前段时间和一位做投资的朋友聊天，他们公司正在测试一套AI投研工具，录入过去二十年上市公司年报、研报、新闻稿件，由模型自动输出企业护城河评分。结果很有意思，模型给茅台高分，特斯拉低分，英伟达得到中等分数。朋友苦笑，模型给出的结论看着合理，可实质上没有太多有效信息。
AI能不能精准判断企业护城河？可以识别一部分信息，但距离精准判断，还有很大差距。
先说AI能够完成的工作。输入足量公开资料，财报、行业报告、新闻、专利数据、网络舆情，AI可以识别护城河相关的显性信号。例如长期高于行业均值的毛利率、稳定提升的ROE、持续扩张的市场份额、高额研发投入与专利储备，这类数据AI的计算速度远超人力。还能横向对比同行业数十家企业的数据，筛选多维度指标明显领先的企业。从这个层面，AI适合作为初筛工具，快速剔除明显没有竞争壁垒的企业。
局限同样明显。巴菲特对护城河的定义简单直白，就是企业长期拥有、竞争对手难以突破的竞争优势。可口可乐的品牌、BNSF铁路形成的规模效应，财报只能展示最终结果，优势形成的深层原因，藏在数据之外。
光大证券首席分析师王开带领团队，近两年落地大量AI投研项目，在实战中发现问题。AI依托公开资料整理内容，只能得到已经形成共识的信息。分析师都可以查到的报表、研报、新闻，汇总得到市场层面的平均判断。而能带来超额收益的信息，大多还没有形成文字共识，管理层闭门会议的真实想法、生产线实际运行状况、供应商随口透露的细节。这类信息AI无法获取。
橡树资本霍华德·马克斯的观点更加直接。AI无法体会切身的投资压力，感受不到重仓持仓的风险，体会资金亏损带来的恐惧。顶尖投资者的判断能力，来自对风险的真实感知，长期跟踪一家企业，经历盈利和亏损，见证管理层多轮更替，这种亲身积累的体验，AI没办法学习。
还有一个底层变化，护城河的定义在AI环境下正在改变。硅谷头部风投a16z发布报告，传统五类护城河，转换成本、网络效应、无形资产、规模优势，在当下AI环境，预测效果明显减弱。模型慢慢变成标准化商品，今天使用Claude，明天就能切换GPT，很难依靠模型拿到独家优势。那新的护城河是什么，a16z给出答案是专有数据。不是花钱就能买到的静态数据集，而是业务持续产生的动态数据，每服务一位客户，完成一笔交易，运行一次业务流程，不断产出新数据，反过来优化模型，形成正向循环。
AI很难自主判断这件事。没办法判断数据集的复制难度，无法评估企业业务流程的嵌入深度，也没法读懂纸面数据背后真实的生产能力。
我认识一位供应链金融企业负责人，公司估值持续高于同行。别人询问护城河，他说不是算法，也不是数据总量，是在国内二十座城市仓库蹲守八年总结出来货损预判经验。不同季节、不同品类货物容易出现哪些问题，部分物流节点实际周转速度慢于报表数据，这类内容不会出现在任何公开资料里。就算AI完整读取财报，也识别不出这项竞争优势。
回到最初的问题，AI能不能精准判断企业护城河。我的看法是，AI适合辅助筛选、风险预警，快速剔除平庸标的，或是标记关注企业财务指标的异常变化。最终的精准判断，依旧需要人来完成。护城河本身偏向定性、动态，藏在大量细节之中。具备价值的非共识判断，依靠人的行业积累、实地调研和亲身感受慢慢打磨。
AI和人的关系，不是互相替代，而是分工协作。AI整理海量信息，形成结构化已知信息清单；人基于这份清单，挖掘清单之外的问题。前者提升信息处理效率，后者完成深度判断。护城河的评估，恰恰属于深度判断这一类工作。
