ARTICLE · 1113666
基金公司开始让AI进入投研体系:为什么这一步比“人人用AI”更重要?
基金公司开始让AI进入投研体系:为什么这一步比“人人用AI”更重要?
过去两年，企业推动AI应用时，一个非常常见的目标是让更多员工把AI用起来。公司采购大模型账号，组织提示词培训，鼓励员工用AI写材料、查资料、做分析、整理会议纪要。随着模型能力越来越强，这些应用的效果也越来越明显：原来需要几个小时完成的工作，现在可能几十分钟就能完成；过去需要反复查找、整理的信息，现在AI可以迅速汇总；不少员工也确实感到自己的工作变得轻松了。 但另一个问题也越来越难回避：如果员工的工作效率已经明显提高，为什么很多企业并没有相应减少人员，整体产出也没有同比例增加？ 这个问题不能简单归结为AI能力还不够强。相反，很多时候恰恰是因为AI已经足够好用，企业才开始看清另一个问题：个人工作效率的提高，并不会自动转化为组织生产率的提高。 9月28日，《证券时报》对富国基金、易方达基金、广发基金、兴证全球基金等多家基金公司的调查，提供了一个很有意思的观察窗口。与过去主要让AI帮助员工阅读研报、整理会议纪要和回答问题不同，一些基金公司正在进一步把专业方法沉淀为Skill，让Agent调用不同Skill完成复杂任务，并尝试让AI进入研究、投资、交易和风控等业务流程。基金公司开始关注的指标也从“有多少人使用AI”，逐渐转向任务成功率、人工介入率、业务效果、投资价值和单Token成本。 
这一步为什么比“人人用AI”重要？因为前者主要是在提高员工完成原有工作的效率，后者则开始触碰一个更深层的问题：AI进入企业以后，企业原来的任务、能力、流程和组织方式是不是也应该随之改变？ 理解这个问题，可以先设想一个最典型的企业AI应用场景。 过去，一个研究员需要自己阅读几十份研报、整理数据、提炼信息、制作图表并形成初步分析。现在有了大模型以后，研报可以由AI先读，数据可以由AI先整理，初稿也可以由AI生成。研究员的确可以更快完成工作，而且最终成果可能比以前更完整。 从研究员个人的角度看，生产率毫无疑问提高了。 但从企业的角度看，原来的组织可能什么都没有改变。研究员仍然处在原来的岗位上，承担原来的职责；上游仍然按照原来的方式提出研究需求；下游仍然按照原来的方式审核和使用研究成果；原来的部门边界、审批流程、绩效方式和人员配置也没有变化。 在这种状态下，AI实际上相当于企业给每一个岗位配了一个能力非常强的“实习生”。它可以帮助在岗人员搜索信息、整理资料、生成初稿、检查错误，让原来的员工把原来的工作完成得更快、更好，但组织仍然按照原来的方式运行。 这也解释了为什么个人效率的改善在向组织层面传导时会出现明显衰减。 企业最终的产出从来不是某一个岗位个人产出的简单加总。一项工作通常需要经过多个任务、岗位和部门才能形成最终结果。如果AI把其中一个环节从一天缩短到一小时，而后面的审核、协调、决策和交付方式没有变化，整个流程并不会因此缩短到原来的十分之一。如果原来的岗位编制、职责边界和任务分配都没有变化，员工节省出来的时间也很难自动转化为人员减少。 甚至有时候，AI提高一个环节的生产能力以后，还可能产生更多材料、更多分析和更多方案，反过来增加下游审核和决策的负担。 因此，企业AI应用中一个非常重要但容易被忽视的问题是：AI提高的是哪一个层级的生产率？ 如果提高的只是个人任务效率，那么企业首先得到的是员工工作方式的改善；只有当这种能力进一步进入任务体系和业务流程，改变不同主体之间的分工方式，才有可能转化为流程效率、组织产出乃至人员结构的变化。 