这篇访谈讲的是AI如何帮投资者干活，但不会取代人。嘉宾David Plon认为，AI最大的用处是快速过滤信息，帮投资者早点淘汰坏主意，而不是直接替人做决定。比如，AI能自动分析公司CEO的薪酬是否合理，或者检查管理层过去说的业绩目标有没有兑现——这些以前要花好几个小时翻文件。他提到，用AI就像给一个聪明但不懂你背景的同事写邮件，说清楚任务和背景，它就能帮你干活。文中没重点推荐股票，只举了Expedia和Marriott的例子，说明AI可以帮投资者监控这些公司周围的信号，比如酒店行业的动态。
本期《Business Breakdowns》邀请Portrait Analytics创始人David Plon，探讨投资者如何实际应用AI。核心观点：AI并非替代分析师，而是作为“智能过滤器”和效率工具，帮助投资者在投前流程中更快筛选信息、生成投资想法、执行定量分析。David强调，好的提示词（prompt）设计是关键，结构化任务比创意任务更适合当前LLM。AI在机构部署中需注重决策过程记录与上下文利用，而Agentic AI在投资研究中的长期潜力巨大，但短期受限于记忆能力。Portrait本身由前买方投资者打造，旨在帮助用户“10倍速”判断投资机会。
David Plon，Portrait Analytics 创始人，前 Baupost、Slate Path Capital 买方投资者，现为投资机构提供 AI 驱动的投研工具。本期核心：AI 不是替代分析师，而是作为「智能过滤器」和效率杠杆，帮助投资者在投前流程中更快筛选信息、生成想法、执行定量分析——但最终决策与深度研究仍需人类完成。
David Plon 认为，AI 最大的增量价值不在跟踪单一公司，而在跨生态的稀疏信号捕捉。
传统上，投资者通过 watchlist 跟踪个股的 filings、transcripts、新闻，这已足够。但真正困难的是对持仓公司周围生态系统的广谱监控——客户、供应商、竞争对手的动向中，只有极少数数据点与你的投资论点相关。例如持有 Expedia，你需要知道 Marriott 在说什么，但不需要它的全部财报——你只关心与 OTA 分销策略、消费者旅游需求相关的信号。过去这需要行业专家级的信息密度，现在 AI 可以充当「智能过滤器」，从海量信息中提取与论点相关的稀疏数据点。
> "There was no smart filter on top of all that data. I think with AI today… you're now able to pick up those data points across that surface area."（过去没有智能过滤器。今天借助 AI，你可以跨那个表面区域拾取那些数据点。）
David 自认的不确定性：这种能力的效果高度依赖工具对用户论点的理解深度，通用 LLM 在缺乏上下文时仍可能漏掉关键信号。
David Plon 强调，AI 在投前阶段的核心作用是「让坏想法死得更快」，同时把原本属于深度研究的分析提前到初筛阶段。
作为前买方投资者，David 每年回顾发现，真正进入深度研究的想法数量极低。很多想法其实可以在更早阶段被杀死——一旦发现存在性风险、管理层激励不匹配等不可逾越的问题。AI 可以提供足够的基线上下文，让投资者快速判断「这个想法是否通过初步嗅探测试」，从而把 12 小时的深度阅读时间留给真正值得的想法。
更关键的是，AI 让原本属于深度研究的分析类型提前进入初筛管道。例如 CEO 薪酬分析——过去需要翻阅过去 5 份 proxy 文件，手动追踪薪酬指标及其权重变化，这是深度研究阶段才做的苦活。现在在 Portrait 上只需点击一次按钮。这意味着分析师可以在单位时间内「翻更多石头」，把创造性深度研究时间集中在已通过初筛的想法上。
David 给出的具体可模板化的分析示例：
David Plon 区分了 AI 在想法生成中的两种主要应用场景，后者难度远高于前者。
第一种：理解哪些公司暴露于某个趋势或事件。 例如 2025 年 4 月关税宣布后，投资者需要快速识别哪些公司受影响最大，以及二阶效应——哪些公司拥有以美国为主的供应链而竞争对手依赖国际供应链。现代 LLM 内置了大量世界知识，可以直接处理这类分析。
第二种（更困难但更有价值）：找到符合「心智模型」的复杂定性想法。 David 以自己过去的心智模型为例：寻找那些曾经高绩效、商业模式有吸引力、但遭遇了某个暂时性挫折（宏观/产品周期/执行失误）的公司，市场正在重新定价其 franchise 价值。这类想法极难通过量化筛选找到，因为短期数字看起来都很差。它需要：
1. 大量定性推理
2. 投资者自己往往难以清晰表述自己的心智模型——很多时候是「整体感觉」，而非 A/B/C 属性清单
Portrait 正在帮助投资者通过分析其历史交易记录来回答「对你来说一个 10/10 的想法长什么样」。当系统能准确匹配时，效果惊人——"Clear my calendar, I'm going to spend the next week just figuring this out."
