AI时代的经验断层压力，根源在人口结构转型而非技术替代，最终取决于组织是否把培养通道嵌入提效进程。老龄化与劳动力收缩是系统性背景，但专业人才池仍在扩张，技能溢价并未单向撕裂。真正关键的是企业在拥抱AI时保留必要的低效环节，让新人先独立完成完整任务，再将判断范式工程化、师徒制制度化，用AI压缩熟练周期而非取消判断养成。

投研行业的特殊性在于，人才通道一旦被稀释，组合管理所需的跨周期判断力便失去沉淀土壤。资料搜集、数据清洗与模型初稿等基础工作本是新人建立盘感与风险直觉的训练场，AI将其流程化后，初级岗位的意义从配置人力转向设计任务。若跳过研究沉淀直接进入实践岗位，跨周期判断、个股证伪、回撤纪律与AI输出校验力均将出现系统性缺口。

应对之道是将师徒制工程化，以知识管理、岗位重构、在岗学习与教练式管理四支柱重建判断力养成体系。结构化沉淀顶尖投研人员的分析框架与决策规则，让新人先独立成稿再与AI及资深者对照批改，通过影子组合收敛偏差。AI应作为嵌入式陪练缩短熟练周期，而非替代判断过程；经校验的产出持续入库，形成人、AI与知识库相互喂养的人才飞轮，使机构能力从依赖明星转向可传承的组织资产。

风险提示：

一、AI对职业冲击是否会带来“人才断层”

关于AI与人才梯队的讨论，多数停留在直觉层面和焦虑叙事：既然基础工作被自动化，新人就失去了练手机会，最终会形成行业和机构的人才断层。这个推论听上去成立，但需要深层次的推敲，例如在算力没有达成规模经济的现状下，基于人力和算力成本再权衡，AI对劳动岗位的能替代和会替代是两码事。

人口老龄化和劳动力人口收缩，构成各个行业人才接续的压力增加。如图1所示，65岁及以上人口占总人口比重已从2010年的8.9%升至2020年的13.5%， 再升至2025年的15.9%；与此同时，15—64岁劳动年龄人口在2013年见顶于101,041万人， 到2025年为96,848万人，较峰值减少4,193万人（-4.1%）。

因此，无论AI是否出现，资深从业者的迭代速度都在系统性上升，而可供补充的适龄人口在收缩。因此，各行各业感受到的“接班”压力，首先是人口现象，把它整体归因于技术会导致开错药方。真正的政策与管理含义在于培养通道的效率必须提高，这是因为可用于培养的时间窗口和人口基数都比过去更紧张。

专业人才池仍在快速扩张。如果AI正在挤压专业人才的成长空间，应当观察到研发类专业人员增速放缓、 甚至被资本投入替代。若技术正在替代专业人力，人均配套经费应快速抬升，而人均R&D经费增长与人员增长几乎同步。这意味着实际的研发扩张仍是人力密集型的，专业人才不是被替代，而是仍在被大量吸纳。经验断层因此不是总量问题，而是结构与培养效率问题。

外部溢价并未失控，而内部培养的边际回报更可控。如图3所示，长周期视角下信息技术业与制造业的工资倍数从2003年的2.44倍收敛至2025年的2.19倍；2003至2025年制造业工资年化增速10.5%，反而略高于信息技术业的9.9%。不过阶段性特征值得注意，该倍数在2019年的2.06触底后回升至2022年的2.26，随后小幅回落。技能溢价是波动的、阶段性的，并未呈现高技能人才被无限抬价、低技能被抛弃的单向撕裂。对企业的启示是，与其在外部市场高价争夺成熟人才，不如把资源投向内部培养。

图3：信息技术和科研技术服务业，与制造业平均工资倍数对比

真正决定断档与否的，是行业层面的选择。选取31个申万一级行业作为代表， 比较其2022年与2025年的员工总数与人均创收（营业收入/员工总数）， 可以直接对比各个行业，并判断不同行业提升人效是否压缩用人成本。

图4：AI出现前后，各行业员工变动与人均创收增幅四象限分析

资料来源：万得，光大证券研究所；注：选取申万一级行业，采用行业整体法视角观测2025年报相对于2022年报变化。

从2022年到2025年，AI技术的加速渗透对各行业人均创收产生了显著的分化效应：计算机、通信、电子等数字化程度高的行业，实现人数和人均创收大幅提升，直接印证了AI对知识型、内容型岗位的效率倍增作用；商贸零售、非银金融则呈现出“减员增效”的典型AI替代特征，但人均产出反而走高；公用事业、电力设备为代表的重资产行业，人数增长同时创收能力有限；而钢铁、房地产等传统周期行业人均创收持续承压，AI在这些领域的渗透率低、需求侧疲软又难以用技术对冲，呈现出与科技行业截然相反的轨迹——整体来看，AI正在加速重塑行业间的人力效率边界，“人少钱多”的高效模式在科技与服务业加速兑现，而重资产、强周期行业的结构性困境则进一步被放大。