《证券时报》的调查之所以值得关注，就在于其中已经出现了一条不同于“人人使用AI”的路径。 基金行业最早使用大模型的场景同样很普通，主要集中在研报摘要、知识问答、会议纪要等信息处理工作。但现在，一些基金公司正在把AI继续往业务体系内部推进。 例如，易方达基金以EWork平台作为智能底座，并采用一种去中心化的Skill开发方式：IT团队提供开发底座、模板和技术支持，具体业务人员则根据自己的岗位痛点开发相应Skill。目前可以公开安装调用的Skill已经覆盖投研、交易、运营、销售、市场、合规和IT等核心业务条线。国泰基金则把资深研究员的方法论、行业框架和合规红线沉淀为标准化Skill，使这些原本依赖个人经验的专业方法变成可重复调用、可以评价和持续迭代的数字资产。 当Skill越来越多以后，新的变化进一步出现。富国基金的智能办公平台已经内置20多个Agent、60多个Skill，并接入50多个MCP，日请求量超过3000次；在投研领域，其“智能研究院”可以由研究专家Agent规划和拆解任务，再交给多个研究员Agent协同完成研究课题。富国基金同时强调，最终仍采用“AI辅助生成+人为审核”的方式，由人提出问题、验证关键假设并承担最终决策责任。 这些变化表面上看仍然是模型、Skill、Agent和MCP等技术概念，但如果把它们放回企业运行过程，就会发现它们正在改变一个更重要的东西：能力不再完全依附在某一个具体的人身上。 过去，一个优秀研究员积累十年的行业研究方法，主要存在于他的经验、习惯和判断过程中。企业可以通过培训、师徒制、研究框架和知识库把这些经验传递给其他人，但最终仍然需要另一个人理解、掌握并重新运用。 Skill带来的不同在于，一部分相对稳定、可以结构化的专业方法第一次可以被封装成机器能够直接调用的能力。例如怎样获取数据、按照什么框架分析一个行业、检查哪些风险因素、遵守哪些合规红线，不再只是写在制度或者培训材料里，而可以直接成为AI执行任务时调用的能力模块。 易方达基金把这种变化形象地概括为“经验随代码流传”，并提出通过投研经验的数字化和标准化，把个人能力转化为可以规模化复用的公司能力。 这个变化比“给研究员一个更聪明的聊天机器人”重要得多。 不过，如果因此直接得出“把专家经验做成Skill，就完成了从个人能力到组织能力的转化”，仍然太快。 Skill首先解决的是能力资产化的问题。过去依赖个人掌握的一部分专业方法，可以被结构化、保存、复用和组合，不再完全随着个人流动而流失。这是非常重要的一步，但它还只是企业拥有了一项新的能力资源。 真正的组织能力，还取决于这项能力怎样进入企业运行。 假设一个企业已经把优秀研究员的分析方法封装成了Skill，但实际工作仍然要求所有研究员按照原来的流程手工完成同样的分析，Skill只是员工有需要时可以调用的一个辅助工具，那么组织实际上并没有发生根本变化。 真正的问题应该继续往下追问：既然AI已经能够稳定承担其中一部分任务，那么这些任务还需不需要继续保留在原岗位职责中？原来需要三个岗位接力完成的流程是否还需要保持原来的环节？人的工作应该向哪些判断、决策和沟通活动转移？Agent可以独立执行到什么程度，什么情况下必须由人介入？最终责任由谁承担？绩效又应该怎样评价？ 只有这些问题开始被重新设计，AI能力才真正开始进入组织。 因此，从个人经验到组织能力，中间至少还存在一条更长的转化链条： 个人经验被结构化，形成可以重复调用的Skill；Skill成为企业拥有的AI能力资产；Agent围绕具体任务调用和组合这些能力；企业进一步重新划分人与AI的任务边界，并相应调整流程、岗位、权限、责任和评价机制。 