全球顶级对冲基金 Citadel 的 CTO 自述：AI Assistant 如何进入每个股票投资人的工作台，又不越界一步
文章作者、来源：锋睿AI
当绝大多数金融机构仍把大模型局限于「初级文本缩写」或「通用新闻堆砌」时，全球顶尖对冲基金 Citadel 的内部 AI Assistant，已经被几乎所有股票投资人高频调用。
然而，Citadel 明确拒绝让 AI 参与任何投资决策与交易指令的生成。「全员高频使用」与「零决策权」的冷峻并存，恰恰揭示了通用大模型向真正「买方级 AI」跃迁的底层真相。
大模型是花钱就能买到的公共基础设施，但如何把买方的投研纪律、持仓上下文与限权治理做进软件，才是无法像素级复制的机构护城河。
2025 年 12 月，Citadel 首席技术官 Umesh Subramanian 在 Reuters Next 大会上介绍了这款内部工具。它不仅覆盖电话会文字稿、监管文件、券商研究，还深度整合了 Citadel 自己的内部投资策略——能根据单名投资经理的实时持仓，动态筛选核心风险，并生成高度定制化的研究路径与阅读清单。
本期核心摘要
信息漏斗：AI 的核心角色是从海量噪音中精准打捞与具体持仓强相关的动态，助投资人以最快速度洞察风险——而不是产出大而无当的通用摘要。
采用率 ≠ 自治度：全员高频使用 AI Assistant 的背后，是投资判断权被死死扣在人类手中。两者是两套指标，前者证明工具进了工作流，后者才是治理问题。
带宽与流速：主观投资的 AI 价值在于「效能放大器」（Force Multiplier），而非能自主躺赚的 Alpha 机器。
能力代码化：算力与大模型是公共基础设施，难以复制的是将机构的研究标准、底层数据与组织记忆深植于软件之中。
可追溯与严限权：生产级工具的底线——原始材料必须可穿透检查、工具权限必须有边界，且结果必须可由人工验证。
这篇文字稿，我们把 Citadel 的做法拆一遍，读完大约 10 分钟。
一、第一步不是预测未来，而是把正确的信息推给正确的人
一位基本面股票投资经理，日常可能需要同时覆盖数十家上市公司。每家公司的涟漪效应背后，还交织着错综复杂的供应商、客户、竞争对手以及变幻莫测的监管环境。
每天倾泻而来的财报、公告、电话会文字稿和行业新闻黑洞，往往让投资人面临的不再是「信息匮乏」，而是「精力过载」——此时此刻，究竟哪一条增量信息最有可能动摇我的持仓假设？
Subramanian 将 AI 的核心角色定义为一个巨大的「信息漏斗」。工程师们负责将庞杂的数据源接入系统，再由 AI 精准筛选出与当前决策最相关的切片送达投资经理。
AI Assistant 的产品化思路正是基于此：它不提供大而无当的通用摘要，而是基于个体持仓特征定制研究路径，让不同的投资人只看到与自己投资组合高度相关的动态。
这里的底层逻辑并非「把文章缩写」，而是建立信息与责任主体之间的映射关系。同一条监管通告，对不同持仓权重的团队而言分量迥异；同一份深度研报，可能仅仅撬动了组合中某一处极其边缘的定价假设。只有当 AI 系统能够深度理解持仓结构、覆盖边界以及机构原有的投研逻辑时，信息压缩才算真正切入投研的实质核心。
同时，Citadel 的定义也为 AI 划定了一条清晰的时间边界：它擅长帮助人更清晰地锚定「当下」，而非替人预测「未来」。
这重划界至关重要。金融领域对 AI 最常见的捧杀，就是试图直接从「更高效地发现线索」跃迁到「更精准地预测牛熊」。然而这两者之间，还横亘着极其沉重的研究论证、仓位控制、风险对冲和执行策略，以及整个市场对该信息的动态博弈反馈。
锋睿洞察｜将 AI 接进信息源，仅仅解决了「读到了什么」；唯有将输出结果映射到真实的持仓与投资假设上，才算真正解决「为什么现在值得看」。高附加值的研报价值产生在这一步，而不是摘要本身。
二、几乎人人都在用，不代表机器可以替人做决定
Citadel AI Assistant 的落地状态，廓清了一个在企业级 AI 转型中常被混淆的边界：采用率（Usage）与自治度（Autonomy）绝非同一概念。
