“有了AI以后，我们第一次真正意义上了解客户没有说出口的需求。他跟你说‘没事，我可以承担风险’，但真正风险来的时候，他就要骂你了。”盈米基金董事长肖雯惊讶地发现，AI对客户行为数据的深度挖掘，包括操作习惯、持仓时长、咨询内容甚至浏览记录，使得他们获得了远超以往的客户洞察能力。
在近日举办的晨星（中国）2026年度投资峰会上，来自资管机构、金融科技公司、行业智库的多方嘉宾围绕AI给行业带来的变化展开了讨论。
时至今日，AI对资管与财富管理行业的渗入已超出许多从业者的预期。据肖雯介绍，盈米内部部署了大大小小200多个模型，Dify平台上活跃着3000多个AI应用，月Token（词元）消耗量达千亿级别。“AI已不再是实验项目，而是真正成为了水电煤，成为了普通员工日常工作的必需品。”
但深水区同样暗流涌动。嘉实财富总经理陶荣辉直言：“我是不敢把权限交给‘龙虾’的，尤其是我们这个行业，客户隐私非常重要。我们所有数字的背后都是客户的真金白银、真实信息和真实需求。”
对智能体的不信任、对数据安全的忧虑、对责任归属的困惑，与技术乐观主义形成了鲜明对照。而随着技术普及，将给行业带来新的分化，也给从业者带来新的挑战。
“AI遇强则强，遇弱则弱。同样一个问题，你点拨它不同的地方，它会给出不同的答案。”讯兔科技创始人李罗丹判断，技术普及未必带来能力均等化，反而可能加速从业人员之间的分化。
在李罗丹看来，AI时代优秀投研人员需要具备三项能力：充分拥抱AI，让信息处理能力得到10倍以上的增强；与人充分接触，在线下构筑强大的信息网络；基于更强的信息采集能力，构建和别人不一样的非共识认知。
然而，对许多行业机构来说，从技术渗透到真正赋能行业，中间还横亘着数字化底座薄弱、组织惯性等多重难关。
更大的压力来自外部。“AI巨头正在从幕后技术的‘赋能者’变成前台的‘竞争者’。”在肖雯看来，技术平权时代加速到来，标准化能力不再是护城河，行业竞争壁垒正在经历消失和重构。每一家机构都不得不重新回答一个问题，自己的护城河到底是什么。
从辅助工具到核心环节
AI在投研领域的应用可以分成三个阶段。
李罗丹总结，最早是处理会议纪要、翻译等单步任务的“助理时代”，将基金经理从每天七八个小时的会议中解放出来；随后是“推理模型驱动”阶段，AI能将研究问题拆解为二三十个步骤，完成个股分析和行业研判；当前则进入“师徒时代”。
“AI的进化已经离不开人的反馈和强化。只有在不断交互、言传身教的过程中，AI才能变得越来越强、越来越准，甚至有你的记忆。”李罗丹分析，在这一阶段，AI开始吸收人类分析师只可意会不可言传的隐性经验，而这类知识在人类智慧中的占比远高于显性知识。“换句话说，AI的学习对象正从公开数据拓展到人脑中最难被编码的那部分认知。”
“目前我们的智能投研系统在‘信息助理’方面的功能已经比较完善，包括报告阅读、会议提炼、市场总结、主线分析等很多投研信息由AI进行高效处理，大幅提升了投研人员的工作效率。近一年也在朝着‘机会总结’功能推进。未来仍会积极探索AI在辅助决策方面的潜能，最终结合人和科技的优势提升决策质量。”头部私募淡水泉介绍。
九鞅科技创始人何华将AI在投研中的角色定位为“调度员”，能听懂指令、调用数据的计算引擎和工具平台，“像一个靠得住的博士生”。但他同时指出了边界：在高端定价模型等精工计算环节，AI的能力并不强，“做不了非常复杂的定价计算”。这意味着，AI当前解决的主要是流程调度和中等复杂度的分析任务，而非取代顶级判断。
渗透的广度也在技术供应商的数据中得到印证。阿里云金融行业副总经理徐志良透露，其所服务的券商中，程序员平均一天在AI辅助编程上消耗3000万Token。算力和模型供给已近商品化，供给侧平权正在发生。