走到这一步，AI才不再只是增强原来的岗位，而开始改变组织完成工作的方式。 《证券时报》这篇报道里还有一个很容易被Skill和Agent掩盖、但实际上非常重要的变化：一些基金公司已经不再主要用“使用人数”和“节省时间”评价AI。 易方达基金已经建立覆盖技术能力、业务效率和投资价值三个维度的AI投研评价体系。在过程层面，它会关注任务成功率、任务处理效率、人工介入率和用户活跃度；在运营层面，则进一步关注业务落地效果、业务覆盖范围、算力利用率和单Token成本。富国基金的评价又进一步进入投研业务本身，包括投研协同效率、研究向投资的转化率、信息处理准确性、策略和因子表现、交易执行绩效以及管理规模承载能力。 评价方式的变化实际上说明，企业看待AI的方式正在变化。 如果AI只是员工个人工具，企业最容易统计的是有多少人开通账号、调用了多少次、节省了多少时间。但如果AI已经成为任务执行体系的一部分，管理者就必须关心另一组问题：任务有没有成功完成，人工还需要介入多少，业务覆盖有没有扩大，流程表现有没有改善，最终有没有形成经营价值。 换句话说，企业的关注点开始从“AI有没有被使用”转向“AI承担了什么任务，以及这些任务最终创造了什么结果”。 只有走到这一步，企业才真正有可能讨论人员优化。 因为人员是否能够减少，从来不是由“员工节省了多少分钟”决定的，而是由原来由人承担的任务是否已经稳定转移、原来的岗位是否因此重新定义、原来的流程是否重新设计决定的。如果任务仍然挂在原岗位上，责任仍然完整地留给原来的员工，那么AI再高效，也更多只是帮助员工把工作做得轻松一些。 值得注意的是，就在《证券时报》刊发基金公司AI投研调查的同一天，该报还刊发了对广发证券副总经理、首席信息官辛治运的专访。采访标题直接指出：“券商转型挑战不在技术，而是组织认知与协同模式。” 辛治运在采访中区分了两个阶段：AI从“外挂式辅助”走向“原生架构重构”。在他看来，技术选型和模型训练当然有难度，但真正更困难的是让AI成为业务的一部分，而不是停留在一个“会聊天的搜索框”。他特别指出，在组织层面，传统IT与业务之间的“需求—交付”模式已经不足以支撑AI原生应用，业务和技术需要从一开始就共同定义问题，并通过业务数据不断反馈和迭代AI能力。广发证券因此开始推动业务与技术深度融合的虚拟团队。 这段判断非常重要，因为它从一家金融机构CIO的实际转型经验出发，印证了基金行业案例背后真正的问题。 广发证券的投研实践同样已经开始把成熟研究方法封装成Skill。在辛治运的描述中，这正在推动研报生产从传统的人力密集型模式转向“人机协创”；在投顾业务中，过去高度依赖优秀投顾个人经验、难以复制的方法，也可以通过Skill进一步标准化，并向更多一线投顾扩散。 如果把这组实践放在一起看，就会发现，所谓“外挂式辅助”和“原生架构重构”的区别，本质上并不只是技术架构不同。 “外挂式辅助”是在原来的任务、岗位和流程旁边增加AI，让原来的员工做得更快；而“原生架构重构”意味着企业开始承认一种新的智能能力来源已经进入组织，需要重新考虑工作究竟怎样完成。 这已经是一个组织问题。 企业刚开始使用AI时，问题通常确实主要是技术问题：模型能力够不够，知识库准不准，数据能不能接入，Agent能不能稳定调用工具。 但是，一旦这些技术问题逐渐得到解决，企业很快就会遇到另外一组问题。 如果AI已经能够完成过去大量由分析师承担的信息搜集和初步分析工作，分析师岗位应该怎样重新定义？如果一个Agent能够连续完成原来跨越多个岗位的任务，原来的流程是否还有必要保持那么多交接环节？