AI 替代分析师，替代的是哪部分

这两年你大概反复听到同一句话：分析师这行要没了。说这话的人给的证据也挺唬人——你把一份年报丢进对话框，十几秒后出来一篇结构工整的分析，商业模式、财务概览、风险提示样样不缺，写得比不少研报还顺。

但你要是真拿它做过一次决策，会有另一个感受：省下来的时间，好像没有想象中那么多。摘要是出来了，你还是把那几页原文翻了一遍；数字是列出来了，你还是回表格对了一遍。忙活半天，账上到底省了多少，你自己都说不清。

这两种体验都是真的，它们只是在说不同的活儿。「分析师的工作」不是一件事，是一条流水线上七道不同的工序，每道工序被替代的程度差得非常远。不把这条线拆开，你就只能在「AI 无所不能」和「AI 全是废话」之间来回摇摆，而这两个位置都帮不了你干活。

这一节干的就是拆线的活儿。拆完你会看到一个规律，那个规律比七条结论本身有用得多。

先说一件跟投资无关的事：导航替代了你哪部分

想想你现在怎么开车去一个陌生的地方。

十几年前这件事很麻烦：先得查地图、抄路线、记住第几个路口拐弯、路上还得盯着路牌确认自己没走错，走错了要靠感觉找回来。现在你只做一件事——输入目的地，然后跟着提示走。

那么导航到底替掉了哪几样？认路、记路线、算距离、实时避堵，全替了，而且替得比你好。 这几样有个共同点：对错当场就知道。它让你右转，你右转了，前面是不是那条路，抬头一看便知；它说堵车，你到了那儿看见一片红灯，也当场验证。

再看它没替掉的：去哪儿、去不去、走不走这一趟。 你要去看的那套房子值不值得跑一趟，导航一个字都不会说。还有一样它更不会碰——你在路上出了事，责任是你的，不是它的。

有意思的是中间那一档。导航会给你三条路线，标着时间。选哪条其实还是你在做：赶时间选最短，带着老人选最平稳，下雨天你可能故意绕开那段容易积水的高架。它把算术全干完了，把选择原封不动地留给了你。

这个梯度，就是我们要往投研上套的那把尺子。 越靠近「当场能验对错」的活儿，越彻底地被替掉；越靠近「后果由谁承担」的活儿，越替不掉。中间那一段最微妙——看起来被替了，其实只是被算完了。

放到你自己的研究上意味着什么

你可能会说，我又不是分析师，我就是个业余投资者。

但你干的活儿，恰恰是同一条流水线的缩微版。你想搞清楚某消费公司值不值得长期拿着，你会做这么几件事：去找它最近几年的定期报告和公告，翻一遍看看讲了什么，把几个关键数字抄下来，看看这几个数字互相对不对得上，估一估未来几年大概是个什么样子，然后决定信不信、买不买，最后拿着它承受涨跌。

七道工序，一道不少，只是每道都比机构里的糙一点。所以这篇拆的不是别人的饭碗，是你自己每周花掉的那几个小时该怎么重新分配。

这里有一件事必须先讲清楚，否则后面全是空话：外包一道工序，不等于这道工序从你的时间表上消失了，它只是变成了另一种活儿——验收。

你让它从一百页里挑出十条关键信息，它给了你十条。现在问题来了：你怎么知道这十条是对的、并且没漏掉第十一条？你得回原文看。看多少？如果你能提前知道它哪条会错，你就只查那一条——可你不知道，所以你要么全查，要么赌它没错。

这就是所有「AI 提效」话术里最常被跳过的一步。 省下的时间等于「自己干的时间」减去「验收的时间」，而不是等于「自己干的时间」。有些工序，验收比自己干还慢。判断该不该外包，这道减法是绕不过去的。记住这道算式，我们开始逐块过。

七块逐块过：能替到什么程度，剩什么活儿

第一块，找资料：替得多，但「拿到原件」这一步不能交

能替的部分是「知道该找什么」。 你想搞清楚这家公司的收入是靠哪几块业务撑起来的，该翻年报里的哪一节、该看哪几个公告类型、还有没有别的公开渠道能补充——这类问路的活儿，它回答得又快又全，尤其在你对一个陌生行业完全没有头绪的时候，它能帮你把「我不知道自己该问什么」变成一张清单。

