AI 会取代金融分析师吗：它能写研报，但签不了字

我们在做 autoclaw 的时候，反复被问到同一个问题：AI 到底能不能替我写研报。

这个问题不好答。先看一组来自中证协《2025 年证券公司发布证券研究报告业务经营情况统计报告》的数字，2025 年超七成券商研究部门已运用 AI 赋能业务。截至 2025 年底，研究人员总人数 7591 人，较 2024 年底减少 3.68%；98 家券商发布 205,503 份，较 2024 年减少 11.54%。

三个数出自同一份统计，摆在一起却怎么都解释不通：如果真是AI在替人，人数该降、产量该升；若只是行业缩水，那七成的渗透率又说不通。

研报行业人员缩减：先被换掉的是不写报告的人，AI替代先从研究辅助岗开始

3.68%的降幅，读起来像一次收缩。但同一份统计里，分析师占研究人员的比例升到了77.54%，比上年还高。按这个比例折算，7,591人里大约有5,900名是分析师。

总数在降，占比在升。两件事同时成立，只有一个前提：离开的人里，非分析师占多数。

研究部门不止有分析师。销售、中后台、编辑校对、合规质控和一部分研究助理，都算在研究人员里，但不算分析师。这些岗位的工作更标准化——对格式、走流程、做支持，也更容易被一套系统替代。

编制预算是固定的。先减掉压不动的那部分，剩下的钱更多压在分析师身上。

走的多是不做研究的岗位。分析师是被留下的那部分。

净减 138 人，但同期行业内流动约 480 人次。480 比 308 大得多。

如果真是 AI 在替人，走的应该离开行业；实际是大部分人换了一家机构接着做。有人从减编的团队去了扩编的团队，也有人出去转一圈又回来。

所以这不是裁员，是重新排队。竞争的位置变了：问题不再是"行业里还有没有岗位"，而是"这个岗位在谁手里"。

AI 提的是产能不是产量：券商研报减产11.54%，七成AI渗透率为何换不来更多报告

产量 −11.54%，人数 −3.68%，前者是后者的三倍出头。

如果 AI 真让写报告变快，产量该往上走。它没有。

原因不复杂。产能和产量是两件事：产能是"一天能写几份"，产量是"有人买几份"。

卖方研究的收入来自佣金。公募降佣改革一直在压缩这块收入，研究服务又高度同质化，买方为"数量"付费的意愿在降。需求收缩的时候，报告不是想写多少就能卖多少。多出来的部分没有买家。

被减掉的那部分产能，恰好也是最容易被 AI 接手的：定期跟踪报告的框架段落、财报数据更新、图表重绘、同业观点汇总。这些活过去要人一周一周地重复，现在 AI 跑一遍就出初稿。autoclaw 的定时交付做的就是这一段——数据源、模板、口径配一次，之后每周自己跑，不用人守着。

需求不要了，产能也就不必存在。两件事撞在同一年，看上去像"AI 把人替掉了"。更准确的说法是：那部分产出，先是需求放弃的，AI 只是接走了空出来的位置。

AI写研报只到成稿：初稿能生成，判断给不出，七成渗透率换不来产量增长

我们把研报生产拆成六道工序，逐道看 AI 能接住哪几道。

autoclaw 只做前三道。具体是这样。

取数交给材料读取。财报 PDF 里的三张表，行名每家公司写法都不一样——有的叫"营业收入"，有的叫"营业总收入"。它要做的第一件事，是把这些行名映射到同一套口径上。映射错了，后面算出来的同比全是错的。这件事有唯一正确答案：跟原表一对，就知道映射对不对。

整理交给回测。假设跑成数字，对不对可以复算。参数调一次，它重跑一遍，前后对不上就是错的。

成稿和交付，由模型写完、定时送到。套段落、填图表、配结论，出来一份能改的稿子。注意，是能改的，不是能发的。

这三道有一个共同点：都有可校验的终点。校验成本低，错误会被发现，所以能交给机器。

后三道没有这个终点。数据是不是真的——源数据本身可能就是错的。假设站不站得住，取决于你怎么看这家公司。结论敢不敢署名，取决于你愿不愿意为它负责。三件事都没有标准答案，也就没有机器能替你校验。

