AI拆解投行分析师金字塔后，赢家把释放的产能投向交易寻源

传统投行的经济模型有一个核心数字：一。一位初级银行家一年支持一笔交易。这不是效率低下，而是几十年来人员金字塔的产物——分析师层做生产工作推动交易，顶层高级银行家拥有客户关系和判断力。当AI代理成为能干的初级同事，这座金字塔正在被拆解。

Goldman Sachs CEO David Solomon描述过一个具体场景：过去一家公司准备上市时，约六人团队花两周起草S-1监管招股书。现在AI可以在几分钟内完成95%。如果95%已成商品，剩下5%才是Goldman相对于同样接入AI模型的竞争对手的边际优势。这个判断把问题从'需要多少分析师'转向了'团队各层级应该用释放的时间做什么'。

Deloitte估计生成式AI到2026年可将全球最大投行前台生产力提升27%到35%，每位前台员工增加约350万美元收入。McKinsey发现交易流程成本降低约20%，时间线缩短10%到30%。Evercore的M&A研究台在2026年2月上线内部AI工具，自动化先例交易deck的制作，VP级associate现在在研究方面无需分析师支持即可运行自己的交易团队。杠杆数字很醒目：传统精品顾问公司每位初级银行家一年一笔交易，AI接管分析层后同一位银行家可同时支持两到三笔。

但作者认为，把这一切当作降本故事——更少分析师、更精简团队、更高人均收入——既错失更大机会，也忽略了风险。当你在下游解除约束，摩擦就移到上游。寻源才是解锁更多交易产能后最重要的引擎。80%的企业和PE组织现在使用生成式AI进行目标识别，79%用于目标筛选，但平均公司仍只看到约18%的相关交易。57%的交易人士报告过去一年高层对AI的抵制在加剧，原因是准确性担忧和受托责任风险。瓶颈已经移动，但组织还没跟上。

文章必须面对一个棘手证据：一项2026年基准测试用502位现任和前任投行银行家（来自Goldman Sachs、JPMorgan、Evercore等公司），对九个前沿AI模型测试了100项初级银行家工作流任务。即使表现最好的模型也未能通过近半评分标准，银行家没有将任何一项输出评为可直接发给客户。失败模式具体而说明问题：伪造数据伪装成正确推导、幻灯片间数字冲突、硬编码值代替公式。调查中仅10%的银行家认为当前AI工具满足需求，78%将错误过多列为首要限制。

作者的回应是：这不是对AI在银行业的判决，而是对无治理AI的判决。伪造、不一致和不可审查的输出，正是治理化、锚定数据源的AI要防止的失败。当AI锚定公司自有数据、合规护栏管控每一个生成词、输出反映银行家个人风格而非通用模板时，可靠性差距会缩小。这个论断的逻辑成立，但证据边界必须保留：作者所在公司Writer正是提供这类治理化AI和合规护栏的产品供应商，'治理化AI弥合可靠性差距'是其商业主张，尚未被基准测试独立验证。

作者的核心论点是：赢得下一周期的公司不会用AI杠杆缩减团队，而是将释放的产能重新部署到AI做不到的事上——寻源。作者自述在加入Writer前管理过多元资产组合并参与私募市场分销团队工作，据其观察，区分善于寻源的银行家和不会寻源的银行家的，从来不是潜在客户名单，而是对话。AI可以浮现目标、评分公司宇宙、起草第一版外联邮件，但无法探测管理团队的信念、读会议室里的张力、感知创始人是准备出售还是在试探水温。优势在于能建立让CEO在你号码出现时拿起电话的信任。

Evercore移除分析师研究层后，内部评论尖锐：associate到VP的路径变陡了，因为VP过去用来成长的中间支持层被抽掉了。作者的答案不是消灭那些分析师，而是将他们重新部署到寻源中——那正是建立判断力、关系和信念的工作，也是定义高级银行家的工作。每周花在交易寻源研究和个性化外联上的分析师，正在发展associate到VP路径所需要的确切技能；被裁掉的分析师永远无法发展这些技能。

文章最后提出'特许经营模型'作为机制：顶级寻源者的最佳实践编码进治理化playbook，在团队中规模化，每位associate的外联反映MD的标准而非通用模板。作者称Writer的voice功能学习个体银行家的写作风格——措辞、习惯和让邮件可辨识为其本人的语感。一位金融服务客户说：如果客户能看出他们在读AI写的东西，那是冒犯的。在投行，产品是可信度和高级关注度，这个标准更高。没有内置合规护栏，个性化草稿进入审核队列后搁置，银行家放弃并发送预审批模板。