弘则研究是一家金融研究机构，11年来以咨询服务起家，分为权益研究跟FICC研究两个板块，至2019年，我们完成了投研工作的数智化转型，ETA智能投研平台把繁琐的研究工作从线下、Excel搬到了线上，开始对外发布，它与其他科技投研平台的本质区别在于，是由分析市场20年以上的核心研究员团队按照自己的工作流与研究方法论去开发的。

但是，主观基本面研究、量化之间，仍然存在门槛。

到2026年，Agent时代，这样的门槛因为技术的发展，让主观研究有了进一步深入分析的空间。弘则研究的看法是，AI越强，研究员就越值钱。

这句话，放在1年前说出来，可能会被当成公关稿，但在2026年的4月，一个通用的大模型，已经足够完成一份有干货的分析报告。譬如美伊冲突对原油的影响，AI可能只需要20秒，就可以给出一份15页包含历史对比、量化测算、价格结构完整拆解的报告。逻辑层次、数据详实度，都达到一名基础研究员的水准。那么，当 AI 可以完成80%的分析工作，研究员的价值在哪里？这一刻，很可能有人会慌，但我们的判断是，这恰恰是弘则11年研究资产积累开始真正发挥价值的起点。

原因很简单，那15页报告起笔的源头，问题意识本身源自资深的研究员，提问的框架、分析的角度、信息的判断与修正，思考始终在人这里。当工具足够智能，真正稀缺的，就是知道该往哪里走的研究员。

下面的内容，是弘则研究董事长王沛在内部会议上的发言稿，也是他本人的亲笔文章，有点长，但如果你想知道AI之后到底会带领投研、企业走向何处，欢迎你读读看。

2026 年，弘则研究 All In AI

内容源自 : 弘则内部AI战略会议

全文作者 : 弘则研究董事长王沛

字符 : 7,851 chars

预计时长 : 08-15 mins

>>"时代已经走到这里，我们必须回应".

当前 AI 浪潮与以往技术升级的根本区别在于：它不是工具迭代，而是生产方式本身的重构。人工智能正在从一种“技术工具”，转变为一种“基础设施”。它正在重塑生产方式、知识创造方式，以及企业组织方式。这种变化的深度，类似于电力之于工业时代、互联网之于数字时代。

弘则研究在 2026 年的核心战略是 All In AI。这不是一次简单的技术升级，也不是引入几个工具就能完成的变化，而是一场关于我们如何做研究、如何积累能力、以及未来如何在这个行业中持续领先的系统性重构。更重要的是，我们需要意识到，这场变化并不是由弘则主动发起的，而是时代已经走到这里，我们必须回应。

在这一轮变革中，我最兴奋的一点，是创新速度。从“想法”到“产品交付”，在我们的产品团队中，几十名工程师借助最新的 AI 工具，已经可以在一周内完成过去耗时几个月的工作。这不仅仅是效率的提升，而是企业能力边界的重塑。它让我们成为一家可以用更快速度进行大规模创新的公司。

如果从更长的历史视角来看待金融市场，我们所处的这一轮变革，其实是市场研究范式的又一次跃迁。时间序列数据一直是市场研究的基础，但策略与交易，本质上是不同条件下时序数据的多维组合及相应的量化表达。过去，这种能力门槛极高，只有少数团队能够真正完成“量化”的研究闭环。而在 AI 时代，多维数组处理能力的门槛被迅速降低，正在开启一个“全民量化”的新时代。这意味着，主观投研与量化交易之间长期存在的分界线，正在消失。真正的融合，将从市场参与者本身——也就是研究员的能力结构开始发生。

如果回看商品市场交易优势的演进路径，可以看到一条非常清晰的脉络：最早是“技术+基本面”的结合，随后演进为“基本面+宏观”，再进一步是“宏观+更深入的产业”。而现在，我们正在进入一个新的阶段：“宏观+基本面+量化的全面融合”。这不是能力的简单叠加，而是范式的变化。而 AI，正是这一变化的核心推动力。

>>"稀缺的不再是‘做分析’，而是‘定义分析’".

