核心判断投研 AI 真正值得关注的范式变化并不是从“人工研究”简单跃迁到“机器自动炒股”而是从端到端决策自动化逐步转向研究自动化、决策人工化、行动受控化、责任可追溯化。这并不意味着自动化本身有罪robo-adviser 的实证研究显示自动化工具确实可能改善分散化、降低部分行为偏差低成本数字投顾也扩大了服务可得性。问题出现在 AI 从“帮人看懂信息”继续越过边界开始替用户形成个性化投资建议、决定仓位乃至触发真实交易时——技术失误便不再只是一个错误答案而可能直接变成资金行为同时把适当性、牌照、执行、记录保存和责任归属问题一并带入系统。因此本文所称的“从 AI 替你决策到 AI 做研究、人做决策”不是声称全球投研行业已经形成统一标准而是一条从学术研究、证券监管和 AI 风险治理材料中逐渐清晰的设计路线让机器承担它最有规模优势的搜索、整理、比较、监测和生成工作让人保留真正改变风险敞口、形成对外承诺和触发真实交易的最终权限。FINRA 对证券业 AI 应用的调研尤其具有代表性机构正在用 AI 辅助从业人员理解客户和定制研究却对“直接面向零售客户提供 AI 投资建议”保持谨慎一旦进入自主交易FINRA 又单独提示模型失效可能直接触发不希望发生的交易行为。自动化的诱惑从低成本顾问到“最好连下单也替我做”金融天然适合自动化。市场信息数量巨大、更新频率高研究工作又包含大量结构化重复劳动拉行情、查公告、比较财报、追踪事件、维护观察清单、计算指标、形成日报、复盘假设。这些恰恰都是软件与机器学习容易产生规模效应的环节。美国 SEC 的投资者教育材料早在 robo-adviser 普及时就指出自动化数字投资顾问可以让个人通过网页或应用建立和管理投资账户而且潜在成本低于传统投顾服务。学术证据也不支持把“自动化投资”简单描述成失败路线。D’Acunto、Prabhala 与 Rossi 在The Review of Financial Studies对财富管理 robo-adviser 的研究发现采用者总体获得了分散化收益原本分散不足的投资者持有更多股票、组合波动更低样本中若干典型行为偏差也有所下降。与此同时已经较充分分散的投资者使用工具后反而交易得更多。这篇论文的标题本身就很准确自动投顾同时存在promises 与 pitfalls而不是“机器一定优于人”或“机器必然有害”。真正具有诱惑力的下一步是把上述效率优势沿价值链一路向后推信息获取 → 研究判断 → 个性化建议 → 仓位决策 → 订单生成 → 真实成交技术产品很容易产生一种直觉既然 AI 能读十万条资讯为什么不让它直接选股既然能选股为什么还要用户确认仓位既然已经决定仓位为什么不能直接连接券商下单从交互体验看每少一次人工确认产品确实“更自动”但从风险结构看每跨过一层错误从“信息风险”转化为“行为风险”的可能性也随之增加。FINRA 指出AI 自主执行交易具有独特风险训练数据未覆盖的异常波动、灾害、疫情或地缘变化可能使预测失去可靠性并进一步触发非预期交易行为。这里需要避免一个未经证明的夸张命题“自动化程度每提高一点风险就必然按固定比例上升”暂无公开证据。更准确的说法是随着系统从“生成信息”走向“改变真实资金状态”它增加的是新的风险类型与新的责任节点而不是简单增加一个可量化的“风险分数”。2026 年 7 月欧洲银行管理局、欧洲保险和职业养老金管理局、欧洲证券和市场管理局再次联合强调金融机构使用前沿 AI 时需要更强的治理、风险管理、预防、检测与事件处置框架。现实世界的营销压力又会进一步放大这种自动化叙事。四川证监局在 2025 年投资者风险提示中明确列举了利用“量化交易、程序化交易、人工智能、AI、大数据”等概念包装具有择时、选股和自动买卖能力的软件再通过收费方式实施荐股甚至诈骗的情形。 美国 SEC 则在 2024 年先后处理了两类典型“AI washing”Delphia 与 Global Predictions 因对 AI 使用作虚假、误导性陈述合计支付 40 万美元民事罚款Rimar 相关主体又因虚假宣传 AI 自动交易等事项接受处罚相关民事罚款合计 31 万美元。这两类事件虽然法律事实不同却说明同一个商业诱因越是把 AI 描述成一个可以独立发现机会、做决定乃至自动赚钱的主体营销故事越简单但其能力真实性、适当性、模型局限与监管责任也越难回避。为什么决策必须留给人关键不是“人比 AI 聪明”而是谁承担判断和责任把最终决策留给人并不应建立在“人类天然比模型准确”这个脆弱前提上。已有 human-in-the-loop 研究恰恰告诉我们人机协作并不会自动产生“112”。Fügener 等人在Information Systems Research的实验研究中发现在其分类任务环境里人机团队能够超过单独运行、且本来已经强于人的 AI但这种提升只出现在AI 把适合的任务委派给人的配置中。当人自己判断何时把任务委派给 AI 时协作并没有产生同样的改进。研究进一步指出人类对自身能力判断不足——即缺乏 metaknowledge——本身就是协作失败来源。Lu 与 Zhang 的研究又给“human-in-the-loop”加上了更重要的一层限制把一个人机械地塞进审批链并不等于有效人工监督。在其微型金融决策实验中仅仅给人大量信息或者仅仅给机器解释时人工评价者未能为最终结果增加额外价值而在大量信息同时配合机器解释的条件下人类更容易进行主动再思考发现模型遗漏的新特征并改善机器单独决策的结果。所以“人做决策”的真正含义不是最后放一个醒目的“确认”按钮而是让人拥有三种真实能力第一能够理解 AI 为什么得出这个判断。至少要看到证据、数据来源、关键假设和不确定性而不是只有一个“买入/卖出”结论。美国国家标准与技术研究院NIST的 AI 风险管理 Playbook 要求组织明确人机配置中不同人的职责建立模型测试、验证、监测、审计、事件响应和法律风险复核机制并根据风险容忍度决定批准、条件批准或拒绝 AI 系统的部署。