AI 에이전트 투자조사업 첫 도입 성공
전문가 해설
최근 중국의 퀀트 사모펀드 업계에서 AI 에이전트(AI Agent)가 투자 연구(投研) 생산라인에 본격적으로 들어서고 있습니다. 이는 AI가 단순한 대화 도우미에서 최고 수준의 추론 능력을 갖춘 ‘초강력 두뇌’로 진화한 가운데, 이 두뇌를 실제 투자 전략 개발 현장에 투입하려는 움직임의 핵심을 보여주는 사례입니다.
디에웨이 퀀트(蝶威量化)의 창업자 웨이밍삼(魏铭三)은 최근 기술 공유회에서 구체적인 데이터를 공개해 업계를 뜨겁게 달궜습니다. 동일한 팩터(투자 요인) 산출 목표를 달성하는 데 전통적인 수작업 투자 연구는 90일에서 180일이 걸리지만, 자사에서 자체 개발한 AI 에이전트 매트릭스는 단 7일 만에 완료된다는 것입니다. 디에웨이 퀀트는 AI 에이전트를 증권사 리서치 보고서에서 팩터 추출, 팩터 최적화 및 분화, 코드 생성과 백테스트 실행, 성과 평가와 포트폴리오 편입 결정까지 전체 투자 연구 흐름에 깊이 적용해 ‘디지털 투자 연구 공장’을 만들었으며, 이미 7×24시간 연속 가동 중입니다. 기술적으로는 오픈소스 프레임워크인 LangChain 등을 쓰지 않고 바닥부터 자체 개발한 수직형 에이전트 시스템을 선택했습니다. 이유는 퀀트 투자 연구 특유의 민감한 사내 데이터, 전용 연산자 라이브러리, 엄격한 엔지니어링 요구사항 때문입니다. 현재 46개의 연산자 라이브러리와 6,400여 개의 기초 특징을 구축했습니다.
반면 모든 기관이 이렇게 공격적으로 나아가지는 않습니다. 오래된 대형 퀀트 펀드인 Mingshi Fund(鸣石基金)는 AI 에이전트를 주로 프로그래밍 보조에 한정하고, 팩터 발굴 같은 핵심 연구 영역은 여전히 기존 방식으로 진행한다고 밝혔습니다. 보커 퀀트(波克量化)의 펀드매니저는 업계가 ‘단순 접목’ 단계에서 ‘심층 배치’ 단계로 넘어가고 있으며, AI 에이전트가 투자 연구 전반으로 확대되고 있다고 평가했습니다. 제3자 연구기관인 하오마이 펀드 리서치센터의 궈신위 연구원은 2026년 AI 에이전트가 ‘기술 과시’에서 ‘보편화·양산’ 단계로 진입하고 있지만, 대부분 기관은 아직 전략 반복과 생산에 성숙한 도구로 활용하지 못하고 있다고 지적했습니다. 특히 대형 기관과 중소 기관 사이에 기술 격차가 벌어지고 있는데, 하이플라이어 퀀트(幻方)는 DeepSeek을 출시하고, 지우쿤(九坤)은 IQuest-Coder를 오픈소스로 공개하는 등 기술을 외부로 유출하고 있습니다.
비용과 기술 난제도 주요 과제입니다. 대형 모델의 ‘환각(hallucination)’ 현상은 금융 투자 연구에서도 위험 요인인데, 디에웨이 퀀트는 이를 ‘엔지니어링 문제’로 보고 다섯 가지 역할(분석·연구·코드·평가·펀드매니저)의 에이전트를 ‘토론식’으로 협력하게 하고 여러 제조사의 모델을 병렬 검증하는 방식으로 위험을 최소화했습니다. 비용 면에서는 초기 하드웨어와 토큰 소비가 백만 위안 규모지만, 이후에는 오픈소스 모델을 활용해 운영 비용을 낮추고 있으며, 기존 인력 의존 방식보다 일회성 개발 비용으로 대체해 장기적으로는 한계 비용이 지속적으로 감소할 전망입니다. 실제 효율 데이터도 인상적입니다. 한 상하이 퀀트 펀드 창업자는 고급 팩터 연구원이 기존에는 주 1~2개 고품질 팩터를 발굴했으나, AI 에이전트 도입 후 주 4개로 두 배 증가했다고 전했습니다.
