Sign in Subscribe
AI Investment Frontier

AI Alpha 仍需通过治理测试

Mercer's new asset-management survey shows AI adoption is real, but return attribution is still scarce. The builder lesson is to instrument governance before claiming alpha.

Kaizhi Tang

• 8 min read
AI Alpha 仍需通过治理测试

本周的前沿信号，不是资产管理公司正在使用 AI，而是许多公司已经在使用 AI，但只有少数公司能够把它清楚地归因到投资组合结果上。Mercer 新发布的 2026 年 AI in Asset Management Survey 基于 131 家全球资产管理公司的回复，它的价值在于把一个模糊的采用叙事拆成了具体工作流图谱：AI 已经进入研究、非结构化数据处理和信号分析，但在直接决策、投资组合构建和交易执行中的成熟度仍然低得多。

前沿信号

Mercer 于 2026 年 5 月 21 日发布相关调查内容，处在本次选题所要求的 24-48 小时窗口内。这些数字足够具体，值得认真看待。Mercer 报告称，55% 的受访资产管理公司已经把 AI 整合进至少一个投资流程，27% 仍处于试点或概念验证阶段，18% 尚未整合。与此同时，91% 的受访者表示未来 12 个月计划增加 AI 使用。

这听起来像一条很强的采用曲线，但 AI 在工作流中的位置才是更重要的信号。Mercer 表示，最常见的已整合用途包括想法生成与研究、处理非结构化或外部数据，以及信号生成或市场趋势分析。相比之下，把 AI 嵌入投资组合构建或交易执行的管理人要少得多。在这份调查的语境中，大多数 AI 仍然是协作工具或运营层，而不是自主资本配置引擎。

收益归因数字进一步强化了这一点。Mercer 报告称，最常见的可衡量收益是运营效率提升，以及更快或更高质量的洞察。改善投资收益、降低风险或波动率被提及的比例要低得多。这不是 AI 的失败；它提醒我们，“AI 已进入投资流程”和“AI 产生了 alpha”不是同一个命题。前者是生产采用声明，后者需要归因、控制组、实时监控，以及能够穿越市场状态的基准。

为什么投资者在意

对资产配置者来说，这份调查像是一份伪装成采用报告的尽调清单。一个管理人说“我们使用 AI”，现在几乎传达不了多少信息。真正重要的问题是：AI 放在流程的哪一段？谁能覆盖它？它背后的数据权利是什么？输出如何验证？公司能否区分生产效率提升和投资表现提升？

这种区分关系到管理人筛选和投资组合风险。一个加速分析师覆盖的 AI 系统，可能提高研究吞吐量，但不一定改变实际敞口。一个提出交易或仓位大小的模型，则引入另一类风险：模型漂移、信号拥挤、隐性杠杆、数据泄漏、交易成本敏感性和可审计性。

Mercer 的数据也说明，为什么投资者不应为每个有 AI 演示的管理人支付“AI 溢价”。如果许多公司都集中在协作工具和供应商工具层面，竞争优势可能来自整合纪律，而不是模型本身。护城河不是给研究门户接一个聊天机器人，而是把数据血缘、特征验证、模型风险控制、投资组合影响归因和人的责任机制连成一个可重复的操作系统。

技术读解

对构建者来说，这份调查指向一个架构问题：如何让 AI 在投资流程里有用，而不假装模型拥有整个流程？

第一个设计含义是工作流级遥测。如果 AI 工具支持想法生成，系统应记录提示上下文、检索语料、分析师修改、被拒绝的建议、被接受的假设，以及这个想法是否进入观察清单、回测、组合建议或交易记录。没有这条链路，生产效率声明和 alpha 声明很容易混在一起。

第二个含义是分离评估。研究辅助工具应评估覆盖范围、事实准确性、来源可追溯性、重复检测和分析师采纳率。信号模型应评估样本外预测质量、换手率、衰减、交易成本敏感性、因子重叠和状态稳定性。投资组合构建工具应评估约束、风险分解、情景行为、回撤贡献和可解释性。一个笼统的“AI 质量”分数对投资系统来说太粗糙。

第三个含义是带有治理意识的模型路由。Mercer 指出，数据质量和访问是主要障碍，监管和合规担忧也非常突出。生产系统应按敏感度分配任务。公开市场新闻总结、内部研究草稿、专有持仓分析、客户特定组合审查和订单生成支持，不应共享同样的权限、日志、留存规则或模型端点。架构在规模化之前就需要政策边界。

第四个含义是供应商风险核算。Mercer 报告显示，供应商工具和供应商数据的使用并不少。这本身并不弱，但构建者必须追踪哪些输出依赖专有供应商模型、第三方数据集、外部许可或黑箱转换。如果一个信号无法复现、审计或迁移，它就应该拥有不同于透明内部模型的置信级别。

现实检验

这份调查是行业自我报告，不是对实时投资表现的审计证据。它告诉我们受访者如何描述自己的 AI 使用和感知收益，但不能证明某个具体管理人的模型产生了 alpha、降低了回撤，或能跨资产扩展。应把这些数据视为行业部署证据，而不是学术回测证据，也不是供应商表现证明。

这里还有一个分母问题。运营效率比 alpha 更容易观察。公司可以很快衡量文档审查节省的时间、备忘录起草速度提升或新闻覆盖范围扩大。但要证明增量收益贡献，需要一个反事实：如果没有 AI 辅助流程，投资组合会怎样？即使对系统化策略来说这也不容易；对 AI 间接影响判断的主观流程来说更难。

另一项风险是治理语言可能变成表演。委员会、政策和人工审批并不会自动让模型稳健。如果系统缺少细粒度日志、对抗测试、数据泄漏检查、模型版本历史和决策后结果复盘，“人在回路中”可能只意味着“人在回路附近”。

最后，采用曲线本身也可能造成拥挤。如果许多管理人使用类似供应商模型去总结同样的文件或聚合同样的市场叙事，边际优势可能衰减。价值会从访问通用 AI 工具，转向差异化数据、更好的实验设计、更快的验证，以及更严格地拒绝弱信号。

构建者要点

  • 为每个 AI 支持的投资工作流建立可追踪记录，使后续审查者能够从源数据追到模型输出、人工决策和投资组合影响。
  • 将研究生产效率指标和投资表现指标分开；不要让节省时间伪装成 alpha。
  • 为研究助手、信号模型、风险解释器和投资组合构建工具分别建立任务级评估集。
  • 按可审计性分类模型和数据依赖：内部透明模型、内部黑箱、供应商模型、供应商数据或混合管线。
  • 把治理功能作为产品原语：权限、来源血缘、模型版本、拒绝日志、升级路径和决策后复盘。

链接 / 来源

Read in English →