第二能够不同意 AI而且不同意之后真的能阻止动作发生。“Human-in-the-loop”只有在人拥有有效否决权时才有治理意义如果模型已经下单人的角色只是事后收到通知那么这更接近 human-on-the-loop而不是人类保留最终决定权。这是根据 NIST 对人机职责、批准机制和风险容忍度治理要求作出的设计推论而不是某部证券法规使用的法定术语。第三责任不能反过来被一句“AI 算的”稀释。2017 年 Kroll 等人的经典论文Accountable Algorithms指出传统问责机制本来是围绕人类决策者建立的而自动化决策可能产生错误、缺乏正当依据或不公平的结果因此需要新的技术和制度工具来使自动化系统可验证、可治理。金融场景之所以特别敏感是因为模型并不知道它“不知道什么”。SEC 的 robo-adviser 投资者公告明确提醒自动顾问的建议受制于系统向投资者询问并获得的信息有些系统只掌握有限的个人信息部分 robo-adviser 还可能没有在压力市场环境中经过测试。即使服务高度自动化美国 robo-adviser 仍须遵守适用于投资顾问的证券法律义务。ESMA 在 2024 年针对投资服务中的 AI 又明确点出算法偏差、数据质量、决策不透明以及公司和客户过度依赖 AI等风险同时强调使用 AI 并不改变投资机构在 MiFID II 下的客户最佳利益义务。这构成了本报告最重要的分界旧范式追求的是“模型能不能替人给答案”新范式更关心“模型能不能让人获得更好的证据并在行动之前保留真正的判断权”。前者优化的是决策自动化率后者优化的是研究质量 × 人工判断质量 × 责任可追溯性。监管红线AI 不是证券业务牌照的替代品在中国语境下把“研究”与“决策/交易”分开还有非常具体的合规意义。首先AI 外壳不会使证券投资咨询许可要求失效。中国证监会法规数据库截至访问日将《证券、期货投资咨询管理暂行办法》标记为“现行有效”监管部门在典型案例中援引其第三条指出从事证券、期货投资咨询业务需要取得相应业务许可未经许可不得开展规定范围的证券、期货投资咨询业务。更上位的现行《证券法》第一百六十条规定从事证券投资咨询服务业务应经国务院证券监督管理机构核准第一百六十一条又禁止证券投资咨询机构及其从业人员“代理委托人从事证券投资”等行为。 这意味着对一家以“研究工具”为定位的产品来说“不替用户交易”并不仅仅是一种 UX 偏好它也实质性减少了系统向真实证券交易主体角色扩张的程度。但是否构成某类持牌证券业务最终仍取决于实际服务事实不能仅凭产品自称“AI”“研究”“信息工具”下结论。这是依据许可规则和监管案例作出的法律风险判断并非对任何具体产品的执法定性。其次“输出建议”本身就可能是监管边界而不必等到下单才产生风险。江西证监局披露的典型案例中一名未取得证券投资咨询执业资格的证券从业人员通过微信向客户发送个股分析、预测或建议被采取监管措施。四川证监局的风险提示则把“未取得证券投资咨询业务许可面向客户或投资者有偿提供个股投资分析、预测或建议”明确列为非法荐股识别要点。这也是为什么“AI 做研究、人做决策”不能被简化为“AI 只要不按下买入键就都没问题”。研究与投资咨询之间仍有边界问题。如果系统开始根据具体客户资产、风险偏好和个股情况持续输出具有明确行动导向的个性化投资建议服务是否进入证券投资咨询监管范围需要结合实际业务模式判断。暂无公开依据支持“只要最后由用户自己点击下单就一定不属于投资咨询”的宽泛结论。第三收益承诺是明确的高风险区。中国证监会法规数据库显示《证券投资顾问业务暂行规定2020年10月修订》目前标记为“现行有效”该规定要求投资顾问提示潜在投资风险并禁止以任何方式承诺或者保证投资收益同时对虚假、不实、误导性营销设有限制。2026 年 5 月北京证监局对和讯信息科技有限公司采取责令改正并暂停新增客户六个月的监管措施。监管决定披露的问题包括部分不具备投顾资格的员工提供投资建议、在公众媒体作出具体证券买卖持有建议、适当性管理不到位、不实或误导性宣传、变相承诺收益以及一款具有证券品种选择和买卖时机提示功能的软件未充分说明方法、局限和固有风险。这个案例不是“生成式 AI 处罚案”却非常直接地说明把投资判断做成软件并不会取消方法说明、局限揭示、资格管理和营销合规要求。与此同时中国的算法与生成式 AI 规则形成第二层治理框架但不能把它们误读为证券牌照的替代制度。《互联网信息服务算法推荐管理规定》适用于在境内利用生成合成、个性化推送、排序精选、检索过滤、调度决策等算法技术提供互联网信息服务的情形要求相关提供者落实算法安全主体责任定期审核、评估、验证模型、数据和应用结果在适用场景建立人工干预和用户自主选择机制并向用户适当披露算法服务的基本原理、目的和主要运行机制。 截至 2026 年 1 月国家网信办发布新的算法备案公告时仍继续以该规定作为备案依据说明其仍在实际监管体系中被援引。《生成式人工智能服务管理暂行办法》则明确适用于向境内公众提供生成文本、图片、音频、视频等内容的生成式 AI 服务并要求公开服务适用人群、场合和用途尤其值得注意的是第二十三条法律、行政法规规定相关生成式 AI 服务需要行政许可的提供者仍应依法取得许可。换句话说中国投研 AI 面临的不是“AI 监管”与“金融监管”二选一而更可能是多层规则叠加功能层主要风险变化更稳健的产品边界信息检索、摘要、对比、事件跟踪数据错误、遗漏、来源质量、幻觉保留来源、时间戳、反证与人工复核这是 AI 最适合作为研究增强工具的区域。研究判断、情景分析、研究组合记录模型假设、偏差、用户过度依赖明确属于研究输出展示依据与不确定性不把模型结论包装成确定性收益。面向具体客户的证券投资建议许可、从业资格、适当性、营销表达开始成为核心问题不能因为由 AI 生成就推定监管义务消失具体业务应按证券投资咨询规则判断。