David Plon 认为，好的提示词设计是当前从 AI 获取高质量输出的最大杠杆，其核心心智模型是「假设你在给一个聪明但缺乏你背景的海外同事写邮件，让他通宵完成任务」。
具体结构建议：
1. 任务 + 背景：说明要做什么以及为什么。例如「构建这个成本曲线，因为我怀疑它在变化，这可能暗示未来定价变化」——就像给分析师解释任务背景一样。
2. 输出格式（可选）：指定输出结构（引言段→数据点→表格），但有时过度约束会限制模型的创造性综合能力。
3. 任务指南：针对具体任务的注意事项。例如做指引分析时，明确「请捕捉没有具体数字的软性指引」，否则模型默认只抓定量指引。
4. 领域知识传递：一组 bullet points 封装你的分析师经验。例如「你将要阅读的大部分是管理层的评论，他们总是有正向偏见，请保持怀疑眼光」——模型被训练为「乐于助人」，这通常使其偏向正面，简单的提醒就能显著改善输出。
David 强调，提示词设计的最佳实践每 3 个月就会变化，因为模型能力与可用工具在快速演进。关键不是追求完美提示词，而是迭代——从最简单的提示开始，逐步增加复杂度，观察输出变化。LLM 的回复是即时的，你可以实时反馈调整，这是与人类分析师相比的巨大优势。
> "The cost of sending a single query is trivial. Start simple, start adding complexity as it's helpful. It's really like a two-way dance."（发送单次查询的成本微不足道。从简单开始，根据需要增加复杂度。这真的像一场双向舞蹈。）
David Plon 观察到，最成功的 AI 部署策略是「找到不要求任何人改变行为的方式」与「让个人通过实验建立信任」的结合。
投资研究流程高度个人化——强迫所有人使用同一工具或模板往往适得其反。David 以 Portrait 的实践为例：
关键洞察：信任必须在个人层面建立。与通用工具（如 ChatGPT）相比，为投资垂直领域定制的软件（如 Portrait）可以通过优化 UX 来加速这一过程，但最终采用率取决于个人是否感到舒适并能继续做出高质量投资决策。
David Plon 认为，文档化思考与决策过程的重要性将随着 AI 能力提升而指数级增长，这是当前最被低估的长期投资。
模型的实用性随上下文量指数增长。随着上下文长度扩展和 agentic 推理能力增强，AI 将从「研究工具」进化为「能在公司内部执行研究流程的实体」。其执行能力取决于它拥有多少关于你和你公司运作方式的数据。
具体建议：
这些数据对人类的 onboarding 已经很有价值，但对未来的 AI 来说，它将成为使 AI 对你独特有用的核心 IP。就像 hiring 一个初级分析师需要花大量时间传授你的思维方式与历史交易背景——如果这些数据被实时捕捉，未来 AI 可以瞬间加载这些上下文。
> "It's hard to know ex ante which data is going to be used and how, but I think it's a pretty reasonable bet that having that data at a minimum is helpful for the humans, but will certainly be helpful for the machines."（很难事先知道哪些数据会被如何使用，但我认为一个相当合理的赌注是，拥有这些数据至少对人类有帮助，而且肯定对机器有帮助。）
David Plon 认为，agentic AI 在投资研究中的应用正处于从「几乎不可用」到「开始工作」的转折点，但距离真正替代分析师还有显著差距。
定义：agentic AI 指模型能够推理、反思、采取行动、再反思行动结果，以追求一个目标。