将上述线索检验合起来看，逻辑链条清晰了：人力资源断档的压力来自人口结构转化， 但并非源于专业岗位总量萎缩或技能市场撕裂，而最终取决于企业是否在提效的同时保留培养通道。 这意味着所谓AI时代经验断层不是技术宿命，而是一个可管理的组织选择。

跨行业适用的解法可归纳为四点：其一，保留必要的“低效”。新人必须先独立完成一遍完整任务，如手工建模、亲赴现场、独立落实，再与AI或资深同事的结果对照， 用差距作为教材；跳过先做，对照这一教学环节就不复存在。其二，把判断范式工程化。老龄化意味着资深者的经验正在加速流失， 必须在其离岗前将分析框架、决策规则与历史判断结构化沉淀为可调用的知识库， 并区分累积判断与一次性经验，给前者更高权重。其三，把师徒制制度化。由资深者正式带教一小组新人，与AI工具一同工作， 从而观察新人对AI输出接受了什么、否决了什么、误判了什么， 把导师职责从给答案转为教判断——这在医疗、制造、金融等强经验行业已被反复验证。 其四，用AI压缩熟练而非替代判断。 人均R&D经费五年内变动不显著说明，当前技术投入主要在放大人的产出而非取代人； 顺应这一现实，AI应当被用来缩短新人达到熟练所需的时间，而不是取消其形成判断的过程。

二、命题的延伸：投研角度的思考和实践

数十年来，投研机构初级从业者覆盖资料搜集、数据清洗、模型初稿与调研纪要整理等低风险、可复核的基础工作。这些看似琐碎的任务，正是新人建立直觉、理解市场语言、并逐步赢得更大责任的训练场。当前AI正把研究、文档、数据处理与初步分析大量流程化或吸收，而这些恰恰是判断力得以萌发的土壤；但初级岗位的意义正从配置多少人转向这些岗位被设计来做什么，管道不是在消失，而是在被重新搭建，关键是把新人培养成能够设计、驾驭并校验AI系统的人，而非仅仅在系统内执行的人。

对二级市场而言，这一命题必须放到研究—投资的完整链条上审视。初级研究员是资深研究员、基金经理助理、组合经理等最重要的人才来源；一名优秀的投资经理，几乎总是先经过多年研究历练。因此，当AI稀释了初级研究工作，承压的是未来投资主导者的蓄水池。问题的尖锐之处在于，如果跳过研究沉淀的环节直接步入实践岗位，所依赖的判断究竟从何而来。

投研判断力本质上是跨周期经验的函数。一轮完整的牛熊切换、一次业绩暴雷、一次风格与政策的转向，这些只有亲历才能内化为盘感与风险直觉。AI可以把知识即取即用，却无法替从业者代偿在场的经历。技能是在挑战、复杂度与同专家思维相连的三重条件下、经由师徒制发展出来的，而当技术吸收了常规工作，这三重条件往往被同时削弱。

在投资研究方面，这条沉淀曲线被制度显性地刻度化。这套阶梯的本质，是把独立担责确立为专业成熟的通过条件。从行业研究员到投资管理人员，每一步都要求在真实约束中反复验证判断。AI能显著加速学习，却无法替代对判断负责这一步。

实践考验的是一组在别处难以速成的能力。跨周期的方向判断、对个股与信用的证伪能力、回撤与风险预算的纪律、大类资产配置的直觉，以及在AI时代新增的能力即对模型输出的校验力。一位从未独立做过深度研究、也未亲历完整周期的主体，若被直接推上组合管理岗位，往往在这些维度存在系统性缺口。

图6：投资场景的不同能力结构对比打分图

其中最容易被低估的，是对AI输出的校验力。一个无法证伪的体系，无法判断模型给出的估值、评级或配置建议何时可信、何时该被否决；一旦模型在特定行情下失灵，既读不出异常，也缺乏手动接管的能力。换言之，AI越强，能够对其纠偏的人就越稀缺、也越值钱。而这种校验力，恰恰只能从亲手做研究、亲历判断失误与修正的过程中长出来。

那么，未经研究历练者面临实践时，机构该怎么办？答案不是因噎废食，而是“先补课、再授权”，并把授权与能力挂钩。安排其在正式管理组合前完成一段研究轮岗，先在小规模、风险预算受限的组合或模拟组合上起步，由资深投资者带教并逐笔复盘，待其判断稳定后再逐步扩大授权。

三、金融机构的应对框架：把师徒制工程化

知识管理、岗位重构、在岗学习、教练式管理可以完整地落地到投研团队，其共同目标是让判断力在人、AI和组织之间加速沉淀。

图7：判断力养成的四支柱框架

资料来源：光大证券研究所。注：四个模块围绕判断力养成这一核心目标相互支撑。

第一支柱是知识管理。它不只是建一个研报或持仓检索库，而是结构化地捕捉顶尖投研人员的分析框架、决策规则、隐含假设与历史判断，并让模型可调用。落地形态包括标准化的投资备忘录、可追溯的工作底稿、统一的行业与信用分类体系，以及系统化的复盘归因。系统要能区分一次性经验与累积判断，并据经验深度、结果可重复性与跨情境相关性对不同输入赋权，使累积判断的权重高于孤立记录，从而让新人与AI都被机构最强的底层专业知识所引导。