不能替的是「把原件拿到手」。 它给你的出处、链接、文件名，有相当概率是照着「一份出处应该长什么样」编出来的——格式挑不出毛病，点开却不存在，或者存在但内容对不上。这一类问题在本站单开过一篇讲得更细，见一手资料纪律。

落到动作上只有一句：清单可以让它列，原件必须你自己从官方披露渠道下载。 这一步不省，后面全省。

第二块，读材料：这是最划算的一块，但摘要只能决定「你自己读哪儿」

几百页的东西压成两页，它做得非常好，好到我认为这是目前投研里性价比最高的一处替代。

但压缩这件事有个躲不开的性质：信息一定会丢，而丢掉的部分是按「常见的重要性」筛的，不是按「对你重要」筛的。 你关心的可能恰好是附注里一句关于结算方式变更的话——在通用的重要性排序里它排不上号，在你的问题里它是核心。

所以这一块的正确用法不是「读摘要代替读原文」，而是用摘要给原文做一张地图：让它告诉你这份材料分几块、每块大意是什么、哪几页在讲你问的那件事，然后你翻到那几页，自己读。原文你还是要读，只是从两百页缩到了二十页。这个收益已经非常可观了，别贪心去要那剩下的二十页。

第三块，提取数字：看着最机械，其实是最容易翻车的一块

按直觉，从表格里把数字抠出来应该是最好替代的——纯体力活。实际恰恰相反，这是七块里我建议你验收强度最高的一块。

问题不在于它不认识数字，在于同一个名目下面往往并排躺着好几个数：本期和上年同期、合并口径和母公司口径、含税和不含税、经调整和未调整。它挑错行的时候，输出看不出任何异样——数字是真的，格式是对的，就是取错了那一列。而你拿到的是一个孤零零的数，看不见它旁边站着谁。

更麻烦的是另一种情形：原文里根本没有这个数，它给你算了一个，或者给了一个「应该是这么大」的数。 这类编造为什么难被发现、长什么样，本批另一篇编造的财务数字长什么样专门讲。概念上的成因和核验清单可以看AI 幻觉的形态与核验清单。

这一块最值得套用前面那道减法：如果你只需要五个关键数字，自己去表里抄，比让它抄再回去逐个核更快。 让它抄的意义只在于量大——要几十上百个数、并且你打算之后做批量校验的时候，才划算。

第四块，交叉核对：它最容易假装干完的一块

交叉核对是研究里最见功夫的一道工序：同一件事在正文、报表、附注、以及历史上的说法里，对不对得上。经营性现金流和利润长期背离、存货增速远超收入增速、管理层今年的口径和去年的口径悄悄换了——真问题往往就藏在这类不一致里。

它在这块的表现有个很具体的毛病：擅长发现「说法相似」，不擅长发现「本该相等却不等」。 你让它比对两段话，它比得挺好；你让它检查一组数字之间的勾稽关系，它经常给你一句「两者口径可能存在差异，建议进一步核实」，就把这一页翻过去了。

这句话读起来像是尽到了责任，其实是把矛盾抹平了。而矛盾恰恰是你要的东西——你做交叉核对，图的就是那个对不上的地方。

可行的做法是把这道工序拆成两半：让它负责「摆出来」，你负责「判定」。 要求它把每个数字连同出处一起列成表，同一件事的不同来源并排放，不许写任何解释性的话，也不许下「无异常」的结论；表出来之后由你一行行看哪里对不上。位置怎么摆、每道核验动作插在流程的哪一步，本站核验动作放在流程的什么位置讲得更细。

第五块，算账：替代度最高，价值也最低

给定一组假设算出结果——这块基本可以全交出去。收入按几种增速走三年分别是什么样、不同的成本变动对利润率的影响有多大，它一分钟给你三套，还能顺手做敏感性表格。这件事人来做既慢又容易按错键。

但你得清楚一件事：一个估算模型里，算术只占很小一部分，绝大部分含量在假设上。 增速凭什么定这个数、这个成本项凭什么认为能压下来、行业格局凭什么假设不变——每一条都是判断，而判断是下一块的事。