做错了也有区别。前三道错了叫疏漏，是执行问题，改一遍就行；后三道错了叫看错，是判断问题，改不回来。

这是性质上的差别，不是程度上的。AI 可以把前三道做到比人快十倍，进后三道却一步都迈不进去。它不够聪明吗？不是。后三道要的从来不是答案，是承担。

autoclaw 的边界就画在这里：前三道做成流程，后三道留给人。不是做不到，是做了也不算数。

越标准化的工序，越没有议价权

前三道工序占了分析师大量时间，但它们从来不是买方付费的理由。

时间不等于价值。买方不会因为一份报告花了多少小时而多付钱，只会因为这份报告说出了别人没说的事而多付钱。前三道做的是"把公开数据搬到纸上"，谁做都一样，也就没有议价空间。

买方要的在链条另一端：数据是不是真的、假设站不站得住、结论敢不敢署名。这三件事越依赖判断，越难外包，价格也越高。

链条两端怎么分，金融 AI 的五层用法里划得更细。一句话：交出去的是重复，留下的是判断。

AI写稿不担责，签字的人更贵了

链条后半段没被拿走，价格反而在涨。

数据来源可追，模型假设可复算，结论的前提写得清楚，这是能被核验。判断错了，能解释当时为什么这么判断，而不是一句"模型给的"，这是能定责。路演被追问三层还答得下去，能对客户开口。三件事都要一个人站出来。AI 可以生成十种说法，没有一种能替你签字。

autoclaw 能做的是把回测的参数和结果留下来，方便你复核。但留痕不是核验——核验是你签字前的最后一步。买方为研究付费，买的不是那份 PDF，是 PDF 背后那个可以被追问的人。追问发生的时候，谁在场，谁就贵。你一周的时间，有多少花在链条前段，有多少花在后段。这个比例，比任何一份行业统计都更能说明你现在站在哪。报告里有两句话值得抄下来。一句是「行业普遍未明确 AI 在研报业务中的应用边界」，另一句是「个别分析师使用未经核实、由 AI 生成的错误内容」。

前一句说流程，后一句说后果。两句写在同一份报告里，中间隔着一个时间差：工具已经进了生产线，规矩还没跟上。规矩补上之前，一份材料能不能交给 AI，取决于三条能不能同时成立：说得清、拿得到、看得出。署名的是分析师，责任也在分析师。报告发出去，数据错了、逻辑断了、结论站不住，被追问的不会是一个模型。边界写清之前是这样，写清之后大概也一样。

AI 不会取代分析师

它会取代的，是那些还没被拆开、还整块交给一个人的工序。研报生产可以拆成六道工序。前三道——找资料、搭框架、出初稿——正在被AI工具接管；后三道——核数据、下判断、签字担责——反而在涨价。这条分界线不是技术画出来的，是责任画出来的。

写这篇，不是说AI不行。恰恰相反：前三道它做得足够好，好到你可以把省下的时间全挪到后三道去。

问题只在于，你得清楚自己现在干的是哪一道。

一份季报点评，在 autoclaw 里是这样走的。

季报 PDF、业绩说明会纪要、几份同业报告丢进去。材料读取把三张表和关键段落读出来，对齐口径；回测把假设跑成数字；持仓记忆把上次的上下文带过来，不用重新交代；定时交付在你定的时间把初稿送到；数据更新了，条件提醒先叫你一声。

到这一步，你手上是一份能改的稿子。剩下的是你的：毛利率下滑是暂时的还是趋势，要不要调模型，明天路演被追问三层怎么答。

工具能做到成稿，做不到签字。这条线不会因为模型变强而移动——它不在能力那一侧，在责任那一侧。

数据截至 2025 年 12 月 31 日，本文发布 2026 年 10 月 26 日。所引数据均来自中证协《2025 年证券公司发布证券研究报告业务经营情况统计报告》及其媒体统计口径，不同口径之间不可直接相除或取平均。文中不构成任何投资建议。