一个做投研的朋友跟我说，用了半年AI之后，他看财报的速度快了很多，但看完之后脑子里没留下什么东西。以前他会对某个数字的异常产生好奇，会翻到附注里去找原因，现在AI直接告诉他“这属于正常波动”，他就跳过去了。他说这种感觉很奇怪，好像自己变成了一个审核员，而不是一个研究员。
这件事值得琢磨的地方不在于AI好不好用，而在于长期用它做投研，人的判断力会不会被悄悄换掉。
判断力这个东西，在投研里不是指你知道多少事实。事实是AI的强项。判断力是你知道哪些事实重要，哪些不重要；是你在信息不全的时候敢不敢下注；是你看到一份漂亮的财报，心里却隐隐觉得哪里不对。这种能力不是从数据里直接长出来的，它来自你踩过的坑、看错的案例、以及那些让你半夜睡不着觉的怀疑。AI没有踩过坑，它只是读过很多关于坑的描述。
长期用AI做投研，最直接的变化是认知卸载。你把信息搜集、初步筛选、甚至逻辑推演都交给了模型。大脑很懒，哪条路省力就走哪条。就像用惯了导航的人，方向感会退化。你不再需要记住路名，不再需要判断东南西北，因为手机告诉你怎么走。投研里的认知卸载更隐蔽，因为你不是在偷懒，你是在提高效率。你觉得自己在做更高级的工作，但实际上，那些被你跳过的低效环节，恰恰是判断力生长的土壤。
读财报这件事就是一个例子。AI能在一分钟内把三张表的关键数字提取出来，把同比环比算好，把异常项标出来。你拿到的是一个干净的摘要。但如果你自己去翻那两百页的PDF，你会注意到管理层在电话会议里语气的变化，会注意到某个分部的收入确认方式跟去年不一样，会注意到审计师换了一个不太常见的措辞。这些东西AI可能会漏掉，也可能不会。但就算它没漏，你也没有经历那个“从噪音里找信号”的过程。这个过程本身就是在训练你的嗅觉。
更麻烦的是反馈延迟。投研判断的质量，往往要几个月甚至几年才能验证。AI给你一个逻辑通顺的结论，你照着做了，赚了钱，你以为是AI厉害；亏了钱，你以为是市场非理性。你很难把结果归因到某个具体的判断环节上。这种模糊的反馈让AI的错误不容易被纠正，也让你的判断力得不到有效的锻炼。你一直在做决策，但你的决策质量有没有提高，你其实不知道。
还有一个不太被讨论的问题：AI会让你的判断趋同。当市场上越来越多的人用相似的模型、相似的数据、相似的提示词去做投研，大家得出的结论也会越来越像。超额收益来自非共识，而AI天生倾向于生产共识。它读过的东西你也读过，它见过的模式你也见过。它能帮你更快地到达那个“大家都知道”的地方，但那个地方通常没有钱赚。真正有价值的判断，往往来自某个人的偏见、直觉、或者对某个行业细节的偏执。AI没有偏见，它只有概率。
当然，这不是说AI在投研里没用。它非常有用。它能把一个分析师从堆积如山的文件里解放出来，让他有时间去跟产业链上的人聊天，去实地看看工厂的开工率，去感受一下渠道库存的真实温度。这些事AI干不了，但这些事恰恰是判断力的来源。如果你把省下来的时间用来做这些，AI就是在帮你强化判断力。如果你把省下来的时间用来刷更多的AI报告，那你只是在用更快的速度生产更同质化的结论。
关键在于你有没有保留“手动挡”。我认识一个做二级市场的朋友，他有一个奇怪的习惯：每次让AI分析一家公司之前，他会先自己写一段三百字的判断，哪怕写得很粗糙。然后让AI分析，再对比自己的判断和AI的差异。他问自己的不是“AI说得对不对”，而是“我为什么没想到这一点”。这个习惯让他没有被AI牵着走，反而把AI变成了一个陪练。陪练不会替你上场，但能让你发现自己哪里弱。
判断力像肌肉，用进废退。长期使用AI开展投研，会不会降低个人判断能力，取决于你把AI放在什么位置。如果你让它替你想，你的判断力会萎缩。如果你让它逼你想得更深，你的判断力会变得更强。AI没有改变这件事的本质，它只是把这件事加速了。以前你可能要花十年才意识到自己的判断力在退化，现在这个周期缩短到了半年。那个朋友的不安，其实是一个很好的信号。他感觉到了某种东西正在流失，而感觉到流失，是阻止流失的第一步。
