导读：一个机构研究员的一天，大概是这样度过的。
早上7点半，盘前抢跑，浏览十几家券商的晨报，人工排查隔夜公告，盯着外盘的异动；9点半开盘后，穿梭在一个接一个的电话会里，听写动辄上万字的纪要，再翻阅当天堆上来的研报；下午收盘，是内部的投研讨论会，复盘指数和重点公司；到了晚上7点，新的一轮又开始了——撰写公告点评、跟踪海外新闻、盯美股盘前、读路演纪要。一天下来，留给真正思考的时间，可能没有多少。
这不是个例，而是这个行业大部分研究员的常态。
投研这门手艺，过去很长一段时间里赚的是"信息差"的钱——谁更早拿到那份研报，谁更早听到那场电话会，谁就多一分胜算。但是今天，这个逻辑正在松动。研报、公告、行情、数据，几乎在同一时间摆在所有人面前，信息差以肉眼可见的速度在收敛。
那么，当信息不再稀缺，投研的超额收益还能从哪里来？
在我们看来，答案是从“拿到信息”转移到了“加工信息”。瓶颈不再是获取，而是你能多快、多好地把扑面而来的信息，变成自己的认知和决策。这恰恰是这一轮AI最能发力的地方。
值得说清楚的是，2025年以来的这一轮变化，和过去那种"多了一个搜索框"不太一样。它的关键词是“Agent”——AI不再只是被动地回答你的提问，而是开始能够自己拆解目标、调用工具、把一件事从头到尾办完。落到投研场景里，这意味着那些重复的环节，第一次有了被系统性接管的可能。
而提到机构投研的AI化，有一家公司绕不开——进门。
很多人是从"AI进宝"开始认识进门的。但进门并不是一家2025年才冒出来的AI公司。它成立于2013年，在成为投研AI的领导者之前，进门很早就是券商研究所和上市公司线上路演的最大平台。创立至今，进门已经和国内74家券商研究所、5900多位分析师保持着合作。
这个出身，恰恰是理解进门这件事的钥匙。
真正的壁垒，不在模型，而在数据
这一两年，打着“AI投研”旗号的产品很多。当大家用的都是差不多的大模型，AI投研真正的护城河，到底在哪里？
我们的看法是，护城河往往不在模型本身，而在模型脚下站着的数据。
研报、公告、行情这类公开数据，是所有人都能拿到的。进门手里多出来的，是一类别人很难复制的东西——进门把过去十二年积累下来的路演会议、调研、策略会、业绩说明会等等沟通场景，沉淀成了独家的"一手数据"。这是其他金融应用没有的。
为什么这件事重要？因为投研里最有价值的信息，往往不在已经写成铅字的研报里，而在分析师和上市公司、买方和卖方面对面交流的那个现场。一份研报是结论，而一场路演里的来回问答，是结论形成的过程。进门恰好握住了这个过程。
更进一步，它还把这些数据做了治理——清洗、标准化、质检，让它们"幻觉程度低、易检索、易关联"。换句话说，这些数据不是堆在那里的原始素材，而是被加工成了AI能够直接调用、不容易出错的"熟料"。
从第一性原理上看，大模型本身是同质化的，谁都能调用；真正稀缺、而且越用越厚的，是那些别人拿不到、又被反复打磨过的数据。进门的壁垒，本质上是一条用十二年时间慢慢积累、很难被快速复制的数据护城河。
所以进门的AI进宝，不是又一个套壳的聊天机器人，而是长在一手投研数据上的工具。这是它和市面上大多数"AI助手"最底层的区别。
从"会聊天"到"会干活"
我们用过的大部分AI助手，本质上还是"一问一答"：你问一句，它答一句，像一个需要你手把手带的实习生。但投研真正需要的，是一个能把活干完的人，而不是一个随时待命的问答框。
进门的思路，是把AI进宝拆成了三种模式，对应从简单到复杂的不同需求。
最基础的是聊天模式，即问即答，适合处理高频、碎片化的问题——突然想查一个数据、核对一个观点，秒级响应。
往上一层是研究模式，它通过一个工作区，满足投研人从AI问答研究、研究成果产出沉淀、持续更新迭代等全流程的需求。研究模式还内置了专业的研究框架和大量投研工具，适合对一个标的、一个行业做长期深度跟踪。
比如，公司边际跟踪和行业边际跟踪Skill，通过设置定时任务，让进宝自动生成边际变化报告，并根据每天、每周、每月的变化，持续在一个文档上进行迭代。
框架是现成的，你不用从零搭建。它还能把研究的过程沉淀下来——人机协同写作、修改留痕、成果分类归档，做一段时间的深度跟踪，素材不会散掉。更进一步，你可以把自己的研究思路、甚至某位你认可的"大咖"的思维链，固化成一套专属框架，让AI按你的方法去想问题。
最上面是任务模式，也是差异最大的一层。它支持多个Agent协同，你只需要把最终目标说清楚，系统会自动拆解步骤、跨终端调取数据、整合资料、输出完整成果，把一件复杂的事从头到尾闭环掉。
而且这套工作流是可以“调教”的——你给它挂上专属的记忆，它会越用越懂你的偏好和口径，慢慢长成一个贴合你自己投研习惯的助手。
这种“会干活”，落到具体场景是什么样子？
