JAR综述：生成式AI重塑资本市场信息链
来自马里兰大学的 Sean Shun Cao、香港科技大学的 Wilbur Xinyuan Chen、罗格斯大学的 Guang Ma，以及哈佛商学院的 Suraj Srinivasan 四位学者，在会计学顶尖期刊Journal of Accounting Research（FT50、UTD24）上发表了最新综述论文《Generative AI in Capital Markets: Information Production, Dissemination, and Processing》（资本市场中的生成式人工智能：信息的生产、传播与处理），聚焦当下金融领域最前沿、讨论最热的话题：生成式AI究竟怎样重塑资本市场的信息生态。
这篇文章系统梳理了2025年该期刊年会上展示的六篇前沿实证研究，并搭建起一个涵盖“信息生产（公司与会计师）、信息传播（中介机构）和信息处理（投资者）”的三层经济学分析框架，深入解析生成式AI扩散后，资本市场各类参与者在成本、收益与行为选择上的深层变化。
研究指出了一个非常关键的规律：生成式AI能够明显压低企业披露准备成本、提升中介生产效率、减少投资者的信息处理摩擦，但信息验证成本始终是贯穿始末的核心约束；只要一次有效的AI输出核验与治理机制真正落地，就能显著降低披露失真和市场误判的风险。
这并不是因为AI技术本身有绝对高低之分，而是组织内部的激励设计、使用者的核验能力以及外部治理水平，共同决定了AI究竟创造价值还是放大风险。当同行借助AI实现效率跃升、合规透明，而违规使用AI者短期获利却长期受压时，个体与机构的信任、判断和决策，也会在效率与风险的对照中发生明显变化。
引言
文章开头指出，2022年底ChatGPT的发布是一个标志性的技术拐点。此前的人工智能更多只能依照预设规则完成重复性工作，而生成式AI（GenAI）与大型语言模型（LLMs）已经具备生成新内容、模拟人类判断的能力。这对会计与资本市场而言无疑是一次深刻冲击：它改变了信息生产、解读与验证的成本结构。
本章提出了文章需要回答的三个核心问题：
这项新技术究竟带来了哪些效率增益？
同时又引发了哪些关键的“权衡”（Trade-offs，即利弊博弈）？
GenAI会怎样改写金融信息的生产、传播与消费过程？
为了回应这些问题，作者构建了一个“三层框架”：信息生产（公司和会计师）、信息传播（分析师和媒体等中介）、信息消费/处理（投资者）。
经济学框架
1. 公司和会计专业人士的“信息生产”
第一层聚焦的是财务报告和内部数据的生产者，也就是公司管理者与会计师。企业在决定是否披露信息时，始终要在“提升公司价值的收益”与“披露所带来的成本和风险”之间做取舍。AI从三个方面改变了这种平衡。
信息效率：AI可以帮助企业更快处理非结构化数据，缩短从交易发生到形成财报的时间，并降低“准备成本”（时间与人力）。由于财报起草工作能够部分自动化，会计师的生产效率也随之提高。
成本与动机问题：AI也会带来新的隐忧。首先是“专有成本”（例如竞争对手可以借助AI更容易从你的财报中挖出商业信息）；其次是使用第三方AI时存在数据泄露风险。此外，AI还可能被用来“战略性模糊”——虽然它能把文字写得更加流畅（看起来更易读），但管理者也可能借此生成表面完美、实则空洞、避重就轻的“机器优化文本”，让投资者更难看清真实情况。
可信度与风险：AI会使“核查成本”变得更加复杂。AI很容易出现“幻觉”（一本正经地编造错误内容）。如果企业内部把关不严，导致AI参与撰写的财报出现事实性错误或遗漏，就会显著抬高企业的诉讼风险。
2. 中介机构的“信息传播”
第二层关注的是连接公司与投资者的中介力量，例如金融分析师、财经媒体和投资论坛。由于信息收集与解读对普通投资者来说成本过高，中介存在的目的，就是帮助大家分担这部分成本。
生产力、覆盖率与“量质权衡”：AI显著降低了撰写分析报告的门槛。分析师因此可以覆盖更多此前无人关注的“冷门小公司”，从而扩大覆盖范围。但这也带来了“质量与数量之间的权衡”：门槛降低之后，市场上可能出现大量低技能者借助AI批量生产的低质量、同质化内容。
互补还是替代：AI到底是夺走人类饭碗，还是帮助人类提升效率？关键取决于任务类型。如果只是做简单的信息整理，AI更像替代品；如果任务需要深层行业理解、实地调研和人际沟通，AI则更像互补工具，能够释放分析师时间，让他们把精力放在更高价值的工作上。
