研究完一家公司以后你打开AI对话框准备问什么我相信很多人的第一反应是直接问这家公司能买吗或者你帮我分析一下这家公司怎么样。如果你也这样干那我劝你停一下。做过一段时间AI投研的人应该都有同感——研究完一家公司之后恰恰是提问难度最大的时刻。因为在这个阶段你手里已经有一堆资料财务数据、行业报告、管理层访谈、上下游调研……信息足够多但真正缺的是一个能跟你来回过招的思考对象。我这套AI投研流程跑了大半年前四篇文章分别聊了信息收集、财报拆解、产业链梳理和估值建模今天这篇我想专门聊聊最后一步也是最容易被忽视的一步研究完成之后到底应该问AI什么。1. 为什么研究完公司后你反而不会问AI了先说一个我自己的观察。绝大多数人用AI做投研把时间花在了喂资料上——把年报PDF拖进对话框让AI总结营收、利润、毛利率然后就没有然后了。这种做法不能说错但它只停留在资料整理层面完全没发挥AI真正的价值。1.1 资料收集阶段与研究后阶段提问逻辑完全不一样研究一家公司的初期你问AI的问题通常是告诉我帮我找帮我总结这类动词开头。比如帮我查一下这家公司近三年的应收账款周转率整理一下竞争对手的最新动态。这个阶段的AI是个高效的检索工具它能帮你把散落的信息聚拢起来节省大量时间。但研究完成后问题的性质变了。这时候你需要的不是告诉我更多信息而是帮我挑战我的结论。你的提问应该转向如果我的判断错了错在哪里我的假设在什么条件下会崩溃我是不是漏掉了一个关键变量。这类问题AI不是不能回答而是需要你主动设计提问方式。我见过很多人在这个阶段卡壳原因就一个他们还在用研究前期的提问习惯跟AI进行信息交换而不是逻辑碰撞。结果就是AI给了你一大堆正确的废话你也得不到任何新的洞察。1.2 最常见的错误把AI当裁判而不是陪练研究完公司之后其实你已经有了一个初步判断——可能是这家公司值得关注也可能是这家公司有硬伤。这时候人很容易陷入一个心理误区你想让AI认同你的判断。所以你问它你觉得这家公司的护城河深不深管理层能力是不是很强本质上是想找一个支持自己的回声。我踩过这个坑。早期我问AI这家公司的成本优势能不能持续AI顺着我的话分析了半小时给出了一堆看似合理的理由但我后来发现它引用的几个假设根本站不住。问题不在AI在我——我给它设定了立场它只是在帮我完善这个立场的逻辑。正确做法是让AI做你的陪练也就是逼它站在你的对立面。不是问我的判断对不对而是问我的判断在什么情况下会错。把AI当作一个专门挑刺的同事你的提问方式会发生质的变化。后面我会具体说怎么问。2. 研究完成后真正该问AI的六类问题我把研究完成后值得问AI的问题整理成了六类核心思路都是从验证转向挑战。你不需要每一类都问但至少要覆盖其中三四类否则你的研究很容易停留在一堆信息的平面上。2.1 证伪类问题让AI帮你找推翻买入逻辑的理由这是我认为最重要的一类问题也是最容易被忽略的。人在研究一家公司时往往会对自己的逻辑产生感情尤其是当你花了两三天收集资料之后你舍不得推翻自己辛辛苦苦搭建的框架。证伪类问题的格式很简单核心句式是请尽可能多地列出我的以下结论可能不成立的场景和原因。然后把你对这家公司的核心判断贴给它。比如你对某家消费公司的判断是品牌壁垒高、提价能力强、库存健康你就让AI专门攻击这三条。实操中你会发现AI给的攻击点质量参差不齐。有些是泛泛而谈的行业竞争加剧宏观经济下行有些则能切中要害比如你提到库存健康但经销商口径的库存和公司报表口径的库存差异很大需要核对合同负债变化。后者才是你真正需要的东西。提示你可以连续追问三轮。第一轮让AI找攻击点第二轮挑一个最尖锐的攻击点让它深入展开第三轮让它给出如果这个攻击点成立你需要看到什么数据才能确认。这最后一轮特别有用等于让AI帮你倒推出一份验证清单。