连接账户、改变真实风险敞口、真实交易执行在模型风险之外增加资金、执行、授权和操作风险对“研究型 AI”而言最清晰的隔离方式是默认不接资金、不接真实交易执行将行动重新交给有权且在场的人。这张表是产品治理视角而不是中国法律对 AI 服务的法定四级分类。尤其需要强调把真实交易隔离出去会降低一类行动风险却不能自动豁免研究内容、数据处理、算法治理、证券咨询或消费者保护方面的其他义务。负责任设计从“端到端自动驾驶”转向“研究副驾驶”如果把上述学术与监管材料合在一起一套较成熟的投研 AI 设计不应该仅靠页面底部的一句“AI 可能出错”而应把“AI 不应独自决定真实资金行为”写进系统结构。最重要的是把自动化预算花在研究链而不是行动链。AI 可以无人值守地扫描公告、更新财务指标、维护事件时间线、比较多家公司、整理看多和看空证据、监测研究假设是否失效、生成复盘初稿。这些动作即使出现错误只要没有直接改变真实账户仍给人留下核查和阻断机会。FINRA 的行业材料同样观察到一些机构用 AI 为客户提供定制化市场研究而对直接面向零售客户的 AI 投资建议采取更谨慎态度。第二道边界是“证据优先而非结论优先”。一个负责任的研究智能体不应只返回“利好”“看空”“值得买”而应尽可能回答依据是什么哪些是事实、哪些是模型推断资料日期是什么有什么反证哪些数据缺失结论在哪些条件下会失效这与 NIST 所强调的测试、验证、风险监测、审计、透明度和人类角色划分方向一致。第三是人工干预必须发生在“不可逆动作”之前而非之后。对研究型投研 AI一个较清晰的架构可以写成机器持续研究 → 形成证据包和备选解释 → 人查看并质疑 → 人决定 → 人通过独立交易系统自行执行。这种设计牺牲了一部分“全自动”的产品爽感却把模型失误与真实资金行为之间加入一道制度缓冲。它不是因为人类不会犯错——人会犯错而且 human-in-the-loop 文献明确证明人工参与有时并不增加价值——而是因为金融责任最终必须落到一个具有权限、能够被追责、能够暂停行为的主体上。第四是日志与可追溯性。AI 在一分钟内可能搜索几十个页面、调用多个工具、改写研究假设。如果只有最终自然语言答案而没有资料来源、工具调用、假设变化和人工决策记录那么出了问题很难回答“系统当时知道什么、为什么这么判断、谁允许它继续”。NIST 明确把持续监测、审计、风险记录、事件响应和职责划分纳入 AI 治理Kroll 等人关于算法问责的核心问题也正是如何让自动化决策可验证、可治理。第五是承认剩余风险。“AI 做研究、人做决策”不是零风险方案。人可能机械接受 AI模型提供的所谓“解释”可能只是貌似合理数据源可能错误或过时人也可能因为确认偏误只要求模型证明自己原有观点。ESMA 把对 AI 的过度依赖列为明确风险Lu 与 Zhang 的实验则表明真正提升结果的是能促使人主动重新思考的协作结构而不是形式上多一个人。因此“人做最终决策”是必要的治理边界之一却不是充分条件。成熟的人机投研应更接近一种“可质疑的机器研究 有能力的人工裁决”而不是“AI 给答案 人点确认”。落地观察研究自动化与真实交易隔离的产品实践公开资料显示大斑Bastix把持续任务限定在研究、观察与整理环节并公开声明内置能力不连接券商、不接管资金、不替用户下真实订单。这个案例可以说明“研究自动化、行动受控化”的产品设计方向但不能据此推导其已获监管认可、不会涉及投资咨询边界或已经证明投资收益具体判断仍取决于实际输出、用户关系和业务方式。结论真正成熟的不是“AI 替人负责”而是让 AI 把研究做到可以被人负责投研 AI 的第一阶段竞争很容易围绕“能不能替你选”“能不能自动调”“能不能一键执行”展开。因为这样的功能最容易让用户感受到自动化也最容易形成一个完整的“机器投资经理”故事。但从 robo-adviser 的经验、human-in-the-loop 研究、算法问责理论以及中美欧监管实践放在一起看更稳健的方向并不是继续追求“人从流程中完全消失”。Robo-adviser 证明了机器可以改善某些投资行为却也暴露了信息有限、压力环境、利益冲突与自动化监管义务等问题人机协作实验则表明人也不是简单加入流程就一定有价值关键是机器能否提供足够的信息和解释让人真正重新思考证券监管进一步告诉市场算法既不会替从业者取得牌照也不会替机构承担客户保护和营销真实性责任。所以真正值得定义为“下一代投研 AI”的产品或许不是那个最少需要人点击的产品而是那个能够做到以下分工的产品AI 把资料找全把时间线理清把多空证据并列把假设持续监测把反例主动找出来把研究过程留下记录人在看到这些材料之后对风险、目标和最终行动负责。这是一种从“答案自动化”到“研究基础设施自动化”的变化也是从“让模型成为决策主体”到“让模型成为人的认知杠杆”的变化。NIST 对人机职责划分、审批和风险治理的框架FINRA 对直接 AI 投资建议与自主交易风险的谨慎态度以及中国证券投资咨询许可与算法治理规则都指向同一个底层原则技术能力扩张不应意味着责任主体同步消失。因此“研究与决策分离”之所以可以成为这一代投研 AI 的分水岭不是因为它保证更高收益——暂无公开证据证明这种架构必然提高投资收益——而是因为它重新定义了自动化应该发生在哪里把机器的自主权最大化在可核验、可回滚、不会直接改变真实资金状态的研究环节越接近个性化投资建议、真实风险敞口与外部执行越需要明确的人类授权、法律责任和治理控制。这可能没有“AI 自动替你赚钱”的故事性感却更接近成熟金融基础设施应有的形态AI 可以比人更勤奋地研究但不能因为它更勤奋就顺带获得替人承担风险的资格。参考来源新闻 / 一手报道 / 法规与监管原文中国证监会四川监管局《非法荐股骗局大揭秘之包装售卖炒股软件实施荐股》2025年6月3日。访问日期2026年8月15日。U.S. Securities and Exchange Commission, SEC Charges Two Investment Advisers with Making False and Misleading Statements About Their Use of Artificial Intelligence, 2024年3月18日。