所以这块的替代看着最彻底，实际给你省的思考量最少。它把你从计算器前面解放出来，但你原本该花的功夫，一分钟都没少。

第六块，形成判断：基本替不掉，原因不在聪明程度

到这儿梯度开始陡了。

形成判断这件事，说白了是在一堆互相矛盾的证据里下注。毛利率在往下走，管理层说是主动降价换份额——这个说法可能是真的，也可能是在给丢失定价权找台阶。两种解释在数据上长得几乎一样，没有任何一份材料能替你裁决，你只能结合你对这个行业、这个管理层过往言行的理解，押一边。

它替不了这件事的原因不是「不够聪明」，而是它下注不用付钱。一个不承担后果的判断，天然倾向于说得完整、说得两边都对、说得笃定，因为这么说没有代价。人在真要亏钱的时候，会自动变得含糊、会去找反面证据、会在没把握的地方老实说不知道——这些行为都是代价逼出来的。

这块和下一块的完整拆解，本站有三件事无论 AI 多好用都别交给它已经讲透，这里不重复。

第七块，承担后果：完全不可替代，而且这一块决定了前六块

亏了钱难受的是你，睡不着的是你，三年后要跟家里交代的还是你。这句话不用论证。

需要多说一句的是它的反向作用力：正因为后果全在你身上，前六块里每一块的验收责任也全在你身上。 你不能说「这个数是 AI 提的，错不在我」——在市场上这句话一分钱都换不回来。

那条比七条结论更有用的规律

回头看这七块的排序，你会发现一件事：它不是按难度排的。

从表格里抄一个数，难度低到极点，可它的替代度并不高；跑一套三情景敏感性表，难度明显更高，替代度反而接近百分之百。如果按难度排，这两块的位置应该反过来。

真正在决定顺序的是另一条东西：你多久能发现它错了，以及要靠谁才能发现。

• 算术错了，你重算一遍就知道，几秒钟，不需要额外信息。
• 摘要漏了东西，你翻回原文就知道，几分钟，需要原文在手。
• 数字取错列，你回表一比就知道，但前提是你想到了要去比——它不会举手。
• 交叉核对被抹平了，你可能永远不知道，因为「未发现异常」和「没认真找」的输出长得一模一样。
• 判断错了，要等好几年才见分晓，而且到时候你还分不清是判断错了还是单纯运气差。

排序一下就通了：错误暴露得越快越便宜，这块越敢外包；错误暴露得越晚越贵，这块越不能交。

这条规律的好处是它能自己长出结论。以后碰到一项新任务——比如「让它帮我整理某个行业过去几年的政策脉络」——你不用去查任何清单，只问自己一句：如果它这里编了一条，我多久能发现？ 如果答案是「翻两份公开文件十分钟就能验」，那就放心用；如果答案是「我根本没有办法验，只能信」，那这就不是一项能外包的活儿，它是一个你必须自己去啃的坑。

顺带说一句，这条判据不只对 AI 成立。你对待一份免费流传的研报、一个群里转来的观点，用的应该是同一把尺子。为什么「说得像」能长期冒充「算得准」，AI 能不能预测股价那篇从另一个角度讲了同一件事。

把它变成你下周就能用的三条纪律

纪律一：先算减法，再决定外不外包。 动手之前花十秒钟估一下——验收这活儿要多久？如果验收时间接近甚至超过自己做的时间，直接自己做。少量关键数字属于此类，长材料的初步梳理不属于。

纪律二：外包出去的每一块，配一个当场能做的验收动作。 想不出验收动作的，就不要外包。「我读一遍觉得挺有道理」不是验收动作，「回原表比对这五个数所在的行列」才是。

纪律三：省下的时间要往后半段挪，不是往回收。 这条最容易被忽略。前几块提效之后，你多出来的两小时，正确的去处是坐下来想清楚「我到底信不信这个逻辑、什么情况下我会承认自己错了」——也就是第六块。如果省下来的时间被用去多看三家公司，那你只是把研究做得更薄了，而薄的研究在下跌的时候一点用都没有。至于哪些活儿最值得把时间投进去，本批AI 真正能帮你做好的五件事接着往下讲。

一句人话

它能帮你把资料翻完、把要点摘出来、把账算清楚，这些活儿它干得比你快，而且干错了你当场就能看出来；至于这家公司到底行不行、这笔钱要不要投、跌下来你扛不扛得住——这几件它一件都干不了，因为赔钱的是你。省下来的时间，就该花在这几件上。

本文为投资知识科普，不构成任何投资建议。文中所有做法均需你自己验证后再使用。