对于研究员来说，核心竞争力就不再是“做得更多”，而是“定义得更好”。目前，我们已经在构建研究员与海内外顶级 AI 智能体的工作组合，这等同于同时拥有了“无限个随叫随到的量化分析助理”。这并不是简单的效率提升，而是对研究员角色的一次根本性重新定义。过去，研究员的竞争力，很大一部分体现在信息获取能力、数据处理能力以及基础分析能力上；而在 AI 时代，这些能力正在被快速“商品化”。模型可以在极短时间内完成数据清洗、回测、归因分析甚至初步结论生成，真正稀缺的，不再是“做分析”，而是“定义分析”，这具体体现在 3 个层面。

研究员首先面临的，是问题定义能力的跃迁。一个模糊的问题，在 AI 体系下只会生成低质量甚至误导性的结果；而一个被良好拆解的问题，则可以被模型高效并行地执行。这意味着研究员必须具备更强的结构化思维：能够把一个复杂的宏观或产业问题，拆解为若干可以被验证、被计算、被调用数据的问题模块，并以清晰的指令分发给模型。这种能力，本质上更接近“研究架构师”，而不再是传统意义上的“分析执行者”。

其次，是任务编排与调度能力。研究不再是线性的推导过程，而更像是一个多线程系统：不同的子问题可以并行推进，由不同“AI 助理”完成，再由研究员进行整合与校验。这要求研究员不仅要知道“做什么”，还要知道“先做什么、后做什么、哪些可以同时做、哪些需要依赖前序结果”。换句话说，研究员需要像一个项目经理一样，去管理一个由 AI 构成的“虚拟研究团队”。

第三，是结果判断与结构化整合能力的强化。模型可以生成大量结果，但这些结果的质量并不均一，甚至可能存在系统性偏差。研究员必须具备更强的“审稿能力”：快速判断哪些结果是可靠的、哪些是噪音、哪些存在逻辑漏洞。同时，更重要的是，将这些碎片化的分析结果，整合为一个自洽、层次清晰、可以支撑决策的研究框架。这一步，依然高度依赖人的认知能力与经验积累，是当前 AI 难以替代的核心环节。

进一步来看，这一变化也对研究员的知识结构提出了更高要求。在 AI 加持下，单一领域的深度仍然重要，但跨领域的连接能力变得更加关键。因为模型可以在不同领域之间快速调用信息，研究员如果无法建立宏观—产业—微观之间的联结，就难以提出高质量的问题，更难以识别模型输出中的关键变量与真实驱动因素。

AI 并没有削弱研究员的价值，反而将竞争的焦点，从“谁做得更多”转向“谁定义得更好、组织得更优、判断得更准”。真正优秀的研究员，将不再是最勤奋的数据处理者，而是最出色的问题定义者、任务架构师以及认知整合者。

>>"弘则AI转型，是为了重构研究本身".

对于弘则来说，这意味着一个非常关键的转折点——我们过去所依赖的优势仍然重要，但已经不足以支撑未来。弘则的本质，从一开始就不是一家“写报告的公司”，而是一家通过数据理解市场的公司。我们做的事情，本质是 3 件：把数据变得有意义，把复杂问题结构化，把认知转化为可执行的判断。

AI 的到来，并没有改变这些事情的本质，而是改变了它们的“生产方式”。数据不再只是被存储和查询的对象，而正在变成一种可以被调用、被组合、被复用的能力。我们正在进入一个“数据即能力”的时代。这意味着：谁能够更高效地组织数据，谁就能更高效地产生认知；谁能够把认知沉淀为系统，谁就拥有长期优势。

很多人会把 AI 理解为一种工具，但这是一种低估。AI 更接近于企业的新操作系统。企业真正需要的，并不是一个模型，而是一整套可以运行业务的系统能力，包括执行、监控、反馈学习以及持续优化。这些能力叠加在一起，才构成真正的竞争力。也正因为如此，AI 改变的并不是某一个岗位，而是整个组织的运行方式。

在这样的背景下，我们必须明确一件事情：弘则的 AI 转型，不是为了“用 AI 做研究”，而是为了“重构研究本身”。

我们不会把 AI 当作写作助手，也不会停留在“自动生成报告”的层面，更不会追求短期的效率幻觉。我们真正要做的，是把弘则从一个依赖个人能力的研究团队，升级为一个可以持续进化的研究系统。这个系统需要具备三个核心能力：能够标准化研究流程，能够调度人和 AI 协同工作，能够不断沉淀和复用知识。