如果一个专业Skill可以在全公司被反复调用，原来依靠资深员工个人经验形成的能力体系应该怎样调整？如果人与AI共同完成任务，绩效究竟应该评价个人投入，还是评价最终任务结果？如果AI能够承担更多执行工作，人应该进一步向问题定义、关键判断、关系影响和最终责任移动，那么企业原来的能力模型、人才培养和晋升机制是否也应该改变？ 这些问题已经无法由模型升级或者增加一个Agent解决。 它们涉及的是任务设计、流程设计、岗位设计、权责关系、人才机制和组织协同。 这也是为什么很多企业会出现一种看似矛盾的状态：AI已经很好用了，员工甚至每天都在使用，但企业整体并没有发生想象中的变化。 问题并不一定在AI，而可能在于企业始终把原来的组织当成一个常量，只是在里面增加了一种新的工具。 如果岗位不变、任务不变、流程不变、权责不变、评价方式不变，那么AI能力再强，最终也只能首先表现为原岗位内部的效率改善。这部分效率要经过原有组织体系一层层传导到最终经营结果，中间自然会发生大量衰减。 
让员工学习AI当然有价值。没有广泛的使用和探索，企业也很难真正理解AI能够承担哪些任务。但“人人用AI”最多解决了AI进入企业的第一步，它不能自动完成后面的组织变革。 基金公司的实践真正值得其他企业借鉴的，并不是应该做多少个Agent或者建设多少个Skill，而是它们正在开始把问题从“员工怎么使用AI”转向“AI怎样进入业务体系”。 当专业经验开始被Skill化，当Agent开始组织不同能力完成任务，当AI的效果开始用任务成功率、人工介入率和业务价值衡量时，企业事实上已经必须重新回答一个管理学问题：新的智能能力出现以后，企业应该怎样重新组织工作？ 从这个角度看，AI转型表面上从技术应用开始，真正走到深处却必然成为组织变革。 企业最终要改变的不是员工有没有一个AI助手，而是任务由谁承担、能力如何配置、流程如何运行、岗位为什么存在、人在其中承担什么新的责任，以及组织怎样把人的能力、AI能力和信息系统重新组合起来。 这也是“AI进入投研体系”比“人人用AI”更加重要的原因。 前者开始改变的是企业完成任务的方式，后者大多数时候改变的还只是员工完成工作的方式。 而企业真正期待的人员优化、产出提升和经营价值，最终并不会从“更多人开始使用AI”中自然产生。它们只有在AI带来的新能力进一步传导到任务、流程、岗位和组织机制以后，才有可能真正出现。 所以，企业在讨论AI转型时，不能只考虑技术怎样应用，还必须同步考虑组织怎样改变。否则，再强的AI也很容易停留在一个能力极强的“实习生”阶段：它让每个人都做得更快、更轻松，却没有真正改变企业怎样完成工作。
主要信息来源：
一、很多企业今天做的，其实是给每个岗位配了一个能力很强的“实习生”
二、基金公司的变化，恰恰开始超过“给研究员配一个AI助手”
三、Skill很重要，但Skill本身还不是组织能力
四、一个很重要的信号是，基金公司已经开始改变评价AI的方式
五、同一天，广发证券CIO把这个问题说得更加直接
六、AI越深入企业，问题反而越不像一个单纯的技术问题
七、所以，“人人用AI”并不是企业AI转型的终点
《证券时报》2026年9月28日《“实习生”成“新同事” AI加速嵌入基金投研全链条》，对富国基金、易方达基金、广发基金、兴证全球基金等机构AI投研实践进行了集中调查。 《证券时报》2026年9月28日《广发证券副总经理、首席信息官辛治运：券商转型挑战不在技术 而是组织认知与协同模式》。 中国证券投资基金业协会于2026年4月3日正式发布《基金经营机构大模型技术应用规范》（T/AMAC 0004—2026），显示大模型应用已经进入基金行业标准化和制度化推进阶段。