이처럼 AI 에이전트가 투자 연구를 ‘수작업 공방’에서 ‘자동 운전식’ 연속·체계·규모화 생산으로 바꾸는 변화는 이제 시작 단계입니다. Mingshi Fund나 디에웨이 퀀트 등 기관들이 강조하듯, 앞으로는 기초 연구원 수요는 줄고 금융 전문 지식과 AI 도구를 동시에 다루는 복합 인재 수요가 크게 늘어날 전망이며, 인력 효율이 높아지면서 전략 개발에 더 많은 자원이 집중될 것입니다.
디에웨이 퀀트(蝶威量化)의 창업자 웨이밍삼(魏铭三)은 최근 기술 공유회에서 구체적인 데이터를 공개해 업계를 뜨겁게 달궜습니다. 동일한 팩터(투자 요인) 산출 목표를 달성하는 데 전통적인 수작업 투자 연구는 90일에서 180일이 걸리지만, 자사에서 자체 개발한 AI 에이전트 매트릭스는 단 7일 만에 완료된다는 것입니다. 디에웨이 퀀트는 AI 에이전트를 증권사 리서치 보고서에서 팩터 추출, 팩터 최적화 및 분화, 코드 생성과 백테스트 실행, 성과 평가와 포트폴리오 편입 결정까지 전체 투자 연구 흐름에 깊이 적용해 ‘디지털 투자 연구 공장’을 만들었으며, 이미 7×24시간 연속 가동 중입니다. 기술적으로는 오픈소스 프레임워크인 LangChain 등을 쓰지 않고 바닥부터 자체 개발한 수직형 에이전트 시스템을 선택했습니다. 이유는 퀀트 투자 연구 특유의 민감한 사내 데이터, 전용 연산자 라이브러리, 엄격한 엔지니어링 요구사항 때문입니다. 현재 46개의 연산자 라이브러리와 6,400여 개의 기초 특징을 구축했습니다.
반면 모든 기관이 이렇게 공격적으로 나아가지는 않습니다. 오래된 대형 퀀트 펀드인 Mingshi Fund(鸣石基金)는 AI 에이전트를 주로 프로그래밍 보조에 한정하고, 팩터 발굴 같은 핵심 연구 영역은 여전히 기존 방식으로 진행한다고 밝혔습니다. 보커 퀀트(波克量化)의 펀드매니저는 업계가 ‘단순 접목’ 단계에서 ‘심층 배치’ 단계로 넘어가고 있으며, AI 에이전트가 투자 연구 전반으로 확대되고 있다고 평가했습니다. 제3자 연구기관인 하오마이 펀드 리서치센터의 궈신위 연구원은 2026년 AI 에이전트가 ‘기술 과시’에서 ‘보편화·양산’ 단계로 진입하고 있지만, 대부분 기관은 아직 전략 반복과 생산에 성숙한 도구로 활용하지 못하고 있다고 지적했습니다. 특히 대형 기관과 중소 기관 사이에 기술 격차가 벌어지고 있는데, 하이플라이어 퀀트(幻方)는 DeepSeek을 출시하고, 지우쿤(九坤)은 IQuest-Coder를 오픈소스로 공개하는 등 기술을 외부로 유출하고 있습니다.