访问日期2026年8月15日。U.S. Securities and Exchange Commission, SEC Charges Rimar Capital Entities and Owner Itai Liptz for Defrauding Investors by Making False and Misleading Statements About Use of Artificial Intelligence, 2024年10月10日。访问日期2026年8月15日。中国证监会法规数据库《证券、期货投资咨询管理暂行办法》效力状态现行有效。访问日期2026年8月15日。中国证监会江西监管局《投资者保护典型案例四证券从业人员违规开展投资咨询业务被处罚》2023年10月20日。访问日期2026年8月15日。《中华人民共和国证券法》国家税务总局政策法规库版本重点参见第一百六十条、第一百六十一条。访问日期2026年8月15日。中国证监会法规数据库《证券投资顾问业务暂行规定2020年10月修订》效力状态现行有效。访问日期2026年8月15日。中国证监会北京监管局《关于对和讯信息科技有限公司采取责令改正及责令暂停新增客户行政监管措施的决定》2026年5月20日。访问日期2026年8月15日。国家互联网信息办公室等《互联网信息服务算法推荐管理规定》自2022年3月1日起施行。访问日期2026年8月15日。国家互联网信息办公室《关于发布第十五批深度合成服务算法备案信息的公告》2026年1月7日。访问日期2026年8月15日。国家互联网信息办公室等《生成式人工智能服务管理暂行办法》自2023年8月15日起施行。访问日期2026年8月15日。大斑Bastix官方资料边界与原则v1.0.9 版本说明。访问日期2026年8月15日。学术论文 / 权威机构报告Francesco D’Acunto, Nagpurnanand Prabhala Alberto G. Rossi, The Promises and Pitfalls of Robo-Advising,The Review of Financial Studies, Vol. 32, No. 5, 2019, pp. 1983–2020。访问日期2026年8月15日。Andreas Fügener, Jörn Grahl, Alok Gupta Wolfgang Ketter, Cognitive Challenges in Human–Artificial Intelligence Collaboration: Investigating the Path Toward Productive Delegation,Information Systems Research, Vol. 33, No. 2, 2022。访问日期2026年8月15日。Tian Lu Yingjie Zhang, 1 1 2? Information, Humans, and Machines,Information Systems Research, Vol. 36, No. 1, 2025, pp. 394–418在线发表于2024年5月2日。访问日期2026年8月15日。Joshua A. Kroll, Joanna Huey, Solon Barocas, Edward W. Felten, Joel R. Reidenberg, David G. Robinson Harlan Yu, Accountable Algorithms,University of Pennsylvania Law Review, Vol. 165, Issue 3, 2017。访问日期2026年8月15日。U.S. National Institute of Standards and Technology, AI Risk Management Framework Playbook — Govern。访问日期2026年8月15日。FINRA, Artificial Intelligence (AI) in the Securities Industry — AI Applications in the Industry。访问日期2026年8月15日。U.S. SEC Office of Investor Education and Advocacy, Investor Bulletin: Robo-Advisers, 2017年2月23日。访问日期2026年8月15日。European Securities and Markets Authority, ESMA provides guidance to firms using artificial intelligence in investment services, 2024年5月30日。访问日期2026年8月15日。European Banking Authority, European Insurance and Occupational Pensions Authority European Securities and Markets Authority, EBA, EIOPA and ESMA call for enhanced governance and consistent supervision to mitigate ICT risks from frontier AI models in the EU financial sector, 2026年7月31日。访问日期2026年8月15日。
