證券投研 AI Copilot:研究員如何用 AI 加速財報拆解與產業研究,又不被幻覺誤導

財報季的某個週二晚上十一點,一位賣方研究員把某家 IC 設計公司剛出爐的法說會逐字稿貼進一個通用聊天機器人,問它:「這季毛利率下滑的主因是什麼?」三秒後得到一段結構漂亮、語氣篤定的答案,裡面提到「產品組合轉向低階消費性產品」。

問題是,那家公司這季根本沒提消費性產品。模型自己補的。

這就是研究員導入 AI 最危險的一段路。不是 AI 不好用,是它太會講話。一段錯得很有信心的分析,比一段空白更危險,因為它會被寫進報告、進到晨會、傳給客戶。

投研 AI Copilot 到底該解決什麼問題

先把定義講清楚:投研 AI Copilot 是一套掛接在券商或投顧內部研究資料庫上、能一邊生成分析一邊標出每個結論出處的 AI 助手,它的價值不在「寫得快」,而在「每一句話都能點回原始財報、法說逐字稿或內部研究筆記的哪一頁哪一行」。

差別就在這裡。一般人用 ChatGPT 拆財報,得到的是模型從幾兆 token 訓練資料裡「平均」出來的說法;而一個接上內部知識庫的 Copilot,回答的每一個數字都來自你上傳的那份 10-K、那份法說簡報、那份你們家分析師三年前寫的產業框架。前者靠記憶,後者靠檢索。這一字之差,決定了它能不能進生產環境。

我們把兩種做法擺在一起比較過,差距非常具體:

幻覺控制不是關掉幻覺,是讓它閉嘴的時機對

很多人以為解決幻覺就是換個更強的模型。不是。再強的模型,你問它庫裡沒有的東西,它還是傾向給你一個答案。

真正有效的是把系統設計成「檢索優先、拒答有理」。我們替一家投顧建的流程是這樣:研究員問問題,系統先去內部庫裡撈相關段落,撈得到才讓模型基於那些段落作答,並在每個論點後面掛上出處編號;撈不到,就直接回「目前資料庫中沒有支持此結論的來源」,而不是硬掰。

聽起來很簡單,但這一步改變了研究員對工具的信任結構。當一個 AI 敢說「我不知道」,你才敢採信它說「我知道」的時候。這是我們踩過的雷換來的:早期版本為了讓體驗順,我們讓模型在檢索命中率低時仍嘗試作答,結果一個月內就出現兩次數字對不上原文的情況,分析師的信任瞬間歸零。後來我們寧可讓它多拒答,也不讓它多編一句。

財報拆解與產業研究,實際省下多少時間

講可量化的部分。一份季度財報的初步拆解,一位研究員手動做——讀逐字稿、抓關鍵數字、比對前幾季、標出管理層口徑變化——通常要三到四小時。接上 Copilot 之後,系統先產出一份帶完整引用的初稿:營收與獲利拆解、與上季 QoQ 對比、管理層前瞻指引的措辭變化、以及三個值得追問的疑點。研究員的工作從「從零整理」變成「驗證與判斷」。

我們在導入案裡量到的落點是:財報初拆從三到四小時壓到約四十五分鐘,產業研究裡的資料蒐集段(找同業、抓市占、對齊時間軸)大約省下六到七成。省下來的時間沒有消失,它回到研究員最該花時間的地方——形成觀點、壓力測試假設、跟產業裡的人求證。AI 拆解事實,人做判斷。這條界線我們畫得很清楚。

值得強調的是,引用可追溯讓這套流程在合規上站得住。當客戶或稽核問「這個結論從哪來」,研究員點一下就能翻到原文那一段,而不是說「AI 講的」。對受規範的金融機構,這不是加分項,是能不能上線的門檻。

別把 Demo 當成上線

一套投研 Copilot 在 Demo 上問三個熱門大型股,幾乎都很漂亮。真正的考驗是財報季週五晚上,十幾位研究員同時丟進來的,是冷門中小型股、是海外子公司的附註、是三年前某份內部報告裡的假設。這時候檢索品質、拒答邏輯、引用精準度才見真章。

我們做這類系統的方式一向不是交付一個模型就走,而是工程師進到研究團隊現場,看他們實際怎麼問、在哪裡不信任它、哪些拒答其實是庫沒建好而不是真的沒資料,一輪一輪把採用率從 Demo 的驚艷,磨成晨會上真的有人在用。對我們來說,研究員願意在報告截稿前把它打開,才算數。