💡 前面几期，我们把投行的"做材料"（pitch-deck / cim）、"搭模型"（3-statement / lbo）都拆过。但投行 / 研究所里，还有一件产出最高频、也最吃"信息处理 + 文字表达"的活——写研报。一份深度研报，从搜数据、读公告、搭逻辑到写初稿、过合规，往往要研究员熬好几天。海外标杆 Goldman Sachs 早就把 AI 嵌进了这条链路（GS AI Assistant + Banker Copilot，2025 年 6 月已推到全行 4.6 万人）；国内头部券商也在 2025–2026 年集中亮出 AI 研报 / 投研工具（华泰"泰为"/AI涨乐、国君"灵犀"、中信"超级研究员"、招商"AI研究所"、广发"智慧数"、东方财富"妙想"）。这一期我们不重拆某个 Anthropic Skill，而是把"研报生成"这个金融 Skill 的 AI 化，放在 Goldman 与国内之间做一次横向对比——看谁先把"快"做成了"信"。

01 / 海外标杆：Goldman 的 AI 研报工作流，长什么样

① Skill深度拆解：GS AI Assistant + Banker Copilot 在研报场景

底座：GS AI Assistant（2025 年 6 月全行推行）。先做 1 万人试点，再推到全球 46,000+ 员工；本质是多 LLM 平台——同时接 OpenAI GPT-4、Google Gemini、Anthropic Claude，全部托管在行内防火墙之后，敏感客户 / 专有数据不出域，满足合规。纵向 copilot：Banker Copilot（投银专用）。面向投行工作流，覆盖 pitch book 组装、客户会议准备、文档分析——其中就含研报 / 材料起草。配套还有 Legend AI Query（自然语言搜内部数据）、Translate AI（把研报本地化到客户语言，全球分发）。研报场景能做什么：起草研究笔记（drafting research notes）、总结密集监管文档、把研究内容翻译成多语言。CTO Marco Argenti 的判断：到 2027 年近 100% 员工日常都会碰 AI。关键架构哲学：横向 assistant 基线 + 纵向 role copilot specialization（banker / trader 分工种），不同用例路由不同底层模型——和 JPMorgan 的"统一平台"路线形成对照。

② 对应业务流程：Goldman 研究员怎么用 AI 写研报

传统链路：搜数据（CapIQ / FactSet / 内部库）→ 读公告 / 财报 / 舆情 → 搭投资逻辑 → 写初稿 → senior 审 → 合规 → 发布。研究员大量时间耗在"信息整理 + 初稿起草"。AI 介入点：GS AI Assistant 负责起草研究笔记、总结密集文档、Translate 本地化；Banker Copilot 把数据密集型文档组装自动化。合伙人 Kerry Blum 自述每天用 AI 处理 10 项任务：技术问答、文档总结、内容编辑、头脑风暴——每周省下数小时，把精力腾给客户与同事互动。谁在做：研究员起草、MD / 合伙人定调与合规终审——"高信息、中判断"的活。

③ AI助力效果：从"数月"到"几分钟"，但红线是"别过度依赖"

效率侧：Blum 举例，一份结构化产品 IPO 文档起草，传统要数月，AI 助手可压到几分钟；研究笔记草稿、监管摘要从小时级降到分钟级。约束侧（关键）：Blum 明确说，AI 的"最大风险是过度依赖——它只是工具，不是真理源泉"，缺乏个人判断与客户定制化服务能力。Goldman 也强调人在回路：AI 出初稿，结论与合规由人签字。综合：Goldman 把"快"做到了极致（全行级推行 + 多模型路由），但反复把"信"（合规不出域、人在回路）焊在架构里——这是它和纯效率工具的根本区别。

④ 国内落地差异：防火墙合规 + 多模型路由，是国内最该抄的作业

差异一：合规底座。Goldman 用"行内防火墙 + 多模型内部托管"解决数据不出域；国内研报受《发布证券研究报告暂行规定》等约束，不荐股、不承诺收益、AI 辅助角色须明示，合规是硬红线——Goldman 的"合规内嵌"思路可直接借鉴。差异二：数据源。海外 CapIQ / FactSet MCP 直连；国内万得 / Choice 为主，跨 A / H / 美股要手工对齐。差异三：语言与语境。中文研报满是"基本符合 / 存在一定压力"等委婉语，需"翻译式解读"；Goldman 的 Translate AI 做的是跨语种，不做"黑话转译"。