비용과 기술 난제도 주요 과제입니다. 대형 모델의 ‘환각(hallucination)’ 현상은 금융 투자 연구에서도 위험 요인인데, 디에웨이 퀀트는 이를 ‘엔지니어링 문제’로 보고 다섯 가지 역할(분석·연구·코드·평가·펀드매니저)의 에이전트를 ‘토론식’으로 협력하게 하고 여러 제조사의 모델을 병렬 검증하는 방식으로 위험을 최소화했습니다. 비용 면에서는 초기 하드웨어와 토큰 소비가 백만 위안 규모지만, 이후에는 오픈소스 모델을 활용해 운영 비용을 낮추고 있으며, 기존 인력 의존 방식보다 일회성 개발 비용으로 대체해 장기적으로는 한계 비용이 지속적으로 감소할 전망입니다. 실제 효율 데이터도 인상적입니다. 한 상하이 퀀트 펀드 창업자는 고급 팩터 연구원이 기존에는 주 1~2개 고품질 팩터를 발굴했으나, AI 에이전트 도입 후 주 4개로 두 배 증가했다고 전했습니다.
이처럼 AI 에이전트가 투자 연구를 ‘수작업 공방’에서 ‘자동 운전식’ 연속·체계·규모화 생산으로 바꾸는 변화는 이제 시작 단계입니다. Mingshi Fund나 디에웨이 퀀트 등 기관들이 강조하듯, 앞으로는 기초 연구원 수요는 줄고 금융 전문 지식과 AI 도구를 동시에 다루는 복합 인재 수요가 크게 늘어날 전망이며, 인력 효율이 높아지면서 전략 개발에 더 많은 자원이 집중될 것입니다.
요약
量化私募industry is entering the era of large-scale application of AI agents. The first batch of AI agents has been landing, and it's not just a simple matter of introducing AI tools to the investment research process.
近日，知名量化私募蝶威量化创始人魏铭三在一场技术分享会上抛出一组引发量化行业热议的数据：同等因子产出目标下，传统手工投研需耗时90天-180天，其自研的AI Agent矩阵仅用7天即可完成。
“AI已从语言助手进化为拥有顶级推理能力的超强大脑。现在的核心问题是，如何让这颗大脑走出对话框，真正走进投研生产线。”魏铭三表示。
当AI Agent从概念宣发走向投研生产线，量化私募行业的最新进展究竟到了哪一步？这是少数人的先锋试验，还是正在成为行业的标配？在这场“投研自动驾驶”的竞赛中，技术落地究竟面临哪些挑战？就此，中国证券报记者走访了多家量化私募机构及第三方研究机构。
“数字工厂”或是“先锋试验”
蝶威量化是目前行业内将AI Agent深度嵌入投研全链条的代表性机构之一。在前述技术分享会上，魏铭三介绍，其自研的垂直Agent系统已覆盖从券商研报因子提取、因子优化裂变、代码生成与回测执行，到绩效评判与入库决策的全流程，形成闭环式“数字投研工厂”，并已实现7×24小时不间断运转。
在技术路线上，蝶威量化选择了从底层自研，而非采用OpenClaw、LangChain等开源框架。“开源框架更像一辆‘大型SUV’——功能全面，却无法在专业场景做到极致。”魏铭三表示，量化投研有私有数据体系、专用算子库及严苛的工程化要求，通用框架难以满足。其团队从2025年起从底层构建投研专用Agent框架，目前已搭建46个算子库、6400余个底层特征。
并非所有量化私募都采取了同样的激进路线。老牌百亿级量化私募鸣石基金相关负责人告诉中国证券报记者，目前公司对AI Agent的使用主要集中在AI编程环节，用于辅助投研人员处理基础编程工作，在因子挖掘等核心投研环节仍以既有方式为主，对Agent的应用是尝试性的。“我们认为，量化投研环境有其研发特殊性、数据敏感性和信息保密隔离等实际情形，我们会坚持在核心投研上使用既有方式。”