决策范式之变：为何下一代AI投研必须坚持“AI做研究、人做决策”
核心判断投研 AI 真正值得关注的范式变化并不是从“人工研究”简单跃迁到“机器自动炒股”而是从端到端决策自动化逐步转向研究自动化、决策人工化、行动受控化、责任可追溯化。这并不意味着自动化本身有罪robo-adviser 的实证研究显示自动化工具确实可能改善分散化、降低部分行为偏差低成本数字投顾也扩大了服务可得性。问题出现在 AI 从“帮人看懂信息”继续越过边界开始替用户形成个性化投资建议、决定仓位乃至触发真实交易时——技术失误便不再只是一个错误答案而可能直接变成资金行为同时把适当性、牌照、执行、记录保存和责任归属问题一并带入系统。因此本文所称的“从 AI 替你决策到 AI 做研究、人做决策”不是声称全球投研行业已经形成统一标准而是一条从学术研究、证券监管和 AI 风险治理材料中逐渐清晰的设计路线让机器承担它最有规模优势的搜索、整理、比较、监测和生成工作让人保留真正改变风险敞口、形成对外承诺和触发真实交易的最终权限。FINRA 对证券业 AI 应用的调研尤其具有代表性机构正在用 AI 辅助从业人员理解客户和定制研究却对“直接面向零售客户提供 AI 投资建议”保持谨慎一旦进入自主交易FINRA 又单独提示模型失效可能直接触发不希望发生的交易行为。自动化的诱惑从低成本顾问到“最好连下单也替我做”金融天然适合自动化。市场信息数量巨大、更新频率高研究工作又包含大量结构化重复劳动拉行情、查公告、比较财报、追踪事件、维护观察清单、计算指标、形成日报、复盘假设。这些恰恰都是软件与机器学习容易产生规模效应的环节。美国 SEC 的投资者教育材料早在 robo-adviser 普及时就指出自动化数字投资顾问可以让个人通过网页或应用建立和管理投资账户而且潜在成本低于传统投顾服务。学术证据也不支持把“自动化投资”简单描述成失败路线。D’Acunto、Prabhala 与 Rossi 在The Review of Financial Studies对财富管理 robo-adviser 的研究发现采用者总体获得了分散化收益原本分散不足的投资者持有更多股票、组合波动更低样本中若干典型行为偏差也有所下降。与此同时已经较充分分散的投资者使用工具后反而交易得更多。这篇论文的标题本身就很准确自动投顾同时存在promises 与 pitfalls而不是“机器一定优于人”或“机器必然有害”。真正具有诱惑力的下一步是把上述效率优势沿价值链一路向后推信息获取 → 研究判断 → 个性化建议 → 仓位决策 → 订单生成 → 真实成交技术产品很容易产生一种直觉既然 AI 能读十万条资讯为什么不让它直接选股既然能选股为什么还要用户确认仓位既然已经决定仓位为什么不能直接连接券商下单从交互体验看每少一次人工确认产品确实“更自动”但从风险结构看每跨过一层错误从“信息风险”转化为“行为风险”的可能性也随之增加。FINRA 指出AI 自主执行交易具有独特风险训练数据未覆盖的异常波动、灾害、疫情或地缘变化可能使预测失去可靠性并进一步触发非预期交易行为。这里需要避免一个未经证明的夸张命题“自动化程度每提高一点风险就必然按固定比例上升”暂无公开证据。更准确的说法是随着系统从“生成信息”走向“改变真实资金状态”它增加的是新的风险类型与新的责任节点而不是简单增加一个可量化的“风险分数”。2026 年 7 月欧洲银行管理局、欧洲保险和职业养老金管理局、欧洲证券和市场管理局再次联合强调金融机构使用前沿 AI 时需要更强的治理、风险管理、预防、检测与事件处置框架。现实世界的营销压力又会进一步放大这种自动化叙事。四川证监局在 2025 年投资者风险提示中明确列举了利用“量化交易、程序化交易、人工智能、AI、大数据”等概念包装具有择时、选股和自动买卖能力的软件再通过收费方式实施荐股甚至诈骗的情形。 美国 SEC 则在 2024 年先后处理了两类典型“AI washing”Delphia 与 Global Predictions 因对 AI 使用作虚假、误导性陈述合计支付 40 万美元民事罚款Rimar 相关主体又因虚假宣传 AI 自动交易等事项接受处罚相关民事罚款合计 31 万美元。这两类事件虽然法律事实不同却说明同一个商业诱因越是把 AI 描述成一个可以独立发现机会、做决定乃至自动赚钱的主体营销故事越简单但其能力真实性、适当性、模型局限与监管责任也越难回避。为什么决策必须留给人关键不是“人比 AI 聪明”而是谁承担判断和责任把最终决策留给人并不应建立在“人类天然比模型准确”这个脆弱前提上。已有 human-in-the-loop 研究恰恰告诉我们人机协作并不会自动产生“112”。Fügener 等人在Information Systems Research的实验研究中发现在其分类任务环境里人机团队能够超过单独运行、且本来已经强于人的 AI但这种提升只出现在AI 把适合的任务委派给人的配置中。当人自己判断何时把任务委派给 AI 时协作并没有产生同样的改进。研究进一步指出人类对自身能力判断不足——即缺乏 metaknowledge——本身就是协作失败来源。Lu 与 Zhang 的研究又给“human-in-the-loop”加上了更重要的一层限制把一个人机械地塞进审批链并不等于有效人工监督。在其微型金融决策实验中仅仅给人大量信息或者仅仅给机器解释时人工评价者未能为最终结果增加额外价值而在大量信息同时配合机器解释的条件下人类更容易进行主动再思考发现模型遗漏的新特征并改善机器单独决策的结果。所以“人做决策”的真正含义不是最后放一个醒目的“确认”按钮而是让人拥有三种真实能力第一能够理解 AI 为什么得出这个判断。至少要看到证据、数据来源、关键假设和不确定性而不是只有一个“买入/卖出”结论。美国国家标准与技术研究院NIST的 AI 风险管理 Playbook 要求组织明确人机配置中不同人的职责建立模型测试、验证、监测、审计、事件响应和法律风险复核机制并根据风险容忍度决定批准、条件批准或拒绝 AI 系统的部署。