系统的建立，要求我们从根本上改变对“信息”“数据”和“研究流程”的理解方式。因为无论是研究范式、数据形态还是 AI 本身，都发生了变化。

研究范式本身正在发生变化。过去，我们习惯于围绕“指标”和“特征工程”展开工作。我们定义变量、构建模型，然后在有限维度中寻找规律。未来，我们要面对的是一个完全不同的视角——把市场理解为一个“行为序列系统”。所有信息，都可以被重新定义为“事件流”。一条新闻、一次库存变化、一个政策、一笔交易，本质上都是同一类对象：它们都是在时间轴上发生的事件。当数据被统一为事件流之后，研究的逻辑就会发生变化。不再是对单个指标的解释，而是对一整段行为序列的理解。AI 擅长的，正是这种模式识别能力。它可以从海量序列中学习节奏、组合关系和异常结构，而不再依赖人工设定规则。

同时，数据的形态也在发生变化。现实世界中绝大多数数据都是非结构化的，包括文本、图像、音频甚至视频。如果这些数据无法被结构化，它们就无法真正参与决策。因此，我们必须像管理软件一样管理数据——为数据建立结构、版本、语义关系和调用方式，使其能够被系统理解和复用。这不仅仅是技术问题，而是未来研究能力的基础。

AI 的另一个重要变化，是从“回答问题”走向“执行任务”，是系统时代到来最直接的信号。过去我们提问题，AI 给答案；未来我们交付任务，AI 完成工作。这种变化的核心载体，是 Agent 系统。一个 Agent，不只是一个模型，而是一个可以理解、规划、调用工具并执行任务的系统。多个 Agent 协同工作，可以形成一个“数字团队”。未来的研究组织，将不再只是人组成的团队，而是人和 AI 共同组成的系统。在这个系统中，人负责定义问题、判断方向和设定目标；AI 负责执行分析、处理数据、生成候选结论，并不断迭代优化。

>>"系统，真正的企业级AI形态".

弘则研究曾经是一家传统的咨询公司，研究报告和相关服务是对用户的交付形式，亦即 RaaS（Research-as-a-Service），和 IT 行业的 SaaS（Software-as-a-Service）相对应，而未来无论是咨询还是软件公司，都会殊途同归的转换为智能体服务公司 AaaS（Agent-as-a-Service）。

随着这种变化的发生，模型本身的重要性正在下降，而系统能力的重要性正在上升。未来不会是一个模型解决所有问题，而是多个模型协同工作。开源模型、闭源模型、自建模型会共同存在，各自承担不同任务。真正的关键，不是选择哪个模型，而是如何把这些模型组织起来，如何把它们与数据、流程和业务连接在一起。AI 的竞争，本质上正在从“模型能力”，转移到“系统编排能力”。

在讨论 Agent 系统时，我们还需要理解一个更深层的变化：模型本身，正在从“核心能力”，变成“基础组件”。如果用一个更直观的比喻：模型，就像一个“没有身体的大脑”。它可以理解、推理、生成，但如果没有与外部世界连接，它本身并不能完成任何实际工作。因此，单纯依赖模型，是无法释放AI真正价值的。当前 AI 能力真正的瓶颈，已经不在模型本身，而在“非模型能力”：上下文（Context），数据和业务系统。只有当模型与这些要素结合，AI 才会从“聪明”变成“有用”。而近期盛极一时的 OpenClaw，正是当前阶段对这一问题的一种典型回答。

OpenClaw 本质上是一个运行在业务环境中的通用 Agent，它可以：连接不同系统，调用工具，执行任务。这一变化，已经在编程领域率先发生，而现在，正在快速向所有行业扩展。OpenClaw 之所以重要，是因为它第一次较为完整地展示了一个“可运行的 Agent 系统形态”：它具备持续运行能力；它开始拥有“身份”（被分配账号与权限）；它具备记忆能力，甚至可以调整自身行为。从系统角度看，它已经具备了一台“通用计算机”的雏形：可以访问文件系统，可以进行输入输出与网络通信，可以调度任务与调用应用。换句话说：Agent，不再只是模型的封装，而正在成为一种新的计算范式。