2.2 决策树问题把要不要买变成什么条件下买很多人在研究完成后问AI这公司值不值得买这是一个低质量的问题。原因很直接——答案只有值得或不值得对实际操作没有任何指导意义。真实世界的投资决策从来不是二元的而是分层的在什么价格区间我愿意买、在什么业务进展下我愿意加仓、在什么信号出现后我必须离场。决策树类问题就是把单一判断拆成条件分支。比如你可以这样问AI基于我已经完成的调研请帮我梳理一份决策树乐观情景下我应该关注哪些先行指标中性情景下我应该容忍哪些不确定性悲观情景下哪些信号出现就意味着我的核心假设被证伪AI对这类问题其实很擅长因为它本质上是逻辑结构化的任务。但你也要注意一个问题AI生成的决策树可能会过于教科书化给你列出十几个指标。这时候你需要做减法用你自己的研究做过滤——只保留那些与你调研中发现的核心矛盾直接相关的指标。别让AI的框架绑架你的判断。2.3 交叉验证问题跳出单一信息来源研究一家公司时你的信息源通常有公司年报、券商研报、行业媒体、专家访谈。这四个信息源各有各的偏见公司年报天然乐观券商研报有利益倾向行业媒体可能滞后专家访谈样本量极小。如果你只依赖其中一两个容易得出片面的结论。交叉验证类问题的思路是让AI帮你找到不同信息源之间的一致性或不一致性。你可以直接给它三个信息源的要点问它这三个信息源之间有哪些关键矛盾和共同指向。更聪明一点的做法是让AI先分别站在三个信息源的角度回答同一个问题然后对比三个回答的差异。我之前研究一家电子元器件公司时发现公司说产能利用率饱满但行业媒体却在报道下游需求疲软。我把这两条矛盾信息丢给AI让它帮我梳理哪些情况下两者可以同时成立它给了我几个解释框架——包括公司产品结构偏向高端、受下游整体需求影响小这条我后来通过拆分部收入数据验证了这个猜测。交叉验证不是简单找不同而是通过矛盾点定位深层原因。2.4 盲区探测类问AI你看不见的维度每个人研究公司都有自己的盲区这跟你过往的行业经验有关。如果你一直看消费股你可能会忽略技术迭代的风险如果你一直看科技股你可能对渠道库存的变化不敏感。盲区探测类问题就是让AI站在你没有经验的维度上提出疑问。一个有效的问法是基于你对该行业的理解如果我是一个只看过[某个行业]公司的人第一次研究这家[目标行业]公司我可能会忽视哪些关键维度这里让AI扮演一个异行业视角的角色它会从供应链管理、渠道结构、技术路线、政策环境等角度补充你可能没注意的问题。这类问题不需要AI给你一个完整的分析只需要它给你一份待查清单。我通常会把这份清单跟自己的研究笔记对照凡是清单里出现而我的笔记里没有的都会标记为需要补课。2.5 同行对比问题让AI给你一个相对坐标研究完一家公司之后很多人容易陷入孤岛思维——只盯着这家公司的基本面看忽略了它在行业中的相对位置。但投资决策在很大程度上是相对选择同一笔钱我为什么不买它的竞争对手为什么不等它估值更低的时候再买同行对比类问题的关键是不让AI罗列同行的财务数据而是让它聚焦在这家公司相对于同行的独特之处以及这些独特之处是优势还是劣势上。具体问法可以是我研究的这家公司在[某个维度]上与它的主要竞争对手存在明显差异请帮我分析这个差异可能的来源以及它在什么情况下会从优势变成劣势。这种问法有一个额外的好处它会暴露你对竞争对手的理解是否充分。如果你发现自己连主要对手的业务构成都说不清楚那说明你的研究还没完成。2.6 时间维度问题把当前分析变成动态推演公司研究里最容易犯的错是把当前财务数据当作长期趋势的外推。去年增长30%你就觉得明年还能增长30%——但企业经营从来不是线性外推的。问AI一个时间维度的问题有助于你跳出这种思维惯性。你可以问它如果三年后回看今天你认为当前市场对这家公司的定价中最可能被证伪的三个预期是什么这个问题会把AI从静态分析切换到动态推演模式逼它思考当前的股价已经反映了什么预期、哪些预期可能落空。