⑤ 国内对应工具现状：有"全行级 AI 助理"雏形，但分散在各部门

国内头部券商大多已上"AI 助手 / 智能体"，但多是部门级、场景级（研究所一个、投行一个、财富一个），尚未像 Goldman 那样形成"一个横向底座 + 多角色 copilot"的全行级架构。换句话说：国内在"单点研报 AI 工具"上不缺，缺的是 Goldman 那种统一合规底座上的多模型路由 + 角色化 copilot 编排。这部分正是下一阶段国内要补的课。

⑥ 优化方向与目标：Goldman 给国内的三点启发

近期：把分散的研报 AI 工具接到统一合规底座，数据不出域、输出可审计。中期：横向 assistant + 纵向角色 copilot（研究员 / 投行 / 财富）分工，多模型按用例路由。远期：从"起草助手"走向"研报生产流水线"——搜 / 读 / 写 / 审全链路，人只定调与合规终审。核心纪律不变：AI 出初稿，人在关键节点签字。

02 / 国内图景：头部券商的 AI 研报工具，已经卷到分钟级

① Skill深度拆解：国内 AI 研报 / 投研工具全景

华泰证券："泰为"统一 AI 能力平台 + AI 原生终端"AI涨乐"，自研投研底座，做产业链全景动态追踪（新能源 / 智能驾驶 / 创新药等）。国泰海通："灵犀"App 全链路（选股 / 盯盘 / 交易 / 持仓陪伴），并推"研报 AI 问答通用智能体"，打通"搜 / 读 / 思 / 写 / 审"。中信证券：18 个 AI"数字员工"覆盖投行 / 投研 / 风控；"超级研究员"基于 10 万+ 篇专业研报知识库，月均调用近 4 万次，几分钟生成 8–9 万字深度研报。招商证券："AI研究所"，一站式智能研究工作台覆盖分析师内容生产"搜 / 读 / 写 / 审"全流程。广发证券："智慧数"把行业定期报告生成从 4 小时压到 15 分钟；"投行文曲星"垂域大模型覆盖 10 类业务场景、56 项功能。东方财富："妙想"大模型 + "AI研究员"，做财报拆解、生成财报点评。中金："中金点睛"大模型做深度研究分析。

② 对应业务流程：国内研究员怎么用 AI 写研报

主流范式："搜 / 读 / 写 / 审"四字工作流。AI 接管信息搜集（公告 / 财报 / 舆情 / 行业数据自动采）、智能研读（要点抽取 / 翻译式解读）、初稿起草、合规预审；研究员聚焦深度逻辑与价值判断。两条路线分化：· 头部搭底座、建生态：十亿级科技投入、底座自主可控、场景全线铺开（华泰 / 国君 / 中信 / 广发）。· 中小做纵深、绑产业：放弃底座对攻，把 AI 焊死在自身业务禀赋上（如华源证券绑定武汉光谷硬科技，做"技术雷达"交叉验证专利 / 论文 / 供应链）。

③ AI助力效果：从"天级"到"分钟级"，效率已追平海外

可量化战果：投行报告生成 4 小时 → 15 分钟（广发智慧数）；债券制函 2.5 天 → 3 小时；中信"超级研究员"几分钟 → 8–9 万字深度研报；招商 / 华泰覆盖"搜读读写审"全流程。不能替代的环节（人必须做）：投资逻辑与判断、合规终审、客户定制化表达——和 Goldman 的"人在回路"完全一致。综合：在"快"这一维，国内头部已不输 Goldman；差距在"信"——可审计、可溯源、合规内嵌的深度。

④ 国内落地差异：监管合规是比技术更硬的约束

差异一：研报合规红线。对外发布研报须走合规审核，AI 角色须明示为"辅助"、不得暗示收益、不荐股——多家券商已建"制度 + 技术 + 运营"三道防线，宣传材料全过合规。差异二：数据源与中文语境。万得 / Choice 为主，中文研报"黑话"需翻译式解读；跨市场对齐靠人工。差异三：组织。国内多为部门级工具，缺 Goldman 式全行统一底座——这正是"信"的短板来源。