第二支柱是岗位重构，核心是让初级从业者先独立作答、再对照批改。新人先自己搭模型、走访产业、独立形成结论或配置建议，然后与AI的产出、或与资深投资者的实际决策做对比，用差距作为教材。例如单纯给医生一个大模型几乎不改善其长期诊断能力，真正提升表现的，是要求医生把自身推理与AI结论加以比较并调和的工作流；反之，当人们直接用AI去完成本不会的任务，一旦撤走AI，能力随即消失，未形成任何持久技能。被动依赖只产出结果，结构化对比才培养专家。

第三支柱是在岗学习。答案钥匙模式顺带提供了一把标尺，新人独立结论与基准之间的差距是可观测的，其随时间收敛，就是判断力正在形成的直接证据——这是传统师徒制从未能够测量的。对投资机构而言，最自然的载体是影子组合与模拟盘，让新人在贴近真实的决策情境中先做后对，AI充当嵌入式的向导与复核者，实时提示下一步、标注风险，而管理者把精力聚焦在判断与决策的教练上，而非任务机械。

第四支柱是教练式管理，即把师徒制从看缘分升级为正式制度。把初级岗位设计为受保护的、有结构的刻意练习期，并将走向独立作为明确承诺；更进一步的教练带教模式，则由资深者正式带教一小组新人、与AI工具一同工作，从而观察新人对AI输出接受了什么、否决了什么、误判了什么，把导师的职责从回答问题转为传授判断。对投资研究场景，这意味资深人士带徒弟、资深组合经理带助理，成为有考核、有课程、有节奏的正式安排。

四、警惕“认知卸载”：知识库迭代和人才飞轮

在拥抱AI提效的同时，有些场景是AI技术进步也无法破解和取代的，是判断力无法绕过的培育环节。一线调研与产业、信用情况现场走访，是形成独立观点的地基，等同于投研版的用脚丈量，AI无法替代；建模的手作训练必须先于对照，跳过先做，对比这一教学环节便不复存在；完整跨越一轮周期的亲历、以及在真实小组合中养成的回撤与风险纪律，无法压缩为课程；合规与独立、客观、审慎的执业判断，也只能在真实约束中反复内化。

可以借助AI压缩的，则是那些重复性积累的时间。用模拟与AI陪练，把过去需要在头一两年通过大量常规任务才能积累的判断，以更快的方式喂给新人；同时，凭借完善的知识管理，新人能远比过去更早地接触到机构级的专业知识，从而更早参与更高价值的问题求解。真正的分野在于，AI用来压缩熟练的时间是效率，用来替代判断的养成则是隐患。

现代知识管理的精髓在于系统越用越好，而新的判断不断入库，配以专家校验、反馈闭环与清晰的归属权，持续刷新什么才算好的标准。由此，人、AI与知识库三者相互喂养，形成一个自我强化的飞轮——新人产出经AI与资深者校验后沉淀入库，反过来加速下一批新人的成长。机构的研究与投资能力，也因而从依赖个别明星转向可传承、可复制的组织资产。这正是投研数据基础设施与数据质量建设的深层价值，将分散的经验资产化、把判断范式工程化，规模化的带教才成为可能。

AI会在多大程度上重塑投研工作，仍有不确定性；但值得关注的是，人才管道并未消失，而是在被重建。真正稀缺、也最能穿越周期的护城河，从来不是工具的熟练度，而是判断力本身。即便初级工作的门槛在抬高，核心技能的层级却变化甚小。那些一边继续布局研究到投资通道、一边重新设计岗位以驾驭AI的机构，将更有把握培养出符合新型投资特征范式的投研主体。今日在判断力养成上的每一分投入，都是明日投资能力的来源。

五、风险提示

（1）本文仅作为行业发展洞察，不构成任何投资建议；（2）本报告关于AI人才培养路径的分析基于特定行业假设，实际落地效果因机构禀赋差异可能存在不同。

免责声明：

本订阅号是光大证券股份有限公司研究所（以下简称“光大证券研究所”）资产配置研究团队依法设立、独立运营的官方唯一订阅号。其他任何以光大证券研究所资产配置研究团队名义注册的、或含有“光大证券研究”、与光大证券研究所品牌名称等相关信息的订阅号均不是光大证券研究所资产配置研究团队的官方订阅号。

本订阅号所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务。如需了解详细的证券研究信息，请具体参见光大证券研究所发布的完整报告。

在任何情况下，本订阅号所载内容不构成任何投资建议，任何投资者不应将本订阅号所载内容作为投资决策依据，本公司也不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。

本订阅号所载内容版权仅归光大证券股份有限公司所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用。如因侵权行为给光大证券造成任何直接或间接的损失，光大证券保留追究一切法律责任的权利。