汤米AI日记 · 超级个体→超级公司 · 2026-09-28 · W4-02

AI研究助理：一个人怎么覆盖一个行业的尽调

▲ 一个人怎么覆盖一个行业的尽调：三个角色 + 一个总控

一、接到需求的那一刻，我心里算了一下工时

上周三下午两点，一个朋友问我：帮我看看这个行业值不值得进，两天内要，我要拿去跟老板讲。

换作两年前，我的第一个动作是算工时。这种题目要覆盖一个行业——市场规模、上下游结构、主要玩家的打法、监管口径、近一年的融资与并购——传统做法是：一个资深分析师做桌面研究，两天；一个初级分析师整理数据、做图表，一天半；再加一个合伙人审一轮，半天。也就是说，这在正规咨询公司里是一到两个人力、四个工作天的工作量。这就是顾问业长期以来的杠杆结构：资深的人力卖高价、初级的人力做苦工，差价养活整个公司。

但我现在是一个人。我没有分析师团队，也没有初级员工。

我最后交给他的东西是：一份 22 页的行业概览、一张主要玩家的对照表、三个我认为最关键的判断，以及一段我明确标注「这是我自己的观点，不是数据」的结论。从下午两点到晚上十点，中间还吃了一顿饭。

这篇文章就拆一遍：一个人怎么用 AI 覆盖一个行业的尽调，以及我在这件事上踩过的坑——最大的坑不是 AI 不够强，而是我一度让 AI 替我下了结论。

二、先说结论：AI 拿走的不是判断，是「两天的桌面研究」

传统顾问业的成本结构是这样的：合伙人卖 400 美元一小时的工作，付给分析师 150 美元一小时。这个差价撑住了公司的利润，也撑住了合伙人的收入。一个人出来单干，最大的问题不是接不到活，而是失去了杠杆——你的收入上限被锁死在「2000 小时 × 你的时薪」。

AI 研究助理做的事，是把这个杠杆还给你。

一份研究任务，如果 AI 用一小时跑完、我用一小时审核，那么这份任务上我的有效时薪是原来的数倍。把这个倍数乘到整个案子上，一个人也能有近似公司的利用率结构，但没有公司的固定成本。这不是「同样的活快一点」，而是一个一人公司能承接的业务边界被整体抬高了。

但这里有一个必须先讲清楚的边界：AI 拿走的是「搜集、统整、起草、协调」，留下的是「判断、可信度、可归责」。 客户买的从来不是你的研究过程，是你的判断力与你愿意为这个判断署名。

三、我实际用的三个角色，以及一个总控

我没有买什么神奇的工具，就是把工作拆成三个角色，每个角色给它明确的输入与输出。多数一人公司的瓶颈不是工具不够，而是工具之间不共享上下文，最后你变成了那个整合层——而整合层是不会规模化的。

角色一：搜集员（Research）

职责：市场规模、竞争对手盘点、监管口径、近一年的融资与并购动态。

产出：一份有出处清单的结构化摘要，加上一份「哪些数字我没找到权威来源」的缺口清单。

它不做的事：不下结论。

角色二：验证员（Verifier）

职责：抽样覆核关键数据的一手出处，标注互相矛盾的来源，检查引用是不是真的支持那句话。

产出：一份「已验证 / 存疑 / 查无此源」的三分类清单。

这是我认为整条链里最重要、也最容易被省掉的一环。实测教训是：AI 会给出看起来非常笃定的数字，但你点开出处，会发现那个数字来自一个完全不同的年份、不同的口径，甚至只是某篇文章里的一句估计。

角色三：成稿员（Writer）

职责：按我固定的报告结构（结论先行、证据在中间、附录放原始数据）输出初稿。

产出：一份可以直接进入我编辑流程的初稿。

它不做的事：不生成观点，观点栏位留空给我填。

总控（Orchestration）

这是我自己，也是整条链唯一会做「判断」的环节。我的工作有三件事：把任务切成上面三个角色的输入、决定什么交给 AI 什么留在手上、以及为最后那份东西署名——署名这两个字，才是这个商业模式的护城河。

