券商研究所 AI+投研发展现状、趋势及中小券商发展建议

一、核心观点

券商研究所正在把首席分析师的能力提炼、打包、复制给客户可使用的 AI 助手，实现从"卖研报"到"卖研究能力"的转型。核心逻辑可概括为一句话：

分析师定义研究深度，AI 让这种深度在客户需要时抵达。

这意味着：

壁垒不是模型，而是数据与方法论。大模型本身不构成差异化，客户真正关心的是 AI 调用什么数据、依据什么框架、按什么标准执行、由谁作出判断。

研究能力产品化的载体是 Skill/MCP。将研究所积累的数据、框架、分析方法封装为可动态加载的技能包，让客户在 AI 客户端或券商平台中直接调用。

商业模式重构：客户获得的不是一份静态研报，而是随时随地可调用的、堪比面对面路演的投研能力。

二、国内券商研究所 AI+投研发展现状

1. 头部券商：把研究能力封装为 Skill/MCP，竞相输出

券商	产品/服务	核心内容
招商证券	小研 Work	智能投研平台，沉淀 30 万余项指标、1000 余个研究框架，覆盖数据抽取、公司与行业研究、宏观策略、基金研究、大类资产配置等场景；已开放部分 Skill 给数家资管机构试用
中信建投	Skill & MCP 智能投研服务	以 MCP 标准协议对外开放研究数据取数能力，首发复刻赵然非银团队 40 篇深度报告的方法论，自称"带着方法论的非银分析师"
华泰证券	华泰智研 Skill & MCP	5 月发布，封装成熟研究系统能力；已上新金工量化 MCP 六大套件、固收智能数据库、五大消费行业工具箱、地产/食饮/汽车三大框架
国泰海通	Nova 投研 AI 生态	8 月发布 NovaStation/Nova/Novana 三端产品，11 个专项智能体、30 余个投研 Skills、8 万条自建行业指标（参见此前报告）

共同特点：

都强调把真实研究方法论和结构化数据资产封装为 Skill；

都采用MCP 等开放协议，让客户可自由选择 AI 客户端；

都由分析师与技术团队共同定义数据来源、任务步骤、分析框架和校验要求；

当前 Skill 仍集中于优势行业，尚未覆盖全板块，形成"行业壁垒"竞争。

2. 落地路径出现分化

MCP/Skill 模式：华泰、中信建投等走极简接入路线，支持 WorkBuddy、Claude Code、Codex、OpenClaw 等主流 AI 工作台；适合 IT 能力强的客户。

全平台模式：招商"小研 Work"直接提供网页端、桌面端、移动端协同入口，并探索系统调用、定制 Skill 和私有化部署；适合 IT 投入不大的客户。

行业共识：技术上已无障碍，选择哪种方式主要取决于客户需求和 IT 能力。

3. 竞争焦点转移

Skill 库的丰富程度，以及相关研究框架的有效程度，或许会成为后续此类服务竞争的关键。

这意味着竞争从"有没有 AI"转向"AI 能不能调用真正有效的研究能力"。

三、国际券商/资管机构 AI+投研发展现状

国际头部机构已将 AI 深度嵌入投研、资管与财富管理的全流程，并出现明确的"Agent 化"趋势。

机构	AI 应用
高盛	2026 年 7 月推出 AI 投资平台 AlphaAI，嵌入公开与私募市场的组合构建、风险管理、交易执行；内部 Agent 平台"Meridian"已处理约 40% 的权益研究摘要与客户沟通草稿
摩根大通	AI 程序每月自动化约 180 万小时员工工作；IndexGPT 已发展为自动监控指数成分变更、起草监管文件的后台基础设施
摩根士丹利	为 1.6 万名财务顾问部署 AI 助手，超过 98% 采用；顾问人均创收提升 11%
贝莱德	将 AI 整合进 Aladdin 风险平台，管理超 20 万亿美元资产
彭博	依托自研金融垂直大模型打造 AI 终端，实现实时市场分析与专业报告生成