3. 投资者的“信息处理”
第三层关注信息的最终消费者，也就是投资者。投资者处理信息通常要经历发现、获取和整合三个环节，这一过程非常消耗精力与时间。
降低处理成本：AI可以帮助投资者实时跟踪市场、概括复杂公告，甚至把冗长内容转化为交易信号。这使原本处于信息弱势的散户，也有机会获得接近专业机构的信息处理能力，从而缩小不同群体之间的差距。
验证摩擦：虽然AI降低了信息获取门槛，却也引出了新的问题——你必须验证AI说得对不对。这会形成一种新的不平等（AI鸿沟）：未来市场上的赢家，未必是那些“能拿到信息的人”，而更可能是那些“懂得如何写好提示词、能够交叉验证AI结果、识别AI错误的人”。
信息生产
本章借助两项最新实证研究，验证了框架中的第一层，也就是“信息生产”。
1. GenAI在监管文件准备中的应用
研究内容：该研究借助AI检测工具GPTZero，分析企业公开财务文件中AI生成内容的占比。
核心发现：到2024年，越来越多公司开始在财报撰写中使用AI，其中资源较少的小公司使用频率最高，这印证了AI确实降低了“准备成本”。被AI修改过的财报通常更短、更易读，语气也更积极。
存在问题：文字更顺畅并不等于内容更可靠。这正好呼应了前文提到的“诉讼风险”和“核查成本”。同时，这也引发了一场猫鼠博弈：AI写得越来越像人，而监管机构识别它的难度也越来越大。
2. GenAI对会计师信息生产的影响
研究内容：这项研究直接进入会计师的日常工作，通过调查、模型与实地实验，观察AI如何影响记账和内部报告流程。
核心发现：使用AI的会计师，接单量提高了55%，计费时间增加了21%。他们把原本耗在常规记账上的时间，转移到更高层次的客户沟通与质量控制上。此外，企业月末结账速度快了7.5天，账簿颗粒度也变得更细。
结论：这说明AI与人类更像是“互补关系”。有经验的会计师不会盲目依赖AI，而是会根据AI给出的“置信度评分”决定何时需要人工介入复核。
3. 未来关于信息生产的研究方向
未来学者可以进一步研究：AI撰写的财报是否真的能够提升股票流动性，或者降低融资成本？如果竞争对手用AI挖掘你的商业秘密，公司会如何应对？我们又该怎样设计更有效的指标，识别那些由AI生成的“废话文学”（表面通顺却缺乏实质内容）？
[1] Blankespoor, E., E. DeHaan, and Q. Li. “Generative AI in Financial Reporting.”Journal of Accounting Research64 (2026).
[2] Choi, J. H., and C. Xie. “Human + AI in Accounting: Early Evidence from the Field.”Journal of Accounting Research64 (2026).
信息传播
1. 资本市场信息中介对GenAI的使用
研究内容：该研究考察了全球知名投资平台Seeking Alpha（类似雪球）上分析师使用AI的情况。该平台曾在一段时间内允许AI写作，后来又对其进行了限制。
核心发现：引入AI后，平台上的分析文章数量迅速增加，许多原本无人问津的冷门公司也开始出现研报。但由AI生成的文章引发的股价反应更弱，文本特征也显示其深度不足。
结论：这很好地体现了“数量与质量之间的权衡”。AI降低了门槛，导致入门级用户批量产出大量低质量内容（替代效应）；但对资深分析师而言，AI反而成为辅助工具，帮助他们写出更高质量的文章（互补效应）。如果大家都依赖同一套AI模型，还可能让市场观点变得高度同质化，反而不利于价格发现。
2. 未来关于信息中介的研究方向
未来研究需要继续区分：投资者对AI研报反应冷淡，到底是因为文章本身质量不高，还是因为市场对AI天然缺乏信任？如果全网分析师都在用ChatGPT，会不会产生“相关性模型风险”（大家的观点同时偏离，进而引发剧烈波动）？
[1]Bradshaw, M. T., C. Ma, B. P. Yost, and Y. Zou. “Generative AI Use by Capital Market Information Intermediaries: Evidence from Seeking Alpha.”Journal of Accounting Research64(2026).