波克量化私募基金经理位小康认为，量化行业整体正从“简单接入”逐步转向“深入部署”。他告诉中国证券报记者，目前量化私募对于AI Agent正处在全力加大投入阶段，“相比前两年可能仅停留在基础的代码审查、数据运维等方向，AI Agent已经深入到了投研的各个方面来提升效率”。
好买基金研究中心研究员郭新宇从第三方视角给出判断。他认为，2026年AI Agent正从昔日的“炫技”走向“普及”与“量产”，但在量化私募领域，“多数机构尚未将其作为成熟的投研工具，投入到策略迭代与生产之中”。另外，头部机构与中小机构之间，技术“代差”正在显现——头部机构不仅自建算力基础设施，还开始向外溢出技术能力，如幻方推出DeepSeek、九坤开源IQuest-Coder；而中小机构受限于成本或人力，多处于观望或轻量试用阶段。
上海某量化私募投资经理李锐（化名）向中国证券报记者坦言：“我们公司去年就开始尝试用Agent辅助数据清洗和研报总结，但离真正的数字工厂还有相当距离。”他说，“高效打通每个工作流程，也不是一朝一夕之功。”
而在百亿级量化私募念空科技创始人王啸看来，今年以来已经有部分量化私募开始从AI模型探索转向Agent规模化落地，其中的重点可能在于自主执行与多智能体协作，但目前整体进展还处于初期阶段。
技术、成本与增效的三重考问
AI Agent落地过程中，技术难点与成本是绕不开的议题。其中，“大模型幻觉”这一通用AI的顽疾，在金融投研领域同样被视为风险所在。魏铭三的看法是：“幻觉本质是工程问题而非模型问题”。蝶威量化的解法是通过架构设计将风险降到极低水平——设计分析、研究、代码、评判、基金经理五类Agent角色，形成“辩论式”协同机制，同时调用多个厂商的多模型并行发散、交叉验证，而非寄希望于单一模型的完美输出。
相比之下，鸣石基金采取了更审慎的姿态。其负责人介绍：“Agent在实际运行时，大模型幻觉的存在会对置信度有一定影响，我们在最核心的投研上坚持既有投研方式，其他使用Agent的辅助环节也不会直接采用Agent输出的结果，而是会进行人工复核，以确保投研结果的准确性。”
郭新宇则提示了更深层的技术风险：Agent间的“协同幻觉”可能相互放大错误，多个智能体在复杂任务链中可能缺乏有效的验证机制加以制衡；同时，量化投研对数据质量与策略逻辑的严谨性要求极高，Agent在数据清洗环节可能引入不易察觉的偏差。
面对这一质疑，蝶威量化给出了自己的解法。魏铭三说：“在工作流程上，我们首先要保证喂给AI各种类型的基础数据要100%准确；同时从我们的工程化要求来看，首先要保证前一个设计好的工作流程要接近完美，才能开始下一个环节。”
在成本结构上，不同体量的机构给出了差异化的账本。魏铭三透露，近一年时间，蝶威量化自研Agent的显性成本主要是推理token（词元）消耗与本地推理模型部署，前期硬件加token投入接近百万量级，“更核心的是团队时间成本”。后续，公司会部署开源模型用于实验测试和数据预处理，以降低日常运营成本。
他同时表示，以往的传统量化投研模式高度依赖资深研究员的时间投入，而Agent系统以一次性研发投入替代了持续性人力成本，后续边际成本主要是算力和token消耗，而且会随开源模型能力提升而持续下降。
鸣石基金相关负责人也从另一角度分析，对具备成熟投研架构、AI人才实力、大规模算力集群的机构而言，全方位的投研基础和人才实力并不会使得自研Agent有很大投入，后期运营成本与迭代成本则更低。
“成本与增效其实是一个规模效应问题。”位小康表示，若当前的token成本不变，较小的团队或问题规模下，AI Agent的引入可能更多站在降本的角度——通过Agent进行数据运维、数据清洗、研报总结、中台报表生产等中后台工作；而在应用AI Agent更加规模化的公司，“增效”是其核心追求目标。
