决策范式之变：从「AI 替你决策」到「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“1+1>2”。

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：

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”。

落地案例：Bastix / 大斑的“克制型”分离，以及仍需补上的治理环节

以下仅依据 Bastix / 大斑截至访问日公开上线的产品文档、版本记录和用户协议讨论，不把路线图、内部能力或未公开功能当成事实。

Bastix 的第一个公开版本于 2026 年 7 月上线。其公开版本记录显示，核心能力包括沙箱内的策略仓位记录、长程任务/记忆、A 股、ETF 和指数等市场数据查询、智能体协作以及私有知识库；其“策略仓位”被明确描述为沙箱中的研究记录，并非券商账户真实持仓或真实成交。

从本报告的范式框架看，最值得注意的并不是这些研究功能本身，而是 Bastix 公开选择了不把研究智能体直接延伸为真实交易执行主体。其“边界与原则”页面明确称，内置能力不连接券商、不接管资金、不代替用户下真实订单，由用户根据研究内容自行决定；同一页面亦明确不承诺收益。

2026 年发布的 v1.0.9 又进一步把持续任务的权限往研究侧收缩：定时、无人值守的持续任务被限定为研究、观察和整理，不再自行发起对外动作；需要对外执行的动作回到用户在场的主会话。同时，公开版本记录再次声明持续任务不用于直接交易，内置能力不连接券商、不接管资金、不代替用户下真实订单。

这类设计正好体现“研究可以持续自动化，真实行动不随之自动化”的思想。与“把一切交给交易机器人”相比，它把无人值守能力主要用于信息与研究流水线，而将最终资金行为留在人所在的环境。从责任工程角度看，这是一个具有合理性的“负责任分离”案例：即使模型把某条新闻理解错了，研究结果仍与真实证券订单之间存在一个人为决策断点。该评价是基于其公开架构作出的分析判断，不意味着监管机构已经认可该产品合规，也不构成对其安全性或投资效果的背书。

其公开能力还包括持续任务运行记录、回复核查和研究复盘。v1.0.3 文档明确称，持续任务会保留历史运行记录，研究和交易复盘更重视证据、反证及样本量；“回复核查”被定义为辅助复核而不是最终投资结论。 这与前文所述“研究智能体应该增加可检查信息，而不是制造一个不可质疑结论”的方向相符。

但若要保持中立，Bastix 不能只作为一个正面样板来写。其公开资料至少披露了三项值得继续观察的局限。

其一，“不荐股”这一表述需要严格校准。 如果把“不荐股”理解为“系统绝不输出任何与具体股票有关的判断”，那么暂无公开证据支持这一更强说法，而且公开版本记录实际上显示出相反信息：v1.0.9 的“信息雷达”会扫描公告和行业资讯，对信息影响进行研判，并指出可能受影响的个股和板块。官方同时明确称，该功能只做信息研判，不替用户下单或调仓。 因而，基于目前公开证据，更准确的边界不是“绝不点名股票”，而是：其公开定位为研究与信息研判工具，分析与建议仅供参考、不构成投资意见，实际证券操作由用户决定；内置能力不完成真实下单。

这一差异非常重要。“不真实交易”是技术能力边界；“不构成投资建议”是产品的法律与风险声明；“是否在监管意义上构成证券投资咨询”则是法律事实问题。三者不能混为一谈。 仅凭免责声明无法在本文证据范围内证明某项具体功能必然处于证券投资咨询监管范围之外；具体定性仍应看实际产品输出、用户关系和业务方式。中国现行证券投资咨询许可规则也意味着，技术产品不能仅靠重新命名改变业务实质。

其二，“模型可能出错”的公开证据需要准确表述。 本次检索没有找到 Bastix 官方页面逐字写出“模型可能出错”这一句话；不能为了迎合叙事而补写。能确认的是，其用户协议明确表示平台不保证服务不会中断或出现错误，并要求用户审慎决策；版本记录则说明回复核查仅用于辅助复核，不是最终投资结论。 因此，“模型输出必须被视为可能存在错误、需要人工核验”是与这些公开条款一致的合理使用原则，但前半句应被视为本文的风险判断，而非产品官网逐字承诺。

其三，研究与真实交易已经隔离，不代表内部治理已经完全成熟。 Bastix 的策略仓位管理页面主动披露，目前并不存在覆盖所有写操作的统一人工确认闸门；策略仓位可以由用户或智能体写入，只是这些仓位属于沙箱研究账本，不连接券商账户、不产生证券订单和真实成交。 其智能体文档还披露，会话、工具调用、策略仓位变化和任务运行虽然分别保存，但尚未组成覆盖所有动作的统一审计链。

“边界与原则”页面进一步列出的已知限制包括：尚未确认外部模型供应商完整的训练、日志、评估与人工质检边界，以及尚未承诺覆盖所有动作的统一审计链；该页面本身还注明产品、安全、隐私和法务责任人的复核尚未完成。

这恰好说明，“研究与决策分离”应被看作一个架构起点，而不是合规终点。一个系统可以做到“不连券商、不碰真实资金”，但仍然需要继续完善模型供应链治理、数据处理边界、全链审计、写操作授权和面向用户的错误沟通。把这些已知限制公开出来本身有助于外部判断，但它们依然是需要解决的问题，而不是免责声明可以消除的风险。

因此，如果只以目前能够核验的公开能力衡量，Bastix 可以作为“负责任分离”的一个早期产品案例：研究自动运行，真实交易没有被内置自动化；用户保留最终决定，持续任务的外部动作被收回有人在场的主会话。但不能进一步推导为“该模式已经证明更赚钱”“已经得到监管认可”“不会产生投资建议风险”或“治理体系已经完备”——这些结论均暂无公开证据。

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。

延伸阅读

• AI 投研智能体：本文所说的"研究副驾驶"在 Bastix 的产品边界——它把研究做到可被人负责，但对外执行的动作始终交回给你。