国际趋势关键词：

Agentic Systems：从"AI 辅助工具"升级为能执行多步骤任务、无需每步人工干预的 Agent；

人机协同：AI 负责信息处理、摘要、 drafting，人类负责判断与决策；

效率指标显性化：用"节省工时""自动化比例""人均创收"衡量 AI 价值；

监管压力上升：美国货币监理署要求银行对涉及信用决策和市场敏感工作流的 AI 保持"有意义的人类监督"。

四、未来发展趋势

1. 从产品到能力：研究服务"Skill 化"

未来研究所的核心产品不再是研报，而是可被 AI 调用的研究能力包。研报只是 Skill 输出的其中一种形式。

2. 从单点工具到智能体协同

单个 Skill 会向多智能体协作演进：数据检索 → 分析框架执行 → 报告生成 → 人工复核 → 客户交付，形成完整工作流。

3. 从内部提效到对外赋能

AI 投研先从研究员内部使用，逐步开放给机构客户，最终可能成为新的收入来源和竞争壁垒。

4. 从通用模型到垂直资产竞争

模型层逐渐同质化，真正难以复制的是行业语料库、结构化数据、专家标注框架、长期研究方法论。

5. 合规与风控成为基础设施

监管对 AI 生成投研内容的溯源、人工复核、责任主体要求趋严，"可解释、可追溯、可审计"将从加分项变成入场券。

五、对中小券商研究所的发展建议

建议一：不要追模型，要追"差异化资产"

头部券商有资源做全品类、全平台，中小券商应避免正面竞争。应聚焦自身优势行业或区域特色，把细分领域的指标、框架、产业链图谱、调研纪要沉淀为结构化资产，形成"小而精"的护城河。

例如：某中小券商在新能源、医药、区域经济等某一赛道有研究优势，就应先把该赛道的研究框架和数据资产做扎实，再封装成 Skill。

建议二：选择"小切口"而非"大平台"

优先选择投入小、见效快、业务价值明确的场景：

研报自动生成：财报点评、事件点评、日报/周报；

知识库问答：内部研报、调研纪要、公告政策智能检索；

数据提取与可视化：把研究员常用数据查询封装成自然语言调用；

服务记录整理：帮助企业微信端的研究员/销售快速记录路演与服务。

建议三：采用 MCP/Skill 开放协议，轻量化接入

不必自建完整平台，可把优势研究能力封装为 Skill 或 MCP Server，接入客户已有的 AI 工作台（如 WorkBuddy、Claude Code 等）。这样：

降低客户切换成本；
减少自身平台开发投入；
更容易被机构客户采纳。

建议四：业技融合，设立"研究 + 技术"复合团队

参考招商证券、华泰证券的做法，由分析师与技术团队共同定义：

数据来源与口径；
分析步骤与框架；
输出格式与校验规则；
人工复核节点。

避免"技术团队闭门造车"或"分析师只会提需求"两张皮。

建议五：合规先行，建立三条制度红线

结合近期行业风险事件与监管趋势，建议从第一版就内置：

强制信源回溯：所有政策、数据必须标注可验证原始出处；

风险分层管控：政策时间、核心数据等关键字段禁止 AI 直接输出，必须人工复核；

全流程留痕：保留 AI 修改痕迹，追溯至具体操作人员。

建议六：走"统一底座、分层推进、逐步扩展"路线

中型券商可参考国联民生提出的路径：

第一阶段：从中后台辅助场景起步（文档审核、合规监控、运营提效），沉淀模型接入、知识管理、智能体开发框架；

第二阶段：围绕优势业务（研究、财富、投行、固收、资管）向前中台延展；

第三阶段：探索对客赋能、投资交易等更广阔场景，甚至孕育新业务形态。

六、一句话总结

AI 不会取代分析师，但会把分析师的能力边界放大；中小券商研究所的机会，不是复制头部的大平台，而是把某一细分领域的研究深度装进 AI，用 Skill/MCP 的轻量方式，让这种深度在客户需要时抵达。

参考资料：

券商中国《重塑券商研究触达模式，把分析师能力装进 AI》（2026-09-26）
中国金融新闻网《人工智能深度赋能和重塑证券业务的思考》（2026-06-04）
新浪财经《过度依赖 AI，华尔街将遭遇"脑萎缩"？》（2026-08-26）
Clarqo《Wall Street's AI Agent Moment》（2026-04-22）
证券时报《22 家券商去年狂砸 219 亿元！国泰海通领衔》（2026）

研报速递

行业资讯