据之一；市场信息理论也长期表明信息获取与价格效率之间存在内生互动。citeturn21search12turn17search14

未来相对更难被消灭的优势将向四类地方迁移：

非公开/稀缺但合法的数据；复杂关系；因果认识；执行能力。

这就是为什么交易竞争不会因为模型越来越强而结束，只会向更高层移动。

财富管理：知识产品开始商品化，“理解客户”变成更重要资产

财富管理过去存在一个结构性问题：客户经理掌握有限知识，专业专家数量有限，而每个客户的财务状况和需求不同。

AI使大量标准化知识服务边际成本下降：

产品解释、市场摘要、持仓分析、会议纪要、材料生成、初步资产配置、合规检查、客户问题检索。

Morgan Stanley的实际部署已经体现这种路径。英国FCA在2025年对4100多家金融顾问机构的调查中也发现，机构正在探索AI用于客户互动、合规与风险、运营自动化；对“使用或考虑在建议流程中使用AI”的机构而言，大型机构比例达到95%，中型机构81%，小型机构48%。这一结果只代表英国样本，却已经表现出明显规模梯度。citeturn16search11

这说明未来财富管理最大的变化可能不是“AI代替投顾”，而是：

低价值的信息解释被AI商品化，高价值的信任、目标定义、行为管理、复杂人生决策和责任承担相对升值。

因此未来优秀财富顾问可能不是一个“金融知识百科全书”，而是：

客户真实目标定义者 + AI系统调用者 + 风险责任承担者 + 长期行为陪伴者。

机构竞争：规模经济可能从“人头规模”变成“AI系统规模”

英国央行与FCA 2024年联合调查发现，75%的受访金融机构已使用AI，另有10%计划在未来三年使用；受访机构AI使用场景中17%已经涉及foundation models，预计每家机构的AI用例中位数三年内由9个增至21个。大型英国银行和国际银行当前用例中位数已经分别达到约39和49，明显高于总体中位数。citeturn16search9

这非常重要。

过去大型机构的规模优势来自：

更多分析师 + 更多IT人员 + 更多分支机构 + 更多资本。

AI时代可能增加新的规模经济：

更多独占数据 → 更好AI → 更多员工使用 → 更多反馈 → 更好的AI → 更深嵌入工作流 → 更多数据。

这形成一个新的正反馈：

数据 → 模型 → 工作流 → 使用 → 反馈 → 数据。

如果这个飞轮成立，AI并不一定天然帮助小机构缩小与大机构的距离。基础模型确实让小机构获得过去只有大公司才能拥有的能力，但大型机构拥有更多专有数据、客户场景、合规资源和反馈样本，可以把同一个通用模型训练、评估和嵌入得更深。

英国调查同时发现，约三分之一AI用例依赖第三方；前三大第三方供应商分别占受访机构所报告云、模型和数据供应的约73%、44%和33%，显示新的集中度风险也正在形成。citeturn16search9

所以未来机构可能出现两股相反力量：

模型商品化 → 降低进入门槛。

同时：

数据、分发、监管、工作流、反馈规模化 → 增强头部优势。

哪股力量更强，将决定金融行业未来集中度。

中国资本市场正在进入同一阶段，但监管明显强调“先治理、再规模化”

2025年中国证券行业首次全国范围AI发展研讨会中，监管相关负责人明确提出证券AI同时面临数据安全保密、模型幻觉、伦理、成本和舆论炒作等风险；到2026年3月的证券行业大数据专题研讨会，监管讨论进一步聚焦“高质量数据治理是AI落地基础”。citeturn22search0turn22search15

这说明中国机构竞争未来很可能不仅比：

谁接入模型快，

而是比：

谁能够把数据治理、模型能力、投研流程、合规和组织变革真正连接起来。

关键结论。

资本市场的竞争单位正在发生一个非常重要的跃迁：

过去是“人和人竞争”；然后是“机构和机构竞争”；未来越来越是“人机系统和人机系统竞争”。

可以把未来机构能力写成：

机构AI竞争力 = 数据 × 模型 × 专业认知 × 工作流 × 执行 × 治理 × 反馈

注意是乘法，而不是加法。

拥有最强模型，但没有可靠数据，结果可能是0。

拥有大量数据，但没有正确研究问题，也可能接近0。

模型和数据都很好，没有合规权限，仍然不能进入真实金融业务。

可执行建议。 判断一家金融机构“AI实力”时，不要统计它发布了多少“大模型”，而要问：多少核心员工每天实际使用？接入了多少独占数据？是否进入核心工作流？是否有专业eval？错误如何被发现？是否影响真实决策？有没有可量化的成本、收入、风险或客户结果改善？

这比“公司宣布接入某模型”有意义得多。