富兰克林邓普顿用OpenAI重构投研流程

资产管理行业正在经历一场由生成式AI驱动的投研流程重塑。富兰克林邓普顿（Franklin Templeton）近日披露，其正基于OpenAI技术开发AI工作流，首先落地于股票研究场景，帮助投资组合经理更高效地比对研究观点、审视投资风险。这一动作的意义不在于"又一个金融公司接入大模型"，而在于它指向了投研工作中最耗时、最难标准化的环节——信息整合与观点交叉验证。

从股票研究切入：AI要解决的是什么问题

据公开信息，富兰克林邓普顿的AI工作流目前聚焦于股票研究。具体来说，它服务于两类任务：一是帮助基金经理比较不同的研究观点，二是辅助审查投资风险。

这两件事听起来简单，实则是投研日常中典型的"信息密集型苦活"。一位基金经理往往需要同时消化内部研究团队的报告、卖方机构的观点、以及海量的公开披露材料。不同来源对同一家公司给出的判断可能相互矛盾，而人工比对既费时又容易遗漏。将这部分工作交给AI工作流处理，本质上是在压缩"从信息到判断"的中间环节。

需要说明的是，官方披露中并未给出具体的效率提升数字或覆盖标的数量，因此对外传播时不宜用精确指标渲染效果。可以确认的是方向：AI承担的是研究支持角色，而非替代投资决策。

为什么"工作流"比"聊天机器人"更值得关注

值得留意的是富兰克林邓普顿使用的措辞——AI workflows（AI工作流），而不是"AI助手"或"聊天机器人"。这个区别在金融场景中相当关键。

单点对话式AI只能回答孤立问题，而投研是一条链条：收集材料、提取要点、比对分歧、标记风险、形成结论。工作流的价值在于把大模型嵌入这条链条的多个节点，让输出在流程中流转，而不是每次从零开始提问。对资产管理机构而言，这种嵌入方式更容易与既有的研究数据库、合规审查和组合管理系统对接。

换句话说，这则消息透露的是一种工程化思路：金融机构正在把生成式AI从"可演示的demo"推进到"可运转的流程"。

AI工作流（AI workflow）是指将大模型能力编排进一系列有先后依赖的任务节点中，使前一步的输出成为后一步的输入，并可调用外部数据源、检索系统或业务系统。常见实现方式包括提示链（prompt chaining）、工具调用（function calling）与检索增强生成（RAG）。与单轮对话相比，工作流的确定性更高、可观测性更强，便于设置校验点与人工介入节点。在金融场景中，工作流通常还需保留每一步的输入输出日志，以满足合规留痕与事后审计的要求，这也是机构偏好工作流而非自由对话的重要工程原因。

风险审查环节的AI，边界在哪里

材料中特别提到AI用于"审视投资风险"（examine investment risks）。这一表述留有很大的解读空间，也引出行业内普遍关注的问题：AI在风险识别中的角色是提示还是裁决？

从现有公开信息看，富兰克林邓普顿并未说明AI输出的风险信号是否直接进入决策流程，也未披露人工复核机制的具体设计。在受监管的资管行业，这恰恰是落地成败的关键——AI可以快速扫描大量材料并标出异常点，但风险判断的责任归属仍在人类投资经理和合规体系。可以合理推断，当前阶段的定位更接近"研究支持"而非"风险定论"，但这一点需要后续更多披露来验证。

在资产管理语境中，投资风险审查通常涵盖市场风险、信用风险、流动性风险、集中度风险与合规限制等维度。传统做法依赖风险管理系统给出的量化指标（如VaR、跟踪误差、久期）与研究员对定性因素的判断。大模型能补充的是非结构化信息维度——例如从公告、财报电话会记录、新闻中提取潜在风险线索。但模型存在幻觉与过度自信问题，且难以对结论承担受托责任。因此业界常见做法是把AI输出定位为"线索提示"，并要求关键结论回溯到原始文档出处，这与监管对投资决策可解释性的要求相一致。

对资管行业的信号意义

富兰克林邓普顿并非第一家试水生成式AI的大型资管机构，但其案例具有代表性：选择从股票研究这个知识密集、文本密集的环节入手，而不是从客服或营销等外围场景切入。这说明头部机构对AI的期待，已经从"降本工具"转向"研究能力的一部分"。

对同业的启示大致有三点。其一，投研AI的起点应是具体流程痛点，而非通用能力堆砌。其二，工作流化是金融场景落地的现实路径，单点对话难以建立壁垒。其三，在监管环境下，AI的定位需要清晰划在研究支持与投资决策之间。

至于这类实践最终能带来多大的研究质量提升，目前公开信息尚不足以给出量化结论。但方向已经明确：AI正在从资管机构的技术试验田，走进投研的核心工作台。

卖方研究（sell-side research）与买方研究（buy-side research）是投研信息链的两端：前者由券商分析师发布，覆盖广、更新快；后者由资管机构内部研究员产出，更贴近组合需要。两者对同一标的的判断时常存在分歧，而分歧本身往往是有价值的信息。AI比对观点时，核心难点在于观点抽取的口径统一——需要把不同格式的报告映射到可比较的字段（如目标价、评级、核心假设、风险点），否则比对结果容易流于表面。这也是此类工作流落地时最容易被低估的工程成本所在。