⑤ 国内对应工具现状：头部已平台化，中小在找纵深

头部：已从"单点 AI 功能"升级为"全链路 AI 原生平台"（华泰泰为 / 国君灵犀 / 中信数字员工 / 广发文曲星），研报生产内化为平台能力。中小：放弃底座自研，把 AI 精准砸向最擅长的业务腹地（如华源绑光谷硬科技），走"纵深 + 产业"路线。缺口：无论头部中小，可审计勾稽 + 跨工具溯源 + 统一合规底座仍薄弱——"快"有了，"信"还在补。

⑥ 优化方向与目标：从"快"到"信"的路线图

近期：研报 AI 输出强制标注来源、附合规提示；初稿与终稿留痕可回溯。中期：把分散工具接到统一合规底座（数据不出域、多模型路由），角色化 copilot 分工。远期：搜 / 读 / 写 / 审全链路 + 自动勾稽审计 + 品牌模板库，人只定调与合规。终极状态：拿到标的 + 场景，系统自动出"可审计研报草稿 + 来源全链 + 合规预审"，研究员只做价值判断与签字。

03 / 横向对比：Goldman 与国内，差在哪、学到哪

🎯 小以观察

观察一：研报 AI 化的本质，是把"搜 / 读 / 写 / 审"工程化，不是自由生成无论是 Goldman 的 Banker Copilot，还是中信"超级研究员"、招商"AI研究所"，底层都是同一件事——把研究员最高频、最重复的"信息整理 + 初稿起草"结构化。这和前面拆的 pitch-deck（灌模板）、3-statement（填公式）同源：AI 在金融里最稳的落点，永远是"可审计的结构化"，而不是"自由发挥"。

观察二：Goldman 最该抄的作业，是"合规内嵌"，不是"模型多强"Goldman 把多模型托管在防火墙之后、反复强调"人在回路、别过度依赖"，本质是先把"信"做进架构。国内在"快"上已追平（分钟级），但分散的工具 + 待统一的底座，让"信"（可审计 / 溯源 / 合规）仍是短板。下一关不是比谁更快，而是比谁先把"快"变成"信"。

观察三：两条路线殊途同归——最终拼"研报 AI 基础设施"头部搭底座、中小做纵深，短期分化；长期看，谁先把"统一合规底座 + 角色化 copilot + 可审计流水线"做成标准，谁就拥有研报生产的 AI 基础设施。这和投行建模"先 3-statement 后 lbo"、材料"先 pitch 后 cim"是同一道理：越规则、越可审计的环节，先 AI 化。

小以判断：券商研报的 AI 化，会从"AI 帮写初稿"走向"可审计的研报生产流水线 + 人定调与合规"。第一步永远是"信"——先把来源、合规、勾稽做扎实，再谈更快。

📌 收藏 & 系列预告

收藏这篇，后续改造研报生产时回来对照 Goldman 与国内的两条路径。系列预告：· 第7期（已发）：投行材料 pitch-deck × cim-builder· 第8期（已发）：投行建模 3-statement × lbo-model· 第9期（本期）：海内外券商 AI 研报工具对比（Goldman vs 国内）· 第10期（预告）：valuation-review（估值复核）· 第11期（预告）：merger-model（并购增厚 / 稀释分析）道以研究院呼应篇（预告）：基于本期分析，我们接下来会做研报生产的国内改造实验——拿一份真实标的，跑"可审计研报草稿 + 来源全链 + 合规预审"，看看 AI 能不能既快又信；过程中会同步结合 Anthropic 的研报适配改造（将其公开的研报 Skill 范式做中文金融语境与合规本地化），沉淀一套可复用的国内版研报生产流水线。关注公众号，实验报告会在实验室系列里发布。

— END —

本文基于 Goldman Sachs 公开 AI 部署资料（GS AI Assistant 2025 全员推行、Banker Copilot 等）与国内主要券商 2025–2026 年年报及公开报道中关于 AI 研报 / 投研工具的披露，不构成投资建议。转载请注明来源：道以研究院

觉得有用，点赞 👍 + 转发 + 推荐 ❤让更多做投研的朋友看到这篇对比

转发给做券商研究所、投行和二级市场研究的朋友，他这周可能用得上

道以研究院 · 金融AI指南