但我们也必须清醒地看到：OpenClaw 仍然是一个“通用 Agent”，而现实世界的业务，并不会由一个通用 Agent 完成。真正的企业级 AI 形态，是由大量“专业 Agent”组成的系统，例如：法务 Agent，销售 Agent，编程 Agent，投研 Agent…… 这些 Agent 使用不同模型，连接不同数据，遵循不同流程，执行不同任务。因此，未来的关键不在于构建一个“万能 Agent”，而在于如何设计和编排一个垂直的“Agent 系统”。在实际业务中，大量任务必须按照既定流程执行，而不是依赖 Agent 自由发挥。流程需要被预定义（串行/并行/混合），权限需要被控制，执行需要被监控。像 LangChain、Coze、Dify 这样的框架，本质上就是在做一件事：让企业能够构建和编排自己的 Agent 系统。

这一变化，对弘则而言，有非常直接的映射关系。如果把我们的体系拆解来看：弘则的 ETA 投研平台沉淀自身数据与研究逻辑，大模型提供通用智能能力，Agent 负责执行与调度。那么我们正在做的事情，本质上就是：把弘则自身的“投研系统”，升级为“Agent 系统”。在这个系统中：投研 Agent，可以自动完成数据处理、分析与初步结论生成；宏观 Agent，可以跟踪全球宏观变量与事件流；产业 Agent，可以持续更新供需与产业链信息，交易辅助 Agent，可以进行策略回测与执行支持。这些 Agent 被统一编排在一个系统中运行。我们当前选择了 Coze 作为团队非技术人员搭建 Agent 的零代码平台，利用 ETA 投研平台作为底层的数据库和知识库，通过多个大模型的调用生成投研 Agent 和工作流。我们把这一套内部运行的系统称之为 ETA Agent。

AI 的竞争，已经不再是“谁有更好的模型”，而是“谁有更好的系统”。因此，OpenClaw 所代表的不只是一个开源项目，而是一种趋势：模型，正在标准化；能力，正在平权；差异，正在转向系统层。这意味着：真正的竞争优势，将来自三件事情的结合：1）私有数据与行业经验；2）系统化能力（流程、架构、编排）；3）模型调用与计算资源的组织能力。而这，正好与弘则正在推进的方向完全一致。

再往前看一步，OpenClaw 所展示的，不仅是 Agent 系统，还是一种新的“计算机形态”。过去的计算机，以程序为核心，由人编写逻辑；未来的计算机，以 Agent 为核心，由模型驱动行为。程序，将逐渐被“能力调用”取代；软件，将逐渐被“Agent 系统”替代。这意味着，我们正在进入一个新的阶段：从“软件时代”，走向“Agent 时代”。

企业的成本结构上，会随之发生新的变化。Token 正在成为新的生产资料。未来每一家企业，都需要思考：是成为 Token 的生产者，还是成为 Token 的高效使用者。

对弘则而言，这不仅是一个技术问题，更是一个组织层面的基本要求。无论是研究员、技术开发者，还是销售团队，如果不能理解如何高效使用 Token，不能把 Token 转化为分析能力、执行能力和业务价值，那么在未来的工作体系中，将很难具备真正的竞争力。换句话说：能否成为 Token 的高效使用者，将成为弘则对所有岗位的基础能力要求。这并不是对个体的苛求，而是由行业变化决定的必然结果。就像过去我们要求每一位研究员必须具备数据处理能力、逻辑分析能力一样，在 AI 时代，能够高效调用模型、组织计算资源、理解 Token 成本与产出之间的关系，将成为新的“基本功”。

>>"弘则要训练最极端的专业能力".