这类问题的答案不是用来直接做买卖依据的而是用来扩展你的思考时间尺度的。3. 一套可复用的AI投研提问模板实操篇说完了问题类型接下来给出一套可以直接复制进对话框的提问模板。我把自己常用的版本分享出来你可以根据自己的研究习惯调整。3.1 模板一逻辑压力测试模板适用场景你已经形成了对公司的核心判断想检验这个判断的抗压能力。输入格式以下是我对[公司名]的核心判断请作为反方辩手逐一反驳这些判断并说明每一个反驳观点需要看到什么证据或数据才能成立。我的核心判断如下[列出2-4条判断每条包含你的依据]。举例说明以下是我对某物流公司的核心判断请作为反方辩手逐一反驳这些判断并说明每一个反驳观点需要看到什么证据或数据才能成立。我的核心判断如下1. 公司网络壁垒高新进入者难以复制其全国网点密度2. 单票成本连续三年下降规模效应仍在释放3. 大客户结构分散单一客户流失影响有限。AI给出的反驳可能会超出你的预期。关键是对每条反驳都要追问一句我如果要验证这一点应该看什么数据。把AI的回答整理成一张表左边是反驳观点右边是需要验证的数据项这就是一份很好的二次调研清单。注意这个模板的核心不是让AI帮你证明对错而是让AI帮你补充需要看什么才能判断对错。如果AI给的反驳理由本身很弱说明要么你的判断确实扎实要么你的背景资料还不够完整——你可以补充更多信息让它继续攻击。3.2 模板二产业链与竞争格局验证模板适用场景你已经梳理完公司的产业链位置想验证是否有遗漏的上游或下游变量。输入格式我已经完成了对[公司名]的产业链梳理上游是[某环节]下游是[某环节]公司处于[某个位置]主要竞争对手包括[A、B、C]。请从以下三个角度验证我的梳理是否完整1. 是否还存在我遗漏的间接上游或下游环节它们可能通过何种路径影响公司2. 是否存在非直接竞争对手但业务模式可能替代公司的参与者3. 产业链中最强议价能力的环节是哪个公司在这种格局下如何应对。这个模板的核心作用是把你的产业链梳理从线性链条扩展为网状生态。AI不一定能给你特别精准的答案但它提出来的一些间接环节往往是你在研究初期忽略的。我记得有一次AI提醒我关注某上游原材料的回收环节我一开始觉得跟公司关系不大后来深入一看才发现回收环节的价格直接决定了公司主材成本的天花板。3.3 模板三情景推演与风险量化模板适用场景你想把模糊的风险感知转化为可跟踪的风险信号。输入格式基于我对[公司名]的研究我识别出以下几个核心风险[列出风险项]。请针对每个风险帮我完成三件事第一描述该风险从萌芽到爆发可能需要经过的几个阶段第二每个阶段分别对应哪些可观测的先行指标第三如果该风险进入第二或第三阶段对公司营收和利润最直接的影响路径是什么。这个模板比较长但值得你耐心填完。它的价值在于把你的感觉风险变成一套可以持续跟踪的风险仪表盘。之后你只需要定期检查那些先行指标就能比市场更早发现风险变化。4. 和AI对话时的三个关键技巧光有模板还不够同一个模板在不同人手里效果完全不同。差别主要来自对话技巧。我自己的经验里有三个技巧对投研对话的质量提升最大。4.1 用观点证据格式约束AI的回答AI有一个天然倾向当你问你怎么看时它倾向于给出一个四平八稳的观点然后补一句具体情况需要结合更多数据。这种回答对投研来说基本没用。你需要用格式约束它强制它把观点和证据分开。我的做法是在提问末尾加上一句请用观点……证据……不确定点……的三段式结构回答。加了这个约束之后AI的回答质量会有明显提升——因为它不能继续用模糊语言糊弄你每一项观点都被迫对应至少一条证据或一个明确的不确定点。4.2 让AI先复述你的问题再给结论这个技巧看起来很简单但效果非常好。