财富管理一侧，AI已嵌入多家机构的核心业务流程。易方达财富总经理韩香介绍，AI已进入其投顾业务的投研、交易、顾问服务等多个环节，效率提升显著。
肖雯将传统财富管理模式的困境概括为一个“不可能三角”：个性化深度、规模化广度、高质量服务的一致性，三者很难兼得。“AI介入能够真正让这三者同时成为可能，使机构有能力对大众客户实现个性化、大规模、高质量的服务。此外，AI解决了以前做不到的服务一致性和与客户交互的长程记忆问题，让投顾服务不再仅仅依赖个人的经验和状态。”
但渗透加速也带来了新的分化，这使得技术让所有人回到同一起跑线的叙述未必成立。更可能出现的图景是，善于驾驭AI的人与被动使用AI的人之间，差距加速拉大。
李罗丹分享了一项与清华大学的联合研究结论：AI遇强则强，遇弱则弱。“有了AI是不是整个市场会趋同？我们的结论是‘不是’，整个市场会变得更加异构化，因为人和人之间的思想是不一样的，而AI是人思想的一面镜子，它会强化和加大你很多的想法，使人群的分化。”
这种分化在投研领域体现得尤为具体。
何华提出，AI正在区分Alpha的来源。“原来靠信息差、人工覆盖面的幅度、基础研究能带来的Alpha会越来越不显著，这些相对含金量低的Alpha会被消失，但是高阶的Alpha反而会在新的环境下带来更大的收入效应。”
“整个投研工作的全流程基本上都会受到巨大冲击。”一位头部私募人士对《财经》表示，“人的任务边界、效率以及任务量级都会有巨大变化。AI对一家公司做了深度研究、发现机会之后，会告诉你去调研、问哪些问题，人成了AI的手和嘴巴。”
AI时代，什么不可替代？
当标准化工作被AI大量承接，人的价值必须向更高维度迁移。这构成了当前行业讨论中最具共识的方向。
李罗丹将未来的投研价值聚拢为三个领域：一手产业信息、非共识认知，以及市场参与主体的关系管理。“AI可以快速集成1000篇、1万篇文章里的认知，但它只能代表市场中枢。人才能代表那个未知的、非共识的、前瞻性的研究能力。”在他看来，未来好的投研人员就是要在AI卷平了标准化信息之后，还能给出市场平均认知之外的判断。
诺亚正行副总经理赵轶哲引用的一项实验数据为之提供了佐证：AI能帮助新手在短时间内达到80分水平，但从80分到95分以上，依靠的是从业者长期积累的认知和品位。
“对长期投资人而言，经过时间积累沉淀下来的洞察力和判断力是AI无法替代的。将AI技术优势与人类智慧深度融合，可以为主动权益投资创造长期价值。”淡水泉表示。
财富管理一侧，多位嘉宾将信任推到了核心位置。
嘉信理财（上海）总经理Thomas Pixley提出，“买方投顾本质上推销的不是基金、股票，我们推销的是信任。”
陶荣辉从责任归属的角度呼应了这一判断：“理财结果需要有人‘背锅’。我不可能对智能体说‘你给我提供建议，我没赚到钱’。责任需要厘清边界。”
在陶荣辉看来，AI的本质是赋能理财师，释放其精力以经营客户信任，但AI的局限性同样不可忽视，它不能承担责任，缺乏情感链接，依然存在幻觉。正因如此，他不敢把权限交给智能体，尤其在这个客户隐私和真金白银高度敏感的行业。
肖雯将人机协作的分工进一步明确为：“AI负责效率与精度，人负责温度与信任。”AI承担标准化服务、7×24小时响应、多目标资金规划的自动化以及基于账户的实时跟踪与偏离度计算；人则专注于客户人生目标的深度理解、重大决策的情感支持、复杂情况下的商业判断，以及长期信任关系的建立。“我们做的是买方投顾，这种高连接、高情感的行业，是不容易被AI碾压和取代的。”
当被问及盈米基金的护城河到底是什么时，肖雯给出的回答是：“垂直领域里面对于业务的认知，这种深度认知以及由认知带来的自主能力，这些能力最后都要在场景下解决客户问题，我们真正能积累的其实是场景和数据，这个才是在垂直行业里面我们有机会活下来的护城河。”