第二能够不同意 AI而且不同意之后真的能阻止动作发生。“Human-in-the-loop”只有在人拥有有效否决权时才有治理意义如果模型已经下单人的角色只是事后收到通知那么这更接近 human-on-the-loop而不是人类保留最终决定权。这是根据 NIST 对人机职责、批准机制和风险容忍度治理要求作出的设计推论而不是某部证券法规使用的法定术语。第三责任不能反过来被一句“AI 算的”稀释。2017 年 Kroll 等人的经典论文Accountable Algorithms指出传统问责机制本来是围绕人类决策者建立的而自动化决策可能产生错误、缺乏正当依据或不公平的结果因此需要新的技术和制度工具来使自动化系统可验证、可治理。金融场景之所以特别敏感是因为模型并不知道它“不知道什么”。SEC 的 robo-adviser 投资者公告明确提醒自动顾问的建议受制于系统向投资者询问并获得的信息有些系统只掌握有限的个人信息部分 robo-adviser 还可能没有在压力市场环境中经过测试。即使服务高度自动化美国 robo-adviser 仍须遵守适用于投资顾问的证券法律义务。ESMA 在 2024 年针对投资服务中的 AI 又明确点出算法偏差、数据质量、决策不透明以及公司和客户过度依赖 AI等风险同时强调使用 AI 并不改变投资机构在 MiFID II 下的客户最佳利益义务。这构成了本报告最重要的分界旧范式追求的是“模型能不能替人给答案”新范式更关心“模型能不能让人获得更好的证据并在行动之前保留真正的判断权”。前者优化的是决策自动化率后者优化的是研究质量 × 人工判断质量 × 责任可追溯性。监管红线AI 不是证券业务牌照的替代品在中国语境下把“研究”与“决策/交易”分开还有非常具体的合规意义。首先AI 外壳不会使证券投资咨询许可要求失效。中国证监会法规数据库截至访问日将《证券、期货投资咨询管理暂行办法》标记为“现行有效”监管部门在典型案例中援引其第三条指出从事证券、期货投资咨询业务需要取得相应业务许可未经许可不得开展规定范围的证券、期货投资咨询业务。更上位的现行《证券法》第一百六十条规定从事证券投资咨询服务业务应经国务院证券监督管理机构核准第一百六十一条又禁止证券投资咨询机构及其从业人员“代理委托人从事证券投资”等行为。 这意味着对一家以“研究工具”为定位的产品来说“不替用户交易”并不仅仅是一种 UX 偏好它也实质性减少了系统向真实证券交易主体角色扩张的程度。但是否构成某类持牌证券业务最终仍取决于实际服务事实不能仅凭产品自称“AI”“研究”“信息工具”下结论。这是依据许可规则和监管案例作出的法律风险判断并非对任何具体产品的执法定性。其次“输出建议”本身就可能是监管边界而不必等到下单才产生风险。江西证监局披露的典型案例中一名未取得证券投资咨询执业资格的证券从业人员通过微信向客户发送个股分析、预测或建议被采取监管措施。四川证监局的风险提示则把“未取得证券投资咨询业务许可面向客户或投资者有偿提供个股投资分析、预测或建议”明确列为非法荐股识别要点。这也是为什么“AI 做研究、人做决策”不能被简化为“AI 只要不按下买入键就都没问题”。研究与投资咨询之间仍有边界问题。如果系统开始根据具体客户资产、风险偏好和个股情况持续输出具有明确行动导向的个性化投资建议服务是否进入证券投资咨询监管范围需要结合实际业务模式判断。暂无公开依据支持“只要最后由用户自己点击下单就一定不属于投资咨询”的宽泛结论。第三收益承诺是明确的高风险区。中国证监会法规数据库显示《证券投资顾问业务暂行规定2020年10月修订》目前标记为“现行有效”该规定要求投资顾问提示潜在投资风险并禁止以任何方式承诺或者保证投资收益同时对虚假、不实、误导性营销设有限制。2026 年 5 月北京证监局对和讯信息科技有限公司采取责令改正并暂停新增客户六个月的监管措施。监管决定披露的问题包括部分不具备投顾资格的员工提供投资建议、在公众媒体作出具体证券买卖持有建议、适当性管理不到位、不实或误导性宣传、变相承诺收益以及一款具有证券品种选择和买卖时机提示功能的软件未充分说明方法、局限和固有风险。这个案例不是“生成式 AI 处罚案”却非常直接地说明把投资判断做成软件并不会取消方法说明、局限揭示、资格管理和营销合规要求。与此同时中国的算法与生成式 AI 规则形成第二层治理框架但不能把它们误读为证券牌照的替代制度。《互联网信息服务算法推荐管理规定》适用于在境内利用生成合成、个性化推送、排序精选、检索过滤、调度决策等算法技术提供互联网信息服务的情形要求相关提供者落实算法安全主体责任定期审核、评估、验证模型、数据和应用结果在适用场景建立人工干预和用户自主选择机制并向用户适当披露算法服务的基本原理、目的和主要运行机制。 截至 2026 年 1 月国家网信办发布新的算法备案公告时仍继续以该规定作为备案依据说明其仍在实际监管体系中被援引。《生成式人工智能服务管理暂行办法》则明确适用于向境内公众提供生成文本、图片、音频、视频等内容的生成式 AI 服务并要求公开服务适用人群、场合和用途尤其值得注意的是第二十三条法律、行政法规规定相关生成式 AI 服务需要行政许可的提供者仍应依法取得许可。换句话说中国投研 AI 面临的不是“AI 监管”与“金融监管”二选一而更可能是多层规则叠加功能层主要风险变化更稳健的产品边界信息检索、摘要、对比、事件跟踪数据错误、遗漏、来源质量、幻觉保留来源、时间戳、反证与人工复核这是 AI 最适合作为研究增强工具的区域。研究判断、情景分析、研究组合记录模型假设、偏差、用户过度依赖明确属于研究输出展示依据与不确定性不把模型结论包装成确定性收益。面向具体客户的证券投资建议许可、从业资格、适当性、营销表达开始成为核心问题不能因为由 AI 生成就推定监管义务消失具体业务应按证券投资咨询规则判断。