即便全公司股票投资人都在高频调用这款工具，Subramanian 依然斩钉截铁地强调：投资判断的最终责任，百分之百留在人手里。
▲ 图 1｜采用率与自治度是两件事：AI 可以铺满工作流，决策权留在人手里。
「AI 能让投资人更快看清当下，但无法自动让一个人成为更好的投资人；在主观投资中，Alpha（超额收益）仍旧由投资经理个人创造。」
——Umesh Subramanian，Citadel 首席技术官（据 Reuters 转述）
Citadel 对主观投资（Discretionary Investing）的边界有着极其清醒的认知。
AI 的介入能够大幅加速信息的消费速度，进而让整体的决策飞轮转得更快。它提高的是整个组织的生产率，但这层效率本身并不等同于 Alpha。
大模型作为公共技术，任何人花钱都能获取，真正拉开最终表现差距的依然是人类的驾驭能力。相反，如果一家机构选择将原本应由人类承担的判断权「外包」给机器，从某种程度上讲，这其实是一种极度危险的失控。
这绝非对 AI 潜力的否定。事实上，Citadel 在其引以为傲的系统化投资（Systematic Investing）中长期深度应用机器学习；Subramanian 梳理的是两个完全不同的业务场景：
在量化或系统化策略中，模型本身就是策略与信号的有机组成部分；
但在主观投资场景下，生成式 AI 更像是一个「高倍放大器」，旨在拓宽投资经理的信息处理带宽，而非剥夺他们对未来的裁量权。
这一界定对大多数正在焦虑转型的金融机构极具参考价值。一个成熟的金融级 AI 指标，至少应分层审视：
① 激活：有多少人高频激活；
② 覆盖：覆盖了多少核心工作流；
③ 担责：究竟有哪些核心决策被明确规定必须由人类担责。
注｜当前许多内部 AI 项目复盘验收时，极度依赖「日活」「周活」「多少人开通了账号」这类浅层指标。采用率固然能证明工具成功卡进了工作流，但如果无法清晰审计 AI 究竟介入了哪一步、输出结果如何被交叉验证、谁在为最终决策签字画押——那么所谓的高采用率，不过是更多人每天在工位上打开了同一种聊天窗口。
锋睿洞察｜AI 的治理不应纠结于「要不要让人参与」，而是要极其精确地回答「人在哪一个关键节点、依据什么颗粒度的证据做出最终决定」。当判断权的归属被解构得足够具体时，极高的全员采用率与严苛的风险治理之间，便不再有任何冲突。
三、输入层决定 AI 看见什么，机构标准决定它怎样工作
AI Assistant 吞噬并处理的底层数据范围，同样蕴含着极高的壁垒。
根据 Reuters 的公开报道，该系统不仅深度接入了获得合规授权的第三方数据（电话会记录、监管披露文件、主流券商研报），更嵌入了 Citadel 自身长年累月沉淀下来的内部投资策略与上下文。
这意味着，它绝不是一个套着公开互联网壳子的通用聊天机器人。它必须同时在外部公开数据与内部极具私密性的「机构语境」之间做深度对齐，进而针对每一个具体的持仓组合进行交叉输出。
然而，光拥有海量、独家的数据喂养依然不够。Subramanian 在另一场行业峰会上着重指出：卓越研究的定义标准，绝不能仅口头传授或停留在企业文化手册里，它们必须被铁律般地编织进软件架构中。
什么是符合机构风控的「合格证据」？哪些研究习惯必须保留？模型在哪些数据特征上最容易过拟合？哪些关键步骤必须引入人工复核？
这些行业老手的「肌肉记忆」，都必须转化为系统的底层代码。随着开源大模型生态的爆发，纯粹的模型能力会越来越趋于同质化，未来金融机构之间真正的 AI 壁垒，更可能由模型之外的四层架构决定：
输入层（Input Layer）：哪些核心数据与深度研究资产能够被合法、安全且不污染产权地调用；
语境层（Context Layer）：这些信息如何精准、动态地映射到现有的持仓组合、投资策略与历史判断中；
方法层（Methodology Layer）：机构如何通过代码定义证据的有效性、评估潜在风险并严控研究质量；
责任层（Accountability Layer）：界定谁有权调用何种级别的工具、由谁来对输出结果执行终审，以及谁来对最终决策买单。
