伯恩斯坦资产管理生成式 AI 研讨会核心要点

摘要： 本报告总结了伯恩斯坦在香港举办的资产管理生成式 AI 研讨会核心内容，重点探讨了 Gen AI 如何重塑投资流程，涵盖了行业采纳现状、生产力提升、Alpha 生成、工作流重构以及垂直 AI 工具的竞争格局。

行业主线：

1. AI 采纳度快速提升：过半数参与机构已建立结构化 AI 计划且有部分用例投入生产，主流采用“自建 + 外购”的混合模式。
2. 应用场景分层：AI 应用主要分为生产力增强（如快速信息提取、自动化公司初探）、Alpha 生成（如内部观点与市场共识对比、从非结构化视频/图片中提取原生数据）以及工作流重构（如研究报告的自动摄取与智能分发）。

关键变化与分歧：

1. 分析师角色转型：信息获取效率极大提升，分析师的竞争力将从“信息收集”转向“深刻洞察”、“创造力”及“高质量提问”能力。
2. 量化与基本面界限模糊：AI 使基本面分析师能够覆盖更多标的，同时让量化分析师能深入挖掘个体公司，两者的研究模式趋于融合。
3. 垂直 AI 的护城河：讨论认为垂直 AI 工具的壁垒不在于基础模型，而在于金融原生知识的融合、实体映射（Ontology）以及对金融复杂工作流的深度编排。

受益方向与风险：

1. 受益方向：能够提供金融原生接口、实现 Agent 化自主计划执行、且能有效集成合规治理能力的垂直 AI 供应商。
2. 核心风险：模型幻觉（Hallucination）仍需通过“人机协同”验证；数据安全与合规限制是机构规模化部署的主要障碍。