比如说量化回测。你给它一句话——“回测过去20日波动率因子，股票池沪深300，分10组，持有20天，看分组表现和多空效果”，它会自己理解问题、制定计划、提交回测，再把结果给你。比如说做一家公司的边际变化跟踪，它能回溯个股走势、梳理关键变量、自动生成一份边际变化报告。再比如说金股分析、管理层背景调查、一份完整的行业策略报告，过去要一个研究员花上大半天甚至几天的底稿工作，现在可以交给它先跑一版。
如果只是想快速摸清一家公司，它能生成一份"一页纸看懂一家公司"的速览，把基本面、财务、核心逻辑、市场关注点压在一张纸上；要跟一场调研，它也能把市场最关心的焦点先替你提炼出来。这些事单看都不难，难的是天天做、件件做，进门把它们一并接了过去。
进门Agent要替代的，不是研究员的判断，而是研究员判断之前那些重复、耗时的准备工作。
把投研从"手工作坊"搬上"流水线"
回到开头那个研究员的一天。
那一天里，真正消耗精力的，其实不是“思考”，而是思考之前的那些环节：把十几家晨报读一遍、把上万字纪要听写下来、把散落在各处的数据一个个查出来。这些活，每个研究员每天都在重复地做，而且大同小异。投研这门手艺，很长时间里都停留在"手工作坊"的阶段——靠人力，靠经验，难以规模化。
进门做的事情，是把这条链路拆成几个清晰的层次，再用AI把重复的部分接管掉。
最底下是信息汇集，把全域的投研数据一站汇齐；往上是提纯降噪，把海量的研报、纪要、公告做结构化处理，把“万字”压成“要点”；再往上是信号挖掘，持续跟踪市场、识别驱动事件；最上面是投研决策，让AI把前面整个流程自动跑通。
进门给这几层各自起了很形象的名字：信息汇集那一层叫“投研百晓生”，提纯降噪叫“数据炼金师”，信号挖掘叫“市场侦察兵”，最后做决策闭环的叫“数字研究员”。名字背后是同一件事——把一条原本要靠人力一段段串起来的流程，拆开、标准化，再让AI接管掉其中重复的部分。
听起来抽象，落到日常就很具体。比如说进门内参，一日三更，自动把市场关注的焦点生成日报，推到你面前；比如说设一个定时任务，每天盘后自动复盘指数、跟踪自选股资讯、提炼券商晨报的精华；再比如说一场路演会议结束，AI自动转写成精炼版纪要、思维导图和要点。那个原本要从早7点忙到晚11点的研究员，被解放出来的，正是可以用来思考的那部分时间。
这背后其实是一种范式的迁移。当重复的、标准化的工作能够被流水线接管，投研就有机会从"手工作坊"走向"工业化"。这不是把人换掉，而是把人从苦活累活里腾出来，去做机器替代不了的判断。
机构敢不敢用，
看的是合规与幻觉这两道闸
对机构来说，一个AI工具好不好用，可能还不是第一位的问题。第一位的问题是：敢不敢用。
这背后是两道绕不过去的闸。
第一道是合规。机构投研每天接触大量敏感信息，一套没有合规框架兜底的AI，再强也没法放进正式业务。进门为此嵌了一道硬性约束——它把任务流程、工具权限、信息管理、输出质检、操作留痕都纳入统一管控，关键节点强制人工介入，做到权限可控、口径统一、操作留痕、问题可追溯。已经公开的信息可以放心用AI提效，未公开的敏感信息则要先脱敏、纳入安全体系、经合规审批才能接入。这条边界，划得很清楚。
第二道是幻觉。大模型容易出现数据错误、口径跑偏、引用失效，而在投研场景里，一个数字、一句话的失误，可能就会引发监管问询。进门的做法，是在高风险的输出节点加一道"质量护栏"：关键数据双源交叉验证、对外口径自动比对、引用标注来源，最后保留人工终审，把错误拦在发布之前。
对一家机构而言，这两道闸的意义，不亚于AI本身的能力。它决定的不是这套工具"能做什么"，而是这套工具"能不能真正用起来"。这恰恰是很多停留在演示阶段的AI产品，迟迟迈不过去的那道坎。
写在最后
回到我们开头提的那个问题：当信息不再稀缺，投研的超额收益从哪里来？
我们的答案是，它来自认知的效率——谁能把"信息→认知→决策"这条链路压得更短，谁能把人从重复劳动里更彻底地解放出来，谁就握住了这个时代投研的底层能力。从这个角度看，AI投研工具不是一个锦上添花的效率玩具，而更像是一种新的基础设施，一种属于这个时代的贝塔。
进门成立至今的十二年，从一套路演会议系统，到金融沟通场景的基础设施，再到今天的AI投研工作台，它走的每一步，其实都踩在"让信息更高效地流动"这一件事上。AI进宝，是这条路走到当下的一个自然结果。
往大里说，这其实是整个资产管理和投研行业都在经历的一次迁移。过去，一家机构的投研能力，很大程度上取决于它能堆多少人、招到多强的研究员；而当越来越多重复的环节被AI接管，比拼的重心会慢慢挪向"谁能更好地把人和工具组合起来"。这是一道新的命题，也是一个新的起点。
当然，AI投研这件事，才刚刚开始。没有哪一家公司能说自己已经给出了终极答案，进门也一样。但是在这条少有人走通的路上，它确实是比较早出发、也走得比较扎实的那一个。
让专业投资更高效、更智能、更简单——这句话听起来朴素，但真正能把它一点点做出来的机构，在任何一个时代都是稀缺的。