▲ 图 2｜模型之上还有四层。公开市场买得到模型，买不到这四层。
如果这四层架构没有被深度封装进产品逻辑里，再强大的基座模型，也只能源源不断地生成一些言之无物、表达流畅的「临时答案」。甚至在更坏的情况下，它会无形中放大机构原有的管理无序——不同团队各自使用着不同的提示词、不同的验证标准，却都在坚信自己得到了来自「AI 赋能的终极答案」。
锋睿洞察｜大模型的迭代可以按月发生，但机构自身的投研标准却需要跨越完整的经济周期保持高强度稳定。将研究标准写进软件，不仅是合规治理，更是沉淀组织复利——它确保了无论底层工具如何频繁升级，系统的输出永远服从于同一套严苛的研究纪律。
四、AI 的产品设计，最终都会回归「可检查」与「可授权」
2026 年 9 月，Citadel 公开分享了一场内部工程师的 AI 黑客松（AI Hackathon）。虽然这些原型项目不能等同于 AI Assistant 的真实生产环境架构，但几组前沿原型的设计取向，却折射出极其一致的工程世界观。
三个值得看的原型：
数据发现 Agent：自动对全新接入的数据集进行特征描述与标签化，研究员直接用自然语言检索合适的底层数据；
Treasury Intelligence 原型：把两周内约 400 封例行报告邮件转化为结构化的可搜索看板，同时强制保留每一封原始邮件的跳转链路，随时可穿透、追溯每一条结论的源头；
「Second Brain」原型：持续读取公司内部文件、业绩电话会和会议纪要，维持一份高动态更新的机构级研究笔记。
请务必注意，这些项目当下仍被严谨地定义为「原型」，并不代表已全面投入生产环境。然而真正值得全行业关注的，是顶级技术团队在原型构思阶段就赋予最高优先级的四个底层追问：
这个 Agent 究竟有权访问哪些系统？
它被允许调用哪些具体工具？
它的自主行动空间边界究竟在哪里？
用户到底通过何种机制去检查并建立对结果的信任？
这四个问题，远比「模型能不能写出一篇文采更好的摘要」更接近真实且残酷的金融生产环境。
在严苛的金融工作流里，一条关键输出如果无法被秒级穿透、回溯至最原始的材料线索，使用者就完全无法断定它是否遗漏了核心细节；一个 Agent 如果缺乏清晰的权限锁，效率的提升往往意味着错误破坏半径的成倍扩大；一个动态更新的知识库如果无法透明显示「谁在何时依据什么证据进行了更新」，它就绝不可能成为被机构托付背书的可靠记忆。
因此，一款金融级 AI 产品的成熟度，不仅表现在它回答得有多聪明，更表现在它是否设计得极其易于被人类检查、易于被人类拒绝、以及易于被人类追责。
锋睿洞察｜「可追溯性」绝不是产品发布前夕为了应付合规检查而临时打上的「补丁功能」。它必须从第一版工作流设计时就存在。专业用户是否愿意把真实工作交付给 AI，完全取决于在系统出错的瞬间，他们能不能清晰看见原因、瞬间终止动作并无缝退回至原始数据源。
五、Force Multiplier 放大的，首先是机构的原生能力
Subramanian 将 AI 称为 Force Multiplier（效能放大器），而非 Leveler（抹平差距的推土机）。
翻译得更直白一些：AI 并不会自动将平庸的机构拉升到与顶级机构同等的高度。相反，它会以极高的倍率，放大一家公司原本就拥有的投研流程、工程底蕴和组织习惯。
同一次 AI 注入，两种相反的结果：
底子清晰的机构：数据口径清楚、投研方法论稳定、技术团队深度嵌入业务、审批分级边界明确——AI 让这些优势资产以更低的成本覆盖更多人、更高速地运转；
底子混乱的机构：流程依赖口耳相传、材料来源含混、研究标准因人而异、治理边界形同虚设——AI 会把这些系统性混乱成倍放大。系统输出的流速越快，错误、偏见与决策分歧在组织内部扩散得越迅速。
这也完美解释了为什么「大家都买得起相同的商业模型，却根本无法消除业绩鸿沟」。底层基座模型是公开市场上花钱就能买到的「公共能力」。但一个特定机构究竟如何做信息的取舍、如何定义研究的质量、如何将工具嵌入真实工作流、以及如何捍卫人类判断权的边界——这些暗章，才是对手在短时间内根本无法像素级复制的机构护城河。