▲ 三个角色 + 一个总控：蒐集 → 验证 → 成稿

四、我踩过的三个坑，全是真金白银的教训

坑一：让 AI 替我下了结论。

第一次跑完，我拿到一份结构完整、语气自信、数据密度极高的报告，几乎没改就发出去了。三天后对方问我一个问题：你这个结论，如果上游原材料的价格下半年回调，还站得住吗？我当时答不上来——因为那个结论是 AI 从「现有数据的共识」里归纳出来的，而不是我对这个生意真正的理解。

这是整个模式最危险的失败方式：不是 AI 产出烂东西，而是你停止了思考。 当你把起草外包出去，你很容易把论证一起外包；当你把研究外包出去，你很容易把观点一起外包。而观点，是你唯一在卖的东西。

坑二：数据量越多，输出越糊。

我一开始的直觉是「多喂一点总没错」。实测相反：把三十份来源一股脑丢进去，AI 的输出会从「有结构的分析」变成「每份数据各说一句」的流水帐，重点反而被稀释掉。

现在的规矩是：只喂高信号源的清单。五到八份权威来源，远比三十份良莠不齐的数据有用。上下文是有限资源，不是仓库。

坑三：把「没有数据」和「没有共识」混为一谈。

有些领域是真的没有公开数据，有些领域是数据存在但没有统一分析。前者要在报告里明说「此项无权威来源」，后者要在报告里列出「各方口径分歧在哪」。这两件事如果混在一起写，报告看起来很饱满，但决策者拿不到他真正需要的东西。我现在会在报告最后固定放一节「我不知道的事」。

五、一人尽调的四步流程（可以照抄）

第一步，界定问题，而不是界定题目。 「这个行业值不值得进」是题目，不是问题。要先逼出一句可回答的话，例如「在监管口径不变的前提下，这个行业未来两年的毛利结构会不会被上游挤压」。一句可回答的问题，能省掉一半的无效研究。

第二步，先画结构再搜集。 先写下报告的目录骨架，再让 AI 往骨架里填肉。反过来做——先搜集再想结构——你会得到一堆漂亮但没有立论的素材。

第三步，验证抽样而非全验。 不可能每一条都查，但要抽样覆核关键的数字与关键的因果句。我的规矩是：凡是会进入结论的数字，必须有两个独立来源，或一个明确可查的一手来源。

第四步，观点栏位自己填，并且署名。 交付物上明确区分「数据」与「我的判断」两块。这不只是诚实，也是保护——客户买的就是这一块。

六、这个模式能撑到多大？

说实话，它有明确的天花板。

适合：重复度高、结构化强的尽调——季度行业追踪、竞品监测、标的初筛、财报速读。这类工作量大、周期固定，自动化的回报最明显。我现在每周固定读 12 份财报，这件事在两年前是不可想像的。

不适合：高度订制、需要现场感与人脉的深度尽调。访谈、管道调研、对管理层的直觉判断——这些 AI 一点都帮不上，而且拿 AI 的二手结论去代替现场，是最容易出事的地方。

还有一个更隐蔽的成本：你的专业判断力会退化。如果长期只做审核而不做原创思考，你的观点会越来越像 AI 归纳出来的平均值。而平均值，恰恰是这个市场上最不值钱的东西。所以我现在强制自己保留一块「不给 AI 碰」的工作：所有第一版观点，必须由我自己从零写出来。丑，但必须是我的。

七、真正该问自己的问题

AI 研究助理不是让一个人变成一个团队，而是逼你重新回答一个问题：你的时间里，哪一部分本来就不该由你来做？

如果你的答案是「搜集和排版」，那你可以省下两天里的一天半。

如果你的答案是「我不确定，反正我什么都自己来」，那你省下的不是一天半，而是你在这个市场上建立独特观点的全部可能性。

省下来的那一天半，你拿去做什么，决定了你这门生意能走多远。

— 完 —