这一分化也投射到行业竞争格局中。多位受访者均提及，头部与中小机构的“代差”正在拉大。李锐坦言，中小机构往往是小团队作战模式，短期看不到AI应用的产出比，更多还是试水，“在资源协调、人机协同等如何深入到投研的各个方面，我们还处在摸索、追赶阶段”。
从“人机协同”到“范式重构”
随着AI Agent在行业内的逐步渗透，相关技术革新正在重塑量化私募的人才需求、投研效率乃至竞争逻辑。
“基础研究员岗位需求明显减少，但两类人才需求更强。”魏铭三直言，一是具备深厚金融认知的资深研究员，能对Agent的产出进行专业评判；二是深度掌握AI工具的复合型人才，能与Agent系统高效协作。鸣石基金相关负责人也观察到，AI Agent的使用使得投研效率得到极大提升，创新研究成果产出开始加速；随着应用程度加深，投研人员熟练使用Agent相关工具，成为人才考核的重要基础能力之一，传统研究员的工作内容正从“以编码为中心”转向“以编排和测试为中心”。
效率提升的数据颇具说服力。除蝶威量化的“Agent7天 Vs 人工180天”外，中国证券报记者在调研采访中还获得另一组对比数据：上海一家量化私募创始人透露，以往公司一个高水平的因子研究员，每周只能挖掘出一到两个高质量因子，而目前研究员使用Agent已实现产能翻倍，即每周可以挖掘出4个符合入库标准的因子。
在效率的跃升之外，这一轮技术变革对竞争壁垒的重构同样备受行业关注。位小康认为，研究员之前需要花大量时间精力在数据清洗等非策略核心开发上，或者公司有大量开发人员进行策略支持，现在大量的“Vibe Coding”（开发者通过自然语言向AI描述功能需求）能够构建更轻量化的开发团队，使得资源更多地向策略开发倾斜，从这个角度上说，量化的人才与算力壁垒正在被重新定义。
展望未来两到三年，多数业内人士对AI Agent在私募投研中的演进方向形成了较为一致的判断——人机协同将成为主流，而非“全自动无人投研”。王啸认为，很大概率会走向深度的“人机协同”常态化模式；位小康的观点更为细致：偏基本面方向的策略可以走向“全自动无人投研”，但侧重多因子体系的量化团队仍然以“人机协同”为主。
作为第三方机构人士，郭新宇判断：“最成功的量化机构可能是那些能够将顶尖的AI基建与自身深厚的数据资产、组合管理能力、风险控制体系深度绑定的机构。”
在主观投资领域，同样有头部机构对这一技术浪潮给出了前瞻判断。2025年底，千亿级主观私募景林资产总经理高云程在新年展望中曾表示：“2026年很可能是AI Agent真正普及的元年。”他同时表示，在这场技术浪潮中，能否获得“AI船票”将关乎企业未来是否被边缘化。
当AI Agent从“辅助工具”向“核心生产力”跃迁，量化投研的边界正在被持续拓展。正如魏铭三在分享会上所言：“这场变革的核心，是投研从‘手工作坊式’推进，转向具备自动驾驶式的连续性、系统性和规模化能力。”这场变革，可能才刚刚开始。
“AI已从语言助手进化为拥有顶级推理能力的超强大脑。现在的核心问题是，如何让这颗大脑走出对话框，真正走进投研生产线。”魏铭三表示。
当AI Agent从概念宣发走向投研生产线，量化私募行业的最新进展究竟到了哪一步？这是少数人的先锋试验，还是正在成为行业的标配？在这场“投研自动驾驶”的竞赛中，技术落地究竟面临哪些挑战？就此，中国证券报记者走访了多家量化私募机构及第三方研究机构。
“数字工厂”或是“先锋试验”
蝶威量化是目前行业内将AI Agent深度嵌入投研全链条的代表性机构之一。在前述技术分享会上，魏铭三介绍，其自研的垂直Agent系统已覆盖从券商研报因子提取、因子优化裂变、代码生成与回测执行，到绩效评判与入库决策的全流程，形成闭环式“数字投研工厂”，并已实现7×24小时不间断运转。
