Morningstar 在 6 月发布了一份报告：《AI in Active Fund Management: The State of Adoption in 2026》。在整个行业都在谈论 AI 的这一年，它做了一件少有人做的事：用数据核实这些谈论里有多少是真的。
结论相当冷静。研究团队用语义检索系统扫描了自家分析师 2019 年以来对全球约 3,200 个受评策略的尽调记录，发现真正把 AI 实质性整合进投资流程的机构，不到 20 家。而在母公司层面的尽调中，几乎每一家资管公司都声称自己在用 AI。
这个反差本身就是行业现状：AI 叙事无处不在，AI 落地高度集中。而这份报告真正有价值的地方，是它回答了一个更深的问题——AI 到底停在了投资流程的哪一层，以及为什么。
01 / 一条清晰的分界线：研究层与决策层
报告通读下来，所有访谈和数据都指向同一条分界线。
在研究层，AI 的渗透已经是既成事实。日本最大的资管机构之一三井住友 DS 管理约 1,700 亿美元，他们把最耗时的财报阅读交给 AI。系统持续分析管理层评论，从非结构化文本中提取盈利改善、市场份额变化等信号，并据此生成评分。AI 筛选出最值得深入研究的公司，再由分析师完成后续基本面分析。
Morgan Stanley 旗下的 Counterpoint Global 走得更远。这支由 Dennis Lynch 领衔、管理约 240 亿美元的团队，把研究拆成一条可并行执行的生产线。市场规模分析、竞争格局、业务建模等环节，被拆解给 56 个 AI Agent 并行协作，每个 Agent 扮演不同投资风格，最终汇总形成一份完整的首次覆盖研究报告。
一边是让 AI 读财报的谨慎起步，一边是把整条研究流程交给 Agent 的激进实验，深浅不同，方向一致。过去以周计的工作，现在以分钟计；一个分析师能真正深度覆盖的公司，历史上是 20 到 30 家，有了 Agent 体系，覆盖半径与人数第一次脱钩了。
但在决策层，画面完全不同。管理超 10 万亿美元的 Vanguard 明确表示，真正决定买卖的核心模型不由大模型驱动，这是深思熟虑的选择。大模型无法冻结参数版本、难以保证长期输出一致，也无法清晰审计模型更新带来的影响，因此很难满足投资体系对可回测性和可验证性的要求。
Robeco 曾让大模型直接生成哪些股票会涨的预测信号，但经过系统基准测试，并未带来稳定的增量价值，最终暂时搁置。高盛资管旗下的量化团队则立了一条铁规矩：无论模型说什么，每一笔投资决策都必须有基金经理签字负责。
所以，真正值得问的问题已经变了。“你们用 AI 吗”是个无效问题，因为所有人都答用。有效的问题是：AI 在你们的投资流程里，走到了哪一层。
02 / 挡在决策层门口的四道门
AI 为什么停在了研究层？报告给出的解释可以归纳为四道门。这四道门，恰好构成了理解未来几年资管行业演化的坐标系。
第一道门：回测失效。系统化投资的信任基础是可验证——同样的输入、同样的模型、同一段历史，跑出可复现的结果。大模型的输出并不稳定，训练数据还可能包含未来信息。让模型用 2015 年的财报评估英伟达，它给出的看多结论看似洞察，实则可能只是记忆。任何声称用大模型产生超额收益却拿不出验证框架的机构，都值得怀疑。
第二道门：验证瓶颈。AI 让研究产出的速度大幅提升，但每一份产出仍然需要人来核查。大模型的错误零星、随机，而且看起来非常合理，识别它们恰恰需要最资深的判断力。AI 生成材料的速度，已经超过人类严格审核的速度。
更深一层的隐忧是，AI 接管的初级研究工作，正是初级分析师历史上打磨判断力的训练场。行业在增加对高水平验证者需求的同时，也可能拆掉培养验证者的梯子。