外部冲击也在验证这一判断的紧迫性。肖雯提到，Anthropic已与LPL Financial合作，为后者旗下3万名独立投顾装上了AI系统；OpenAI过去半年内收购了两家创业财富管理公司，收编团队、关闭产品。“AI基础设施公司正在为财富管理行业提供标准化的智能底座。AI巨头正在从幕后技术的‘赋能者’变成前台的‘竞争者’。”
“我们有牌照的壁垒，但时代潮流下，该来的迟早都会来。”肖雯说，“洪流之下，无人能置身事外。”
AI落地的瓶颈
对行业而言，当前更现实的命题是，AI如何更好地在财富管理业务中落地。
何华给出了一个直截了当的判断：AI落地的真正瓶颈已不在模型本身。“AI本身不重要，大模型太方便了。真正想实现从投资资管角度的价值，更缺的是底层数据和底层模型。”
何华与大量金融机构打交道后的判断是，国内约80%的金融机构尚未做好底层数据和底层模型的搭建。“海外金融机构在二三十年前就开始了数字化转型，我们的数字化转型是过去五年里的事。当机构开始拥抱AI的时候，会发现底座很松动，没办法真正实现它的价值。”
这一判断与肖雯的实践观察吻合。她提出，很多企业把模型安装了但是用不起来，只能做OA办公自动化，根本原因在于数字化能力不够。“如果没有数字化的基础，AI智能化是没有基石的。我们跟合作伙伴合作时，一般做的第一个项目就是数据治理，把企业所有孤岛数据、分布在不同部门的客户和业务流程数字化，这样才有智能化的基础。”
数字化底座之外，Alpha来源的转移也带来了新的挑战。
过去数年行业的主流方法论，包括多因子模型、量化选股、行业轮动等建立在可标准化、可回测的信息之上。当AI令这类信息的获取与分析成本急剧降低，大量策略面临Alpha衰减。
“真正可能留存甚至放大的Alpha，是来自私域数据、内部纪要、投决会经验等不可标准化环节的超额收益。”何华说。
然而，私域数据治理、隐性经验的结构化等下一阶段的基础设施，在多数机构中远未建成。这是当前投研端最突出的能力断层。何华还特别指出，进入生产系统后容错率极低，“卖方研究是各家讲各家的故事，但生产阶段的容错率是相当低的，金融机构没办法为出错买单”。
组织端的阻力更为隐蔽，也更为顽固。肖雯援引一家在AI应用方面领先的金融机构的判断：“我说组织用AI比个人用AI的难度要大10倍，结果那位负责人跟我说，要难100倍。”
肖雯用马具、缰绳和马鞍比喻AI进入企业的条件。“一匹千里马如果没有缰绳和马鞍，人骑不上去。”
肖雯表示，过去三年，行业经历了从拼模型到拼上下文再到拼工程的范式演进，安全围栏、权限管理、数据治理等一系列驾驭工程，是AI从个人工具走向企业级应用的先决条件，正是部署过程中最容易被低估的环节。
这种阻力不仅来自技术层面。
徐志良分享了阿里云自身的反思：新工具往现有系统上堆叠时遇到的阻力，相当一部分来自组织和管理惯性，而非技术本身。“过往的成功会不会成为未来发展的绊脚石？”
徐志良观察发现，创新点往往来自中小机构，而大机构更倾向于在过去的成功之上“嵌入”AI能力。“我们觉得应当堆叠，不应当嵌入。大机构需要警惕过去的成功，中小机构则应善用大厂和云厂商的能力。要在海上造船，不要在沙滩上建塔。水涨船高，沙滩上的塔肯定被淹掉。”
百度智能云金融事业部解决方案总监吴文彦则从技术实施角度提供了一个判断：“未来形态10%的技能由核心工具厂商开发，真正解决问题的90%的Skills，需要贴近一线业务人员用平台工具去研发。”
这些不同角度的观察指向同一个结论：AI落地的瓶颈在组织自身的变革意愿与执行能力。
肖雯将AI转型总结为名副其实的“一把手”工程，并提出业务人员和IT人员的融合是关键。“我们总是‘甩锅’给IT，说AI不行。不是的，是你没有学会。真正厉害的是业务团队跟科技团队的融合，他们紧紧抱在了一起。”
216.73.217.5