在技术路线上，蝶威量化选择了从底层自研，而非采用OpenClaw、LangChain等开源框架。“开源框架更像一辆‘大型SUV’——功能全面，却无法在专业场景做到极致。”魏铭三表示，量化投研有私有数据体系、专用算子库及严苛的工程化要求，通用框架难以满足。其团队从2025年起从底层构建投研专用Agent框架，目前已搭建46个算子库、6400余个底层特征。
并非所有量化私募都采取了同样的激进路线。老牌百亿级量化私募鸣石基金相关负责人告诉中国证券报记者，目前公司对AI Agent的使用主要集中在AI编程环节，用于辅助投研人员处理基础编程工作，在因子挖掘等核心投研环节仍以既有方式为主，对Agent的应用是尝试性的。“我们认为，量化投研环境有其研发特殊性、数据敏感性和信息保密隔离等实际情形，我们会坚持在核心投研上使用既有方式。”
波克量化私募基金经理位小康认为，量化行业整体正从“简单接入”逐步转向“深入部署”。他告诉中国证券报记者，目前量化私募对于AI Agent正处在全力加大投入阶段，“相比前两年可能仅停留在基础的代码审查、数据运维等方向，AI Agent已经深入到了投研的各个方面来提升效率”。
好买基金研究中心研究员郭新宇从第三方视角给出判断。他认为，2026年AI Agent正从昔日的“炫技”走向“普及”与“量产”，但在量化私募领域，“多数机构尚未将其作为成熟的投研工具，投入到策略迭代与生产之中”。另外，头部机构与中小机构之间，技术“代差”正在显现——头部机构不仅自建算力基础设施，还开始向外溢出技术能力，如幻方推出DeepSeek、九坤开源IQuest-Coder；而中小机构受限于成本或人力，多处于观望或轻量试用阶段。
上海某量化私募投资经理李锐（化名）向中国证券报记者坦言：“我们公司去年就开始尝试用Agent辅助数据清洗和研报总结，但离真正的数字工厂还有相当距离。”他说，“高效打通每个工作流程，也不是一朝一夕之功。”
而在百亿级量化私募念空科技创始人王啸看来，今年以来已经有部分量化私募开始从AI模型探索转向Agent规模化落地，其中的重点可能在于自主执行与多智能体协作，但目前整体进展还处于初期阶段。
技术、成本与增效的三重考问
AI Agent落地过程中，技术难点与成本是绕不开的议题。其中，“大模型幻觉”这一通用AI的顽疾，在金融投研领域同样被视为风险所在。魏铭三的看法是：“幻觉本质是工程问题而非模型问题”。蝶威量化的解法是通过架构设计将风险降到极低水平——设计分析、研究、代码、评判、基金经理五类Agent角色，形成“辩论式”协同机制，同时调用多个厂商的多模型并行发散、交叉验证，而非寄希望于单一模型的完美输出。
相比之下，鸣石基金采取了更审慎的姿态。其负责人介绍：“Agent在实际运行时，大模型幻觉的存在会对置信度有一定影响，我们在最核心的投研上坚持既有投研方式，其他使用Agent的辅助环节也不会直接采用Agent输出的结果，而是会进行人工复核，以确保投研结果的准确性。”
郭新宇则提示了更深层的技术风险：Agent间的“协同幻觉”可能相互放大错误，多个智能体在复杂任务链中可能缺乏有效的验证机制加以制衡；同时，量化投研对数据质量与策略逻辑的严谨性要求极高，Agent在数据清洗环节可能引入不易察觉的偏差。
面对这一质疑，蝶威量化给出了自己的解法。魏铭三说：“在工作流程上，我们首先要保证喂给AI各种类型的基础数据要100%准确；同时从我们的工程化要求来看，首先要保证前一个设计好的工作流程要接近完美，才能开始下一个环节。”
在成本结构上，不同体量的机构给出了差异化的账本。魏铭三透露，近一年时间，蝶威量化自研Agent的显性成本主要是推理token（词元）消耗与本地推理模型部署，前期硬件加token投入接近百万量级，“更核心的是团队时间成本”。后续，公司会部署开源模型用于实验测试和数据预处理，以降低日常运营成本。