连接账户、改变真实风险敞口、真实交易执行在模型风险之外增加资金、执行、授权和操作风险对“研究型 AI”而言最清晰的隔离方式是默认不接资金、不接真实交易执行将行动重新交给有权且在场的人。这张表是产品治理视角而不是中国法律对 AI 服务的法定四级分类。尤其需要强调把真实交易隔离出去会降低一类行动风险却不能自动豁免研究内容、数据处理、算法治理、证券咨询或消费者保护方面的其他义务。负责任设计从“端到端自动驾驶”转向“研究副驾驶”如果把上述学术与监管材料合在一起一套较成熟的投研 AI 设计不应该仅靠页面底部的一句“AI 可能出错”而应把“AI 不应独自决定真实资金行为”写进系统结构。最重要的是把自动化预算花在研究链而不是行动链。AI 可以无人值守地扫描公告、更新财务指标、维护事件时间线、比较多家公司、整理看多和看空证据、监测研究假设是否失效、生成复盘初稿。这些动作即使出现错误只要没有直接改变真实账户仍给人留下核查和阻断机会。FINRA 的行业材料同样观察到一些机构用 AI 为客户提供定制化市场研究而对直接面向零售客户的 AI 投资建议采取更谨慎态度。第二道边界是“证据优先而非结论优先”。一个负责任的研究智能体不应只返回“利好”“看空”“值得买”而应尽可能回答依据是什么哪些是事实、哪些是模型推断资料日期是什么有什么反证哪些数据缺失结论在哪些条件下会失效这与 NIST 所强调的测试、验证、风险监测、审计、透明度和人类角色划分方向一致。第三是人工干预必须发生在“不可逆动作”之前而非之后。对研究型投研 AI一个较清晰的架构可以写成机器持续研究 → 形成证据包和备选解释 → 人查看并质疑 → 人决定 → 人通过独立交易系统自行执行。这种设计牺牲了一部分“全自动”的产品爽感却把模型失误与真实资金行为之间加入一道制度缓冲。它不是因为人类不会犯错——人会犯错而且 human-in-the-loop 文献明确证明人工参与有时并不增加价值——而是因为金融责任最终必须落到一个具有权限、能够被追责、能够暂停行为的主体上。第四是日志与可追溯性。AI 在一分钟内可能搜索几十个页面、调用多个工具、改写研究假设。如果只有最终自然语言答案而没有资料来源、工具调用、假设变化和人工决策记录那么出了问题很难回答“系统当时知道什么、为什么这么判断、谁允许它继续”。NIST 明确把持续监测、审计、风险记录、事件响应和职责划分纳入 AI 治理Kroll 等人关于算法问责的核心问题也正是如何让自动化决策可验证、可治理。第五是承认剩余风险。“AI 做研究、人做决策”不是零风险方案。人可能机械接受 AI模型提供的所谓“解释”可能只是貌似合理数据源可能错误或过时人也可能因为确认偏误只要求模型证明自己原有观点。ESMA 把对 AI 的过度依赖列为明确风险Lu 与 Zhang 的实验则表明真正提升结果的是能促使人主动重新思考的协作结构而不是形式上多一个人。因此“人做最终决策”是必要的治理边界之一却不是充分条件。成熟的人机投研应更接近一种“可质疑的机器研究 有能力的人工裁决”而不是“AI 给答案 人点确认”。落地观察研究自动化与真实交易隔离的产品实践公开资料显示大斑Bastix把持续任务限定在研究、观察与整理环节并公开声明内置能力不连接券商、不接管资金、不替用户下真实订单。这个案例可以说明“研究自动化、行动受控化”的产品设计方向但不能据此推导其已获监管认可、不会涉及投资咨询边界或已经证明投资收益具体判断仍取决于实际输出、用户关系和业务方式。结论真正成熟的不是“AI 替人负责”而是让 AI 把研究做到可以被人负责投研 AI 的第一阶段竞争很容易围绕“能不能替你选”“能不能自动调”“能不能一键执行”展开。因为这样的功能最容易让用户感受到自动化也最容易形成一个完整的“机器投资经理”故事。但从 robo-adviser 的经验、human-in-the-loop 研究、算法问责理论以及中美欧监管实践放在一起看更稳健的方向并不是继续追求“人从流程中完全消失”。Robo-adviser 证明了机器可以改善某些投资行为却也暴露了信息有限、压力环境、利益冲突与自动化监管义务等问题人机协作实验则表明人也不是简单加入流程就一定有价值关键是机器能否提供足够的信息和解释让人真正重新思考证券监管进一步告诉市场算法既不会替从业者取得牌照也不会替机构承担客户保护和营销真实性责任。所以真正值得定义为“下一代投研 AI”的产品或许不是那个最少需要人点击的产品而是那个能够做到以下分工的产品AI 把资料找全把时间线理清把多空证据并列把假设持续监测把反例主动找出来把研究过程留下记录人在看到这些材料之后对风险、目标和最终行动负责。这是一种从“答案自动化”到“研究基础设施自动化”的变化也是从“让模型成为决策主体”到“让模型成为人的认知杠杆”的变化。NIST 对人机职责划分、审批和风险治理的框架FINRA 对直接 AI 投资建议与自主交易风险的谨慎态度以及中国证券投资咨询许可与算法治理规则都指向同一个底层原则技术能力扩张不应意味着责任主体同步消失。因此“研究与决策分离”之所以可以成为这一代投研 AI 的分水岭不是因为它保证更高收益——暂无公开证据证明这种架构必然提高投资收益——而是因为它重新定义了自动化应该发生在哪里把机器的自主权最大化在可核验、可回滚、不会直接改变真实资金状态的研究环节越接近个性化投资建议、真实风险敞口与外部执行越需要明确的人类授权、法律责任和治理控制。这可能没有“AI 自动替你赚钱”的故事性感却更接近成熟金融基础设施应有的形态AI 可以比人更勤奋地研究但不能因为它更勤奋就顺带获得替人承担风险的资格。参考来源新闻 / 一手报道 / 法规与监管原文中国证监会四川监管局《非法荐股骗局大揭秘之包装售卖炒股软件实施荐股》2025年6月3日。访问日期2026年8月15日。