讀懂晨星2026報告：AI 正在重塑主動基金的「生死循環」

AI 能不能獨立管基金、跑贏大盤？這是所有關於「AI 投資」的討論裡最先被拋出的問題。鋒睿的判斷是：這個問題本身，掩蓋了正在發生的劇變。

當 AI 開始持續影響研究什麼、相信什麼、何時調整判斷、如何配置資本——它就已經走進了投資的核心。至於最後由誰簽字，反而是這場變革裡最不重要的細節。

本文基於晨星（Morningstar）2026 年 6 月發布的《AI 在主動基金管理中的應用現狀》拆解。報告討論的是主動基金管理這一大類——對沖基金、主動權益、系統化策略都在其中。讀完約 9 分鐘。

核心摘要

• 案例：摩根士丹利 Counterpoint Global 用 56 個 AI Agent 並行工作，約 1 小時產出分業務收入預測、利潤率預測、目標價與完整深度研究報告；自 2026 年 1 月起運行 AI 管理的“平行組合”，與人類 PM 前瞻對決。
• 速度：一位嚴謹的基本面分析師通常只能深覆 20—30 家發行人；AI 接管初篩與解析後，覆蓋邊界與驗證節奏同時被改寫。
• 短板：Robeco 用類 GPT 流程提取收益訊號，原型驚艷但基準測試未產生增量 Alpha；「後視鏡偏差」是當下硬傷。
• 分工：人設定風險預算、處理例外、對 LP 承擔最終責任；分析師轉向「研究 Agent 的指揮官」。
• 護城河：Man AHL 自研工具 18 個月內被前沿模型取代－留存下來的是專有資料、流程記錄與驗證系統。
• 路徑：選取微觀場景 → 影子運作 → 漸進式授權。

---

一、一場發生在華爾街的「效率暴政」

56 個 AI Agent 並行工作，約 1 小時內生成分業務收入預測、利潤率預測、目標價和完整的深度研究報告——在過去，這需要人工分析師團隊花費數週。

這是晨星在報告中記錄的摩根士丹利 Counterpoint Global 真實案例。更具試驗色彩的是，該團隊自 2026 年 1 月起同時運行著一個由 AI 管理的「平行組合」，與人類 PM 的真實組合進行前瞻對決。

能力已經發生顯著躍遷，但投資 Alpha 的驗證仍在追趕。這正是當下頂級資管機構的真實鏡像。

二、什麼是「核心」？不要問它能不能代替 PM 簽字

談到 AI 是否會成為投資核心，人們很容易陷入二元對立：它能不能徹底取代人類基金經理，持續跑贏 Alpha？

這個終局假設，遮蔽了正在發生的漸進式革命。

換一個判斷標準：基金研究哪些公司、優先驗證哪些假設、在什麼證據出現時調整部位，都會直接決定最終的資本配置。 AI 一旦持續滲透這些環節，即使最後由 PM 簽字，投資流程也被深度重塑。

這條滲透分兩層：

• 傳統的機器學習：已在貝萊德等系統化股票平台運行多年，用於動態調整個股信號，投資經理僅做邊界與原則校準。
• 生成式 AI 的突破：把非結構化資料解析、程式碼編寫、假設提出、工具呼叫和交叉檢查打通，從「分析工具」躍升為「持續參與研究的系統」。

三、研究速度的變革，正在打破機會的邊界

傳統基本面分析師的精力是有極限的。晨星根據經理研究經驗指出：一位嚴謹的基本面分析師，通常只能深入涵蓋 20—30 家發行人。涵蓋之外，大量事件、細分市場和邊緣標的被白白遺漏。

當 AI 承擔起初篩、財報深度解析、電話會拆解與可比較公司研究，有三件事同時發生：

• 拓寬邊際：過去因研究成本太高而放棄的口袋機會，開始具備研究價值；
• 加速檢驗：過去僅在季度更新的投資邏輯，可以接受日級的持續檢驗；
• 資源再分配：分析師從繁重的體力活中解脫，專注於有認知差、有爭議、需要深度洞察的關鍵矛盾。