他同时表示，以往的传统量化投研模式高度依赖资深研究员的时间投入，而Agent系统以一次性研发投入替代了持续性人力成本，后续边际成本主要是算力和token消耗，而且会随开源模型能力提升而持续下降。
鸣石基金相关负责人也从另一角度分析，对具备成熟投研架构、AI人才实力、大规模算力集群的机构而言，全方位的投研基础和人才实力并不会使得自研Agent有很大投入，后期运营成本与迭代成本则更低。
“成本与增效其实是一个规模效应问题。”位小康表示，若当前的token成本不变，较小的团队或问题规模下，AI Agent的引入可能更多站在降本的角度——通过Agent进行数据运维、数据清洗、研报总结、中台报表生产等中后台工作；而在应用AI Agent更加规模化的公司，“增效”是其核心追求目标。
这一分化也投射到行业竞争格局中。多位受访者均提及，头部与中小机构的“代差”正在拉大。李锐坦言，中小机构往往是小团队作战模式，短期看不到AI应用的产出比，更多还是试水，“在资源协调、人机协同等如何深入到投研的各个方面，我们还处在摸索、追赶阶段”。
从“人机协同”到“范式重构”
随着AI Agent在行业内的逐步渗透，相关技术革新正在重塑量化私募的人才需求、投研效率乃至竞争逻辑。
“基础研究员岗位需求明显减少，但两类人才需求更强。”魏铭三直言，一是具备深厚金融认知的资深研究员，能对Agent的产出进行专业评判；二是深度掌握AI工具的复合型人才，能与Agent系统高效协作。鸣石基金相关负责人也观察到，AI Agent的使用使得投研效率得到极大提升，创新研究成果产出开始加速；随着应用程度加深，投研人员熟练使用Agent相关工具，成为人才考核的重要基础能力之一，传统研究员的工作内容正从“以编码为中心”转向“以编排和测试为中心”。
效率提升的数据颇具说服力。除蝶威量化的“Agent7天 Vs 人工180天”外，中国证券报记者在调研采访中还获得另一组对比数据：上海一家量化私募创始人透露，以往公司一个高水平的因子研究员，每周只能挖掘出一到两个高质量因子，而目前研究员使用Agent已实现产能翻倍，即每周可以挖掘出4个符合入库标准的因子。
在效率的跃升之外，这一轮技术变革对竞争壁垒的重构同样备受行业关注。位小康认为，研究员之前需要花大量时间精力在数据清洗等非策略核心开发上，或者公司有大量开发人员进行策略支持，现在大量的“Vibe Coding”（开发者通过自然语言向AI描述功能需求）能够构建更轻量化的开发团队，使得资源更多地向策略开发倾斜，从这个角度上说，量化的人才与算力壁垒正在被重新定义。
展望未来两到三年，多数业内人士对AI Agent在私募投研中的演进方向形成了较为一致的判断——人机协同将成为主流，而非“全自动无人投研”。王啸认为，很大概率会走向深度的“人机协同”常态化模式；位小康的观点更为细致：偏基本面方向的策略可以走向“全自动无人投研”，但侧重多因子体系的量化团队仍然以“人机协同”为主。
作为第三方机构人士，郭新宇判断：“最成功的量化机构可能是那些能够将顶尖的AI基建与自身深厚的数据资产、组合管理能力、风险控制体系深度绑定的机构。”
在主观投资领域，同样有头部机构对这一技术浪潮给出了前瞻判断。2025年底，千亿级主观私募景林资产总经理高云程在新年展望中曾表示：“2026年很可能是AI Agent真正普及的元年。”他同时表示，在这场技术浪潮中，能否获得“AI船票”将关乎企业未来是否被边缘化。
当AI Agent从“辅助工具”向“核心生产力”跃迁，量化投研的边界正在被持续拓展。正如魏铭三在分享会上所言：“这场变革的核心，是投研从‘手工作坊式’推进，转向具备自动驾驶式的连续性、系统性和规模化能力。”这场变革，可能才刚刚开始。