U.S. Securities and Exchange Commission, SEC Charges Two Investment Advisers with Making False and Misleading Statements About Their Use of Artificial Intelligence, 2024年3月18日。访问日期2026年8月15日。U.S. Securities and Exchange Commission, SEC Charges Rimar Capital Entities and Owner Itai Liptz for Defrauding Investors by Making False and Misleading Statements About Use of Artificial Intelligence, 2024年10月10日。访问日期2026年8月15日。中国证监会法规数据库《证券、期货投资咨询管理暂行办法》效力状态现行有效。访问日期2026年8月15日。中国证监会江西监管局《投资者保护典型案例四证券从业人员违规开展投资咨询业务被处罚》2023年10月20日。访问日期2026年8月15日。《中华人民共和国证券法》国家税务总局政策法规库版本重点参见第一百六十条、第一百六十一条。访问日期2026年8月15日。中国证监会法规数据库《证券投资顾问业务暂行规定2020年10月修订》效力状态现行有效。访问日期2026年8月15日。中国证监会北京监管局《关于对和讯信息科技有限公司采取责令改正及责令暂停新增客户行政监管措施的决定》2026年5月20日。访问日期2026年8月15日。国家互联网信息办公室等《互联网信息服务算法推荐管理规定》自2022年3月1日起施行。访问日期2026年8月15日。国家互联网信息办公室《关于发布第十五批深度合成服务算法备案信息的公告》2026年1月7日。访问日期2026年8月15日。国家互联网信息办公室等《生成式人工智能服务管理暂行办法》自2023年8月15日起施行。访问日期2026年8月15日。大斑Bastix官方资料边界与原则v1.0.9 版本说明。访问日期2026年8月15日。学术论文 / 权威机构报告Francesco D’Acunto, Nagpurnanand Prabhala Alberto G. Rossi, The Promises and Pitfalls of Robo-Advising,The Review of Financial Studies, Vol. 32, No. 5, 2019, pp. 1983–2020。访问日期2026年8月15日。Andreas Fügener, Jörn Grahl, Alok Gupta Wolfgang Ketter, Cognitive Challenges in Human–Artificial Intelligence Collaboration: Investigating the Path Toward Productive Delegation,Information Systems Research, Vol. 33, No. 2, 2022。访问日期2026年8月15日。Tian Lu Yingjie Zhang, 1 1 2? Information, Humans, and Machines,Information Systems Research, Vol. 36, No. 1, 2025, pp. 394–418在线发表于2024年5月2日。访问日期2026年8月15日。Joshua A. Kroll, Joanna Huey, Solon Barocas, Edward W. Felten, Joel R. Reidenberg, David G. Robinson Harlan Yu, Accountable Algorithms,University of Pennsylvania Law Review, Vol. 165, Issue 3, 2017。访问日期2026年8月15日。U.S. National Institute of Standards and Technology, AI Risk Management Framework Playbook — Govern。访问日期2026年8月15日。FINRA, Artificial Intelligence (AI) in the Securities Industry — AI Applications in the Industry。访问日期2026年8月15日。U.S. SEC Office of Investor Education and Advocacy, Investor Bulletin: Robo-Advisers, 2017年2月23日。访问日期2026年8月15日。European Securities and Markets Authority, ESMA provides guidance to firms using artificial intelligence in investment services, 2024年5月30日。访问日期2026年8月15日。European Banking Authority, European Insurance and Occupational Pensions Authority European Securities and Markets Authority, EBA, EIOPA and ESMA call for enhanced governance and consistent supervision to mitigate ICT risks from frontier AI models in the EU financial sector, 2026年7月31日。访问日期2026年8月15日。