在这样的系统化能力框架下，我们需要进一步回答一个更现实的问题：在 Agent 时代，弘则的竞争优势究竟来自哪里？

首先，我们必须承认一个事实：通用大模型的能力是极其强大的。它具备前所未有的泛化能力，几乎可以覆盖所有领域的基础认知任务。但也正因为这种“广度”，它天然存在一个结构性的局限，“样样都会，但样样不精”。换句话说，大模型本身，并不会自动成为一个真正的行业专家。通用人工智能，必须与行业经验深度结合，才能转化为真正有价值的生产力。而这，正是弘则最重要的机会所在。

过去几年，我们一直在做的一件事情是，建设 ETA 投研平台。这不仅仅是一个数据平台，而是一个不断沉淀行业经验的系统。里面包含的，不只是数据本身，更包括我们对金融市场的理解方式、分析逻辑、研究路径，以及长期积累的专家经验。从某种意义上说：大模型，提供的是通用认知能力，而 ETA，沉淀的是垂直行业知识与研究方法论。当这两者结合在一起，才会真正发生质变：从通用人工智能到行业专家智能，这就是弘则在 Agent 时代的核心路径。

AI 结构会像社会结构一样，核心是分工和专业化。AI 的未来也会是高度专业化的，因为把所有能力“平均在一个模型里”，结果只会是一个平庸的模型，既不够激进，也不够谨慎。而顶级能力则来自“专家分工”，弘则的核心价值是要训练最极端的专业能力。

我们努力构建的 ETA Agent 是为了把专家经验嵌入系统，这种结合，并不是简单的“调用模型”。真正的关键在于：如何把专家经验，从“人”转移到“系统”。借助智能体，我们可以将专家在日常工作中形成的判断逻辑，转化为可执行流程；将研究路径、分析框架嵌入到系统中。让 AI 不仅“回答问题”，而且“按照专家的方式做研究”。

但我们也必须清醒地认识到：AI 并不是“按下按钮就能拥有”的能力。它背后真正的门槛在于：数据是否被有效组织，数据是否经过清洗与结构化，企业流程是否已经被重构，是否具备系统化调用这些能力的基础设施。在这一点上，我们是幸运的。弘则已经走过了数字化阶段，并建立了 ETA 投研平台，使得我们具备了一个非常关键的起点：我们可以将 ETA 作为底座，通过 API 与大模型连接，构建属于弘则的垂直 Agent 系统。换句话说：ETA 投研平台，是我们的“数据与知识底座”；大模型，是我们的“通用智能引擎” ；Agent 系统，是两者之间的“执行与调度层”。三者结合，构成了弘则未来的 AI 基础设施。ETA 本身，不再是终点，而是起点。

因此，回到开头讲的 AI 对研究员能力结构的重定义，对于弘则的每一位研究员而言，这场变化并不意味着被替代，而意味着被放大。AI 擅长处理重复性工作和低价值任务，而人类的价值将更加集中在判断、框架和创造上。未来，一个优秀研究员的产出，很可能是现在的数倍甚至一个数量级以上。真正的挑战不再是“做得够不够多”，而是“方向是否正确”。

所以，弘则也正在重新思考人才结构。未来最重要的能力不再是单一技能，而是跨领域的整合能力。既能理解业务，又能使用 AI 工具，同时具备系统思维的人，将成为最核心的力量；与此同时，能够设计系统、构建架构的人，将决定组织的上限。

>>"转型的真正起点，不在技术层".

这场转型不会一蹴而就。我们会逐步推进，从工具使用开始，进入流程重构，再走向系统化和组织化。在这个过程中，我们会不断试错、调整和优化。但有一点是确定的：这不是一个可选项，而是一个必须完成的过程。

如果从零开始构建一家新公司，那么一切都会相对简单：组织结构、流程设计、数据体系都可以在“AI 天然存在”的前提下被重新定义。初创公司在起点上就与技术范式保持一致，从而迅速实现规模化。但对于像弘则这样的既有组织而言，真正的难题并不在于是否采用 AI，而在于组织自身的演化速度，能否跟上技术能力的上限。如果不能，那么那些没有历史包袱的小公司，将能够借助 AI 快速放大自身能力，进而在某些维度上实现对大公司的“降维打击”。当然，大公司并非没有优势。大公司拥有三项极其重要的资产：长期积累的客户关系网络、沉淀的数据资源，以及深厚的研究与交易经验。这些都是小公司难以在短期内复制的。但关键在于，这些优势如果不能被转化为新的生产函数，就不会自动转化为竞争力，反而可能成为转型的阻力。“拥有数据”并不等于“数据可以被AI有效利用”；“拥有经验”也不等于“经验可以被系统化执行”。

因此，弘则 AI 转型的核心问题，本质上是一个转化问题：如何将组织中的隐性知识，转化为结构化表达，并最终转化为可以被 AI 调用和执行的能力。而这一转型的真正起点，并不在技术层面，而在思维方式的改变。