更深層的變化在於：研究的回饋循環被極度劇烈地壓縮了。

典型案例是 Robeco：過去由實習生花數週才能完成的學術論文策略復現，現在透過 Agent 系統在幾分鐘內即可完成初步測試。

在主動式基金管理領域，未來的核心競爭力之一，就是完成「發現機會 — 驗證判斷 — 部署策略 — 辨識失效」這個循環的速度與品質。

四、暫未證明 Alpha？這恰恰是下一階段的攻堅點

晨星報告並沒有避諱失敗。

例如，Robeco 曾嘗試以類 GPT 流程產生獲利預測並提取收益訊號，原型看似驚艷，但在基準測試中並未產生增量 Alpha。此外，大模型的非確定性，以及「後視鏡偏差」（訓練資料包含未來資訊導致的回測虛高），都是當下的硬傷。

但這絕非否定 AI 的價值，而是倒逼機構建立全新的「驗證方法論」。

大摩 Counterpoint 的「影子平行組合」就是典型探索：不依賴漂亮的歷史回測，而是持續記錄 AI 在即時市場中看到了什麼、提出了什麼判斷、與人類有何分歧，以及最終轉化為怎樣的收益表現。

AI 能走多深，取決於機構能把它的增量貢獻驗證到什麼程度。

五、重新定義分工：人負責邊界與例外，AI 負責進化

在未來的組織架構中，投資判斷將被拆解為：模式辨識、假設產生、背景檢索、交叉驗證、情境比較與證據權衡。

未來，審核過程本身也將迎來自動化──模型交叉複核模型、發現遺漏假設與矛盾證據。人類不再逐字檢視產出，而是聚焦於重大分歧、異常偏離與超越授權邊界的決策。

對應的職位變化：

• 基金經理人：轉化為設定風險預算、定義目標、處理例外，以及對 LP 承擔最終責任。
• 分析者：轉化為「研究 Agent 的指揮官」，同時管理多個平行工作的研究系統。

六、工具 18 個月一換，真正的護城河到底是什麼？

Man AHL 的案例為所有金融機構管理者敲響了警鐘：團隊曾精心自研 Alpha Assistant 和 AlphaTrend 工具，但在 2026 年快速轉向 Claude Code 環境，並構建了 90 餘個專屬 Skills。前沿大模型約 18 個月的跨越式迭代，輕易地取代了機構先前的自研軟體。

工具更新極快，唯有底層的「機構能力」能跨越模型版本而留存：

• 沉澱並清洗過的專有資料；
• 可追溯的研究過程與歷史決策資料庫；
• 穩健的評估基準、風控協定與權限邊界。

通用大模型的普及會導致公開資訊的消化速度趨同，通用工具帶來的邊際優勢會迅速衰減。最終的勝負手，依然取決於誰擁有更好的資料基礎設施、更精妙的研究提問，以及更嚴密的驗證體系。

七、機構行動指南：從一個「真實可檢驗」的流程開始

金融機構轉型切忌紙上談兵。鋒睿建議從三步驟切入：

1. 選定微觀場景：選擇一個真實、重要、結果可量化檢驗的投資流程（如追蹤一組持倉公司的假設失效條件），讓 AI 持續參與；
2. 影子運作（Shadow Run）：記錄 AI 的即時建議與研判，暫時不直接執行，精準評估其錯誤率、資訊遺漏、複核成本與對判斷的真實增益；
3. 漸進式授權：依據資料證據與風險承受力，逐步賦予有限授權，同時嚴格保留監控、一鍵暫停與回滾機制。

結語

主動式管理機構不必等待「完全自主的 AI 基金經理人」出現才開始佈局。

當 AI 開始持續影響研究什麼、相信什麼、何時調整判斷以及如何配置資本，它就已經走在投資的核心。今天的組織轉型與工程積累，將決定機構在下一個十年能否擁有可持續的 Alpha 競爭優勢。

想看原文的讀者：晨星這份報告已附在文末“閱讀原文”，本文引用的案例與數字都能在報告裡找到出處，建議對照閱讀。

---

資料來源：Morningstar Manager Research，《AI in Active Fund Management: The State of Adoption in 2026》，2026 年 6 月 8 日。文中案例與數據來自報告；關於主動式基金未來演進及轉型路徑的討論，為鋒睿基於報告提出的觀點。本文不構成任何投資建議或績效暗示。

完整報告：請參閱文末「讀原文」。文中數據如需引用，建議回到原報告核對。