从这个维度回审，Citadel AI Assistant 那张惊艳的「全员采用率」成绩单，根本不是故事的起点，而是一个水到渠成的终点：唯有当一家机构的研究标准、工程能力与风险治理已经高度进化为一套可复用的成熟系统时，AI 才有机会顺理成章地进入几乎每一个股票投资人的日常武器库。
锋睿洞察｜AI 正在以不可逆的态势坍塌掉某些纯执行层面的成本，但这却反向将「工作流设计」的含金量推向了历史高位。在这个时代，决定系统应该看什么、怎样进行质量判断、以及在哪一个关键卡点必须停下来等候人类签字的人，正在变得比单纯靠模型生成内容的人重要百倍。
六、落地指南：验收买方级 AI 的四个必答题
Citadel 的冷峻实践，为所有正深陷「AI 焦虑」的金融机构提供了一条务实、理性的对话路径。不必总从「AI 最终会不会自主执掌百亿基金」这种宏大且遥远的命题开始争论——对今天大多数一线团队而言，更有价值的是先自查并验收以下四件迫在眉睫的底层架构。
① 你的系统是否真正懂每一个人需要关注什么？
通用的大模型摘要对具体的持仓组合毫无价值。AI 必须深度理解特定团队的覆盖边界、实时持仓、核心研究假设以及信息优先级，以此实现真正的「噪音蒸馏」，而不是制造更多扔进收藏夹吃灰的待读材料。
② 任何关键结论是否能一键穿透至最原始的证据？
每一处风险预警、内容提炼或定制研究清单，都必须有迹可循，清晰说明其逻辑支撑源自哪一份文件的哪一个段落。当来源遗失或读取失败时，系统应当诚实、明确地暴露这一信息缺口，而不是用精美流畅的套话去欲盖弥彰。
③ 机构引以为傲的研究标准，是否已经固化进了软件？
什么级别的证据算有效风控？怎样在代码层面规避投研过拟合？哪些高危步骤被列为必须复核的红线？这些核心资产不能只塞在资深员工的大脑里或靠口头提点。唯有将这些规则熔炼进系统工作流，AI 才有机会成为放大正确动作的那一方。
④ 人类的最终判断，究竟从哪一个精确的坐标点开始？
信息打捞、海量归纳、风险提示可以自动化到哪一个严格界定的范围？由谁最终批准一个新的投研结论？由谁下达最终的持仓调整指令？这道人机边界划分得越是黑白分明，整套 AI 系统才越有机会在组织内部毫无顾忌地全面铺开，而不必以「失去控制」为代价。
编辑总结
这个案例最值钱的地方，是它把「AI 进买方机构」要回答的几个问题，各自给了一个可执行的答案：
AI 做什么——信息漏斗，把正确的信息推给正确的人，而不是摘要材料；
价值怎么定义——带宽与流速，不是自主 Alpha；
差异化在哪——把研究标准写进软件的四层架构，不是模型；
红线在哪——可追溯、严限权、人可随时检查，最终判断权一寸不让。
因此，Citadel 案例中最不需要被神话的，就是那句看似光鲜的「几乎所有人都在用」。真正重千钧的，是它在一张成绩单里，把采用率的极大化与判断权的极度克制同时讲得清清楚楚：
AI 尽可以如毛细血管般覆盖整个投资团队，但它永远不需要、也绝不被允许伪装成那个坐在终局的最终决策者。
在这个信息极度超载、噪音震耳欲聋的市场里，能先让人类更快、更准、更少杂质地看清当下的真相，本身就已经是一项足以改变牌局的、极具商业价值的超级能力。
把这篇转给正在规划 AI 投研工作流的同事。
下周六，继续拆解一家头部机构的 AI 一线做法。
关于本文的来源与口径
来源：Reuters（Reuters Next 大会，2025 年 12 月，Citadel 首席技术官 Umesh Subramanian 发言）；Citadel 2026 年 9 月公开分享的内部 AI Hackathon 项目介绍；Subramanian 在行业峰会上关于「研究标准必须写入软件架构」的公开表述。
文中关于 Citadel AI Assistant 的采用率、覆盖范围与能力描述，以及 AI Hackathon 原型项目的信息均为公司公开口径，未经独立核实；黑客松项目被明确界定为「原型」，不代表已投入生产环境。文中「锋睿洞察」与落地指南部分为锋睿基于公开信息提出的分析观点。
本文不构成任何投资建议、收益承诺或业绩暗示；引用未超出合理范围；配图全部自制。