我在重要问题前会加一句请先复述我的核心问题并说明你理解的研究背景然后再给出回答。这么做有两个好处第一AI能更准确地定位你问的到底是什么第二你可以从它的复述中发现自己问得不清晰的地方。有一次我在研究一家连锁餐饮公司时问AI它的同店营收增长主要靠什么AI复述成了同店营收增长的驱动因素拆解并判断各因素是否可持续——这个复述其实比我自己问的更准确它多加了是否可持续这个维度。那次对话的质量明显高于平时。4.3 追问机制从答案中发现下一个问题很多人跟AI对话是一问一答模式问完一个问题就等着答案然后换个话题。这浪费了AI最大的能力——上下文理解。优秀的研究员跟AI对话应该是连续追问模式AI给出一个答案后你从中挑出一个最重要的点继续追问下去。比如AI提到该公司的应收账款周转天数上升可能与下游客户账期延长有关你立刻追问能帮我拆解一下近四个季度的应收账款账龄结构吗这种变化在竞争对手中是否普遍存在这样的连续追问会把一个问题挖到很深的层次。我做投研时每次跟AI对话都会保留完整的对话记录因为后期复盘时你会发现真正有价值的洞察往往出现在第三轮或第四轮追问之后而不是第一轮的回答。5. 常见问题与避坑实录用了大半年AI做投研踩的坑不少这里挑几个典型的分享出来省得你再走一遍弯路。5.1 AI答非所问的纠正方法AI经常答非所问尤其是你提问里带着隐含假设时。比如你问为什么市场对这家公司的担忧是多余的AI可能完全顺着你的话安慰你而不是分析担忧的合理性。纠正方法很简单把问题拆开去掉预设判断。把为什么担忧是多余的改成市场对这家公司的主要担忧有哪些其中哪些是合理的哪些可能是过度反应拆解之后AI的分析路径完全不同。5.2 数据时效性坑AI的预训练数据有截止时间这一点大家都有共识。但很多人忽略的是即使你明确告诉它请使用最新数据它依然可能把过时的数据当作事实输出。这不完全是AI的错它只是在尽力回答你的问题。我的做法是凡是涉及具体数值的回答一律要求AI标注数据来源和对应时间如果来源不明确直接丢弃这个数据。另外对于财务数据这种强时效性的信息我会用专门的金融数据工具而非通用AI来获取。AI更适合做逻辑分析和观点碰撞不适合当数据库用。5.3 幻觉识别AI太自信的时候你反而要警惕AI给出一个流畅、自信、数据丰富的回答时新手最容易直接采信。但做过一段时间后你会发现它编造数据的情况远比想象中频繁尤其是当你问细节问题时它可能为了回答的完整性而填充一些看起来合理但不真实的数据。我的识别方法是对于AI给出的所有关键数据思考这个数据我用什么方式能验证。如果一种验证方式都找不到那这个数据就有可疑的嫌疑。还有一种情况是AI会用行业普遍情况替代目标公司实际数据这在投研对话里很常见你需要明确告诉它不要用行业均值的说法我要的是目标公司的具体数据如果没有请直接说不知道。5.4 一个容易被忽略的坑上下文污染连续对话中前面聊过的话题会影响后面回答的方向。比如你先让AI确认了这家公司行业空间很大后面再问有哪些风险时它的回答可能会偏向于风险可控。这不是AI故意隐瞒而是它倾向于保持对话逻辑的一致性。我的做法是重要的、需要客观分析的问题另开一个对话窗口不带入之前的判断。甚至我会在提问时明确说忽略我之前所有的观点重新独立分析这个问题。写在最后研究完一家公司后问AI什么说到底是一个思维习惯的问题。我个人的体会是这个阶段最应该问的不是AI怎么看这家公司而是AI能不能帮我推翻我的判断。如果你能做到这一点你就真正把AI从信息工具升级成了思考工具。我自己到现在每次做完整研究后依然会主动要求AI攻击我的核心逻辑哪怕最后它一条都没能推翻——那种情况下我反而更安心因为我确认了我考虑过这些风险。反过来如果AI一上来就找到三四条我完全没想到的反驳理由那这次研究的价值可能刚刚开始体现。