第三道门：数据与基建的差距。工具在快速平权，数据没有。Man Group 每年在 AI、数据与技术上投入 1.35 亿美元，其自建的两代内部研究工具，仍在约 18 个月内被前沿模型的进步整体淘汰，被迫重构为模型无关的架构。在这个领域保持在场，本身就是一项持续的重投入。
第四道门：受托责任。监管没有为 AI 设立新规则，但信义义务始终在场。资管机构无法对客户说“这笔投资是 AI 选的”，它必须能解释哪些变量驱动了决策。只要 AI 是黑箱，责任就无法交给它。
03 / 四道门都在松动
如果只读到这里，结论似乎是：决策层是人类的堡垒。但报告自己给出了相反的暗示——Agentic AI 在可预见的未来端到端管理投资组合，不存在根本性的技术障碍，所需组件或已投产，或在密集开发中。
我们同意这个判断，而且认为四道门的松动速度会超出多数人的预期。
回测失效，本质上是方法论问题而非物理定律。冻结模型版本、控制信息截止日期、用多次采样度量输出的统计分布、构建实时前向验证，这些工程与统计手段正在把“不可验证”变成“验证成本较高”。摩根士丹利已经在用一个 AI 管理的镜像组合与人类管理的组合做实时对照实验。这种实时前向实验，是比回测更诚实的证据形式。
验证瓶颈的出路，是用模型审计模型。检查一致性、找出缺失假设、呈现矛盾证据、在不同情景下重跑分析——验证工作本身正在被系统化。当验证可以分层、并行并留痕，它对稀缺人类注意力的依赖就会持续下降。
数据基建的门槛不会消失，但它筛选的只是入场资格。真正拉开差距的是系统能不能把数据变成可验证的研究：控制信息截止时间，堵住数据泄漏，然后让市场反馈决定哪些假设留下、哪些出局。
至于受托责任，一个真正能进入投资流程的 AI 研究系统，要同时经得起四种检查：说得清为什么，可解释；换个人能得到同样结果，可复现；每个结论都能回溯到证据，可追踪；人保留随时否决和叫停的权力，可监控。
代码级 Alpha 的意义正在这里。它把模型的投资假设从黑箱输出，变成一段可以被检查、被测试、也可以被追责的代码。责任能落在具体对象上，信任才有地方生根。四道门没有一道写着“永远”，它们写的都是“暂时”。
04 / 门后是什么
报告对终局的描绘值得认真对待：一个多智能体架构持续监控海量信息源，生成研究、压力测试投资论点、扫描新信号、在风险约束内决定仓位并执行交易；而投资专业人士的角色，从研究的生产者转变为系统的指挥者——设定方向、仲裁 Agent 之间的分歧，并在系统遭遇未曾设计过的模糊情境时行使判断。
这个图景里有一个容易被忽略的推论：当决策层被系统化之后，竞争的性质会改变。系统设计能力——专有数据、模型编排、反馈回路，以及把通用智能转化为可重复投资流程的组织学习速度——会取代个人的判断天赋，成为持久优势的来源。
这正是我们一直在做的事。GIM 从第一天起就把系统建在决策层：让多个 Agent 在层级化架构中分工产生判断、相互质证，并把每一次决策的逻辑以可解释的形式留存。
我们很早就意识到，可验证与可解释这两道门，必须在系统设计之初就被回答，没法事后补上。这条路远比做一个研究 Copilot 更难，答案也仍在被市场检验。但报告里那条清晰的分界线让我们更加确认：研究层的效率红利会很快被摊平成行业的成本项，决策层才是下一代资管的定义权所在。
Morningstar 的报告以一种罕见的坦诚收尾：接受访谈的所有投资专业人士，没有一个人声称知道这一切将走向何处；2025 年初看似还需数年的能力，年底已在生产环境运行。对 AI 进程的自信预测，迄今只朝一个方向出错——低估。
AI 停在了投资决策的门外。以这个行业过去两年的经验看，门外的等待，通常不会太久。
参考资料
Morningstar Manager Research, “AI in Active Fund Management: The State of Adoption in 2026”, June 2026.
本文基于 GIM 团队对资管行业的技术观察与思考。文中观点不代表投资建议。