資料查證截至 2026-09-15。這篇從 Afra Wang 2026-09-09 發表於 Noema 的〈A New Kind Of Creative Poverty〉出發，把「AI 讓創作變得相似」延伸到投資研究。文中的「AI 共識造成研究擁擠」是研究假說，不是已被證實的市場定律；本文也不是個別股票的買賣建議。
摘要
- 大型語言模型（Large Language Model, LLM）讓財報、法說、新聞與券商報告的整理成本快速下降；當大家使用相近模型、讀相同公開資料，最先被消化的資訊也更容易變成相似答案。
- 近期研究已看到一個方向：LLM 能從新聞與分析文字中萃取可用訊號，但這類優勢會隨工具普及而縮小；在小型股、虧損公司、槓桿高或分析師分歧大的情境，人類分析師目前仍較有優勢。
- 對投資人而言，AI 最適合先把「市場已知的部分」壓縮整理完；人的時間應該留給異常、矛盾、缺席資訊與難量化問題，因為那裡比較可能留下尚未被共識吃掉的研究空間。
Afra Wang 在 Noema 的文章談的是創作。她擔心的不是模型寫不出通順句子，而是模型太會選擇安全、合理、容易得到高分的答案，最後把不同人的表達慢慢拉向同一個中間值。
我讀到這裡想到的是投資研究。
現在把一份財報、兩小時法說逐字稿和幾十篇新聞丟給 LLM，幾分鐘就能整理出營收變化、毛利率、管理層指引、法人問答、競爭者與主要風險。以前需要幾個小時的第一輪工作，現在可以很快做完。
這是進步，但也帶來一個新的問題：如果很多研究員、基金經理人和散戶都用相近模型，讀的又是同一批公開資料，那麼大家得到的第一層結論會不會愈來愈像？
這裡可以把它叫做 AI consensus（AI 共識）：不同使用者經過模型整理後，對同一批公開資訊形成高度相似的解讀。當這種相似解讀集中在少數幾個敘事或交易方向上，就可能形成 research crowding（研究擁擠），也就是研究流程看起來很多元，最後卻擠到差不多的答案。
AI 會先吃掉「最容易整理的優勢」
2026 年《Journal of Financial Economics》刊出的研究〈Can ChatGPT forecast stock price movements?〉發現，較大型的語言模型可以從新聞標題判斷市場初始反應，甚至對後續價格漂移有一定預測力。研究同時發現，隨著 LLM 採用增加，相關策略報酬下降，作者將這個現象解讀為市場處理資訊的效率正在提高。
這個結果對投資研究很有意思。
如果一個訊號主要來自公開文字，而且模型可以穩定把它抽出來，那麼這個訊號被市場消化的速度就可能變快。過去「我比別人多讀幾十篇新聞」可能有優勢；未來如果每個人都能用模型一次讀完，單純把公開資料讀得比較多，未必還能形成同樣的 Alpha（超額報酬來源，也就是相對市場多賺的研究優勢）。
這不代表 AI 沒用，反而代表它會把很多原本昂貴的基本功變成標準配備。
財報摘要、法說整理、季度比較、關鍵字搜尋、競爭者對照，這些工作仍然重要，只是它們可能愈來愈像「研究的入場券」，而不是最後的優勢來源。
人類目前還佔優勢的地方，剛好比較髒、比較難整理
另一篇 2026 年研究〈Simulating Analyst Forecast Behavior using LLMs〉用韓國上市公司資料比較人類分析師與 LLM 的 EPS 預測。研究結果顯示，人類分析師平均仍比較準，而且優勢在幾類公司特別明顯：虧損公司、槓桿較高的小型公司，以及分析師意見分歧較大的公司。
這些情境有一個共同點：公開資料比較難直接拼成乾淨答案。
同一個數字可能有兩種解讀；管理層說法和財務數字可能互相打架；商業模式還在變；公司沒有穩定獲利可以外推；產業裡的人知道某件事很重要，但財報裡還沒有一個標準欄位能把它寫清楚。
這類地方比較接近投資研究真正麻煩的部分。
LLM 很適合整理已經被寫成文字的東西，但投資人常常需要追的是「還沒被寫好」的訊號。比如管理層突然不再提一個以前每季都講的指標、客戶開始改規格、競爭者先降價、某個產品一直延後量產，或公司招募的人才方向突然改變。
這些例子本身不是買賣訊號，也不能單獨證明股價會怎麼走。它們比較像 edge case（邊界案例／非典型訊號）：不容易被標準模型歸類，但可能值得進一步查證的異常點。
「大家都用 AI」不等於一定會一起犯錯