历史对比：Portrait 早期尝试用 GPT-4 构建 agent，系统提示词长达 30,000 tokens，必须极度限制模型行为——因为模型一旦走错方向，缺乏自我纠正能力。今天，模型已经足够聪明，可以执行更长时间的任务，使用工具，并在过程中动态更新思考。
代码领域的领先性：软件工程（如 Claude Code、Codex）是 agentic AI 当前最成功的应用领域，因为：
投资研究的挑战：
David 的判断：模型已经具备了「迭代推理并得出需要动态调整计划的复杂答案」的能力。问题在于工程工作——如何让模型进入正确的上下文，使其能够像初级分析师、最终像高级分析师一样执行长期研究。这仍然是 buzzword，但背后的实质比一年前多得多。
> "The models have now become smart enough to do longer running tasks through using tools and updating its thinking process as it goes."（模型现在已经足够聪明，可以通过使用工具并在过程中更新其思考过程来执行更长时间的任务。）
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Expedia | 作为监控案例提及 | 关键投资因素：酒店生态系统动态、OTA 分销策略变化 |
| Marriott | 作为生态系统信号源提及 | 其评论中与 OTA 相关的部分对 Expedia 投资者有价值 |
（注：本期为方法论访谈，未讨论具体投资标的的仓位动作或估值。）
1. David Plon：「AI 最大的价值不是帮你找到好想法，而是帮你更快杀死坏想法。」 大多数想法在初筛阶段就应该被淘汰，AI 提供足够的基线上下文让投资者在 12 小时深度研究之前就做出判断。
2. David Plon：「提示词设计的心智模型是——假设你在给一个聪明但缺乏你背景的海外同事写邮件，让他通宵完成任务。」 包含任务+背景、输出格式（可选）、任务指南、领域知识四个层次；关键不是一次写好，而是迭代。
3. David Plon：「管理层指引可信度分析——表面 beat 率可能误导。如果全年指引在 Q1 给出后逐季下调，到 Q4 自然 beat，这对远期建模有重要含义。」 这是 AI 可以自动化的模式识别，过去需要手动回溯 3-4 年数据。
4. David Plon：「最成功的机构 AI 部署策略是找到不要求任何人改变行为的方式。」 公司级做想法生成筛选和论点监控（不改变流程），日常使用让个人通过实验建立信任后自然采用。
5. David Plon：「记录决策过程是未来 AI 的石油。模型实用性随上下文量指数增长，未来 AI 将能加载你公司所有的历史交易记录与思考过程。」 当前最被低估的长期投资——那些实时捕捉思考过程（而非仅 polished memo）的机构将拥有巨大优势。
6. David Plon：「Agentic AI 在代码领域已经工作（Claude Code/Codex），在投资研究领域正处于转折点——模型已具备迭代推理能力，但上下文分散和输出不可验证是主要障碍。」 代码是完美环境（文本文件、本地上下文、可验证），投资研究完全不同，但底层能力已经到位。
7. David Plon：「模型记忆在短期内只是上下文加载的快捷方式，长期来看——当模型能像人类一样从经验中学习抽象概念和模式识别时——它将成为投资研究的核心驱动力。」 近期的记忆功能（如 ChatGPT 的记忆）远不如人类记忆的丰富性和抽象能力。
8. David Plon：「LLM 的回复是即时的，你可以实时反馈调整——这是与人类分析师相比的巨大优势。你不需要等一夜才能看到结果。」 迭代成本极低，这是提示词设计的核心实践方法。