信息处理
1. 投资者如何使用GenAI消费信息
研究内容：通过分析一个中文GenAI平台上170万条与股票相关的用户提问（Prompt），研究者得以观察散户如何使用AI。
核心发现：大多数投资者（77.6%）并不是把AI用于“检索”信息，而是用来“整合和解读”信息。换句话说，散户已经把AI当成一个“随时在线的私人分析师”。而且，如果某家公司披露的信息越模糊，投资者对这家公司的AI查询量就越高（这也提醒公司：你不讲清楚，投资者就会去问AI）。
结论：AI在扩大能力差距。输出质量在很大程度上取决于用户的提问技巧和金融知识。
2. 投资者使用GenAI对市场后果的影响
研究内容：该研究检验AI是否真的推动了“金融民主化”。作者比较了ChatGPT发布前后，散户与专业做空机构的交易行为变化。
核心发现：在ChatGPT出现之前，只有专业做空机构能够及时跟上复杂的市场情绪信号；ChatGPT出现之后，散户借助AI降低了认知门槛，他们的交易方向开始与AI情绪信号高度一致，使散户的交易表现有所改善，而做空机构的利润则受到压缩。
结论：高端玩家（做空机构）发现原有的信息优势被削弱后，不得不退出这些信号，转而寻找更深层、更难获取的新优势。这表明AI确实在某些层面缩小了信息不平等。
3. 未来关于信息处理的研究方向
未来可以继续研究：如果投资者过度依赖AI，会不会反过来削弱金融素养？当散户也拥有AI工具时，华尔街顶级对冲基金又会把战场转向哪些新的技术前沿，以维持自身优势？
相关文献：
[1]Ecker, F., X. Li, Y. Li, and F. Wu. “How Stock Market Participants Use Generative Artificial Intelligence: Evidence from User–Platform Interaction Data.”Journal of Accounting Research64 (2026).
[2] Chang, A., X. Dong, X. Martin, and C. Zhou. “AI (ChatGPT) Democratization and Trading Inequality.”Journal of Accounting Research64 (2026).
AI模型局限性与验证摩擦
本章跳出三层框架，专门强调当前AI技术的几项硬伤，而这些问题对三个层级都可能产生致命影响。
数值推理能力弱：虽然AI写作能力很强，但早期语言模型在进行多步财务报表计算时常常错误频出（尽管最新模型通过调用外部工具后，已经有所改善）。
前瞻性偏差：这是最棘手的问题。有时研究人员会觉得AI预测股市特别准，其实只是因为它在预训练阶段已经“记住”了历史股票数据。只要稍微改动历史输入，AI的“预测神话”就会立刻失效。
幻觉：AI会非常自信地编造事实。
启示：正因为这些局限始终存在，“核查/验证”才成为AI时代最核心的问题。对于学术研究者来说，绝不能把AI当成黑盒预测器，必须严格设置时间截断点，或者仅把AI作为文本提取工具，而不是直接让它做预测。
相关文献：
[1]Levy, B. “Caution Ahead: Numerical Reasoning and Look-Ahead Bias in AI Models.”Journal of Accounting Research64 (2026).
结论
文章最终归纳出四个核心观点：
目前已有证据主要集中在AI如何“降本增效”，而关于AI引发侵权诉讼、专有数据泄露等负面后果的研究仍然较少。
现有研究大多只观察单一层级，较少考察层级之间的互动。比如，如果公司知道散户正在用AI阅读财报，它在财报措辞和表达方式上也可能随之调整。
“核查与验证”这一难题贯穿整个框架始终。
AI究竟是在缩小贫富差距，还是在扩大阶层鸿沟？目前尚无定论，关键取决于“信息处理成本下降”和“验证门槛上升”这两股力量谁更占上风。
附录
文章最后附上了一张非常清晰的总结表，将6篇论文与前文理论框架一一对应，同时也列出了各自未来仍待回答的研究问题。
参考文献
Cao, S. S., Chen, W. X., & Srinivasan, S. (2026). Generative AI in capital markets: Information production, dissemination, and processing.Journal of Accounting Research.
Reading List