把 AI 共識直接寫成「市場一定會更擁擠」也太快。
2026 年一篇以 LLM 交易者做實驗的研究〈AI Herding in Financial Market〉發現，LLM 確實會出現跟隨群體的行為，但它們比人類更少出現非理性的資訊瀑布；提高推理程度後，表現還會改善。換句話說，AI 可能降低某些人類式的盲從，也可能在合理情況下形成一致判斷。
因此，比「模型會不會有共識」更值得追的是：這個共識究竟怎麼形成。
如果五個模型都根據同一份財報、同一組新聞、同一種估值框架做判斷，看起來像五票，其實可能只是一套公開資訊被重複整理五次。相反地，如果資料來源、假設、時間尺度和反證條件都不同，即使最後結論相同，資訊含量也不一樣。
這也是我現在比較在意的研究習慣：不要只問模型「答案是什麼」，要看它用了哪些資料、忽略了什麼，以及換一組假設後結論會不會立刻翻掉。
AI 應該負責「共識壓縮」，人負責找異常
如果把研究流程重新分工，我會讓 AI 優先做 consensus compression（共識壓縮）：快速整理市場已知資訊，把財報、法說、新聞、歷史說法與同業比較先做完。
接下來把人的時間留給幾種更難整理的東西：
- 哪個數字和管理層說法對不起來？
- 哪個重要問題這一季沒有人問？
- 哪個市場敘事已經變成所有模型的預設前提？
- 如果把最重要的假設拿掉，投資論點還剩多少？
這比較接近 non-consensus thinking（非共識思考）。重點不在故意跟市場唱反調，而在要求自己的結論不能只靠「大家都這樣說」。
對產業研究也是一樣。當所有人都會問 AI「HBM 需求如何」「CoWoS 供需如何」「某公司明年 EPS 多少」，問題本身就開始商品化。真正比較稀缺的能力，會慢慢移到 question selection（選題與提問能力）：知道哪個問題值得追、哪個異常值得多花兩小時查，哪個看似重要的數字其實只是噪音。
這裡有人會用 taste 形容，也就是研究上的判斷品味。我比較喜歡直接講成「知道什麼值得追」。這種能力來自長期做產業、看公司、犯錯、回頭檢討後累積出的篩選經驗，不需要把它神祕化。
JoJoRadar 可以怎麼用這個框架
對 JoJoRadar 來說，AI 不應該只是更快產出更多摘要。如果最後每天只是把相同新聞換一種寫法，資訊量增加了，研究價值沒有增加。
更有用的做法，是把 AI 當成第一層過濾器：先把市場共識整理掉，再刻意留下「不合群的東西」。
例如同一家公司連續四季法說，把管理層用詞差異拉出來；同一個產業把各家公司對需求、庫存、價格的說法並排；某個熱門題材如果所有模型都給出相似理由，就反過來找能讓這套理由失效的證據。
這些工作不保證產生 Alpha，也不會讓每一次研究都變成非共識交易。
但當 AI 讓公開資訊的整理成本接近零，繼續把大量時間花在「把已知資料再整理一次」，報酬率大概只會愈來愈低。比較值得保留給人的，是那些資料不完整、答案不整齊、甚至一開始不知道該怎麼問的地方。
如果未來每個投資人都有一個很強的研究模型，我會先假設：模型最容易看見的東西，也會最快失去稀缺性。
研究的下一個優勢，可能不在誰讀得更多，而在誰先注意到那個還沒有被整理成共識的角落。
參考資料
- Afra Wang｜A New Kind Of Creative Poverty｜Noema｜2026-09-09
- Can ChatGPT forecast stock price movements? Return predictability and large language models｜Journal of Financial Economics｜2026
- Hyuk An, Seohyun Lee｜Simulating Analyst Forecast Behavior using LLMs｜KDI School Working Paper｜2026-06-02
- Leping Zhang, Guangyou Zhou｜AI Herding in Financial Market: An Experiment with Large Language Models｜SSRN｜2026-05-20
- CapitalBench｜AI capital allocation benchmark insights｜資料更新至 2026-09-11