管理层必须首先面对一个根本性的问题：如果 AI 可以完成 80% 的分析与执行工作，那么我们的组织流程，应该被重新设计成什么样子？这并不是在既有流程中嵌入 AI，而是要以 AI 能力为前提，反过来重构流程本身。

仅有思维方式的改变仍然不够。紧接着，组织还必须完成能力结构的调整。AI 不能停留在“理解层面”，而必须进入“使用层面”。只有当个体在日常工作中真正依赖 AI，新的生产方式才会形成。

企业的运行，本质上依赖于大量隐性知识。这些知识分散在不同角色之中：研究员的判断、交易员的经验、销售对客户的理解……这些内容长期存在于个体之中，而非系统之中。AI 转型的关键，在于如何将这些“存在于人脑中的知识”，转化为“存在于系统中的上下文”，从而使 AI 能够真正理解并参与业务决策。这一过程的难度，远高于模型调用本身，但却决定了 AI 应用的深度。

也正因为如此，很多企业在引入 AI 之后，并没有立刻看到生产率的显著提升。这并非因为技术无效，因为真正困难的部分恰在于落地环节。数据的清洗与结构化、流程的重构、上下文的沉淀以及跨部门的协同，这些都是需要时间积累的“慢变量”。

但是，一旦这些能力逐步建立，组织就不可避免地走向结构性的重构。组织形态将从“岗位分工”转向“任务系统”，从“人完成工作”转向“人机协同完成任务”。评价体系也将发生变化，从考察工作量，转向衡量 AI 使用效率与杠杆能力。在这样的体系下，无论是研究员、技术人员还是销售人员，如果不能成为 Token 的高效使用者，都将难以满足未来组织的基本要求。最终，这一切都指向同一个结论：AI 转型的成败，不取决于技术团队，而取决于管理层。

管理层需要做的，并不是简单推动工具使用，而是完成三项更为根本的工作：重新定义企业的生产函数，推动组织结构与流程的重写，以及建立能够承载 AI 的上下文与数据体系。只有当这三者同时发生，AI 才能真正从“工具”转化为“系统能力”。在这一意义上，AI 并不是一个可选项，而是一个必须面对的结构性变化。小公司需要跨越规模门槛，大公司需要突破路径依赖，但没有任何一类组织可以选择“保持不变”。AI 所带来的，不仅仅是效率提升，更是行业结构的重写。

对于弘则而言，这一转型的意义在于，我们不再仅仅是一家研究公司，而是正在走向一个由 AI 驱动的研究与决策平台。这不仅是能力的升级，更是组织形态与竞争方式的根本跃迁。

最后，我想强调一件最重要的事情。AI 不会决定谁赢谁输，真正决定结果的，是我们如何使用它。

弘则过去的优势，来自一群认真做研究的人；弘则未来的优势，将来自：一群认真做研究的人，一个不断进化的研究系统，以及一个能够调度数据、模型与算力的能力体系。这件事情，我们需要一起完成。

——弘则研究 董事长 王沛2026 年 4 月

备注：

AI 的发展已经从“模型”转向了“系统”，Agent 时代，企业真正的问题不是“用不用 AI”，而是组织的演化速度，能否跟上技术的上限。

当研究员的“执行能力”被封装、被商品化，好的“定义能力”就变得更加稀缺。对于弘则的每一位研究员来说，这场变化并不意味着被替代，而意味着深层的能力，第一次有机会被完整释放。

当通用人工智能向行业专家智能转型，弘则的核心优势来自最极端的专业能力。弘则研究以数字化平台 ETA 为起点，打造 Agent 系统，我们真正要做的，是基于 AI 基础设施，从一个依赖个人能力的研究团队，升级为一个可以持续进化的研究系统。

2026，All In AI，弘则不再只是一家研究公司，而是一个由 AI 驱动的研究与决策平台；但从未改变的，是每一次转型时我们的姿态——假如目标是地平线，留给世界的就只能是背影。

交流 AI 投研，欢迎联系我们。

弘则，始于研究基因，驭于AI技术。ALL IN AI，在变局中锚定价值。

本期相关话题：#AI投研 # #Agent系统 #