如果您是因为标题点进来的，请原谅我表现的有一些标题党。但这也是我的结论：在过去不到一个月里，我尝试通过四个版本的类“Deep Research”（OpenAI、Gemini、Perplexity、Grok-3）生成了不下100篇“深度研究”，当我确信优秀分析师的价值反而因为这类应用的普及而变得更大时，也生出了另一种担心，这类应用，其实是用来“摧毁”投研体系的。
其实这个结论，在我脑子里已经存在了一段时间了，但是没有一个好的切入点去更直观的讨论这个问题，直到今天。
事情是这样，我刷到了下面一篇文章，关于万维钢使用“Deep Research”的经验的。
这里用到了Deep Research
万维钢，公众号：罗辑思维
DeepSeek+华为，能不能超越英伟达和Open AI？
但是，当我看到文章里提到的下面这张由OpenAI的Deep Research生成的表格时，我一眼看去，就觉得有一些错误。
于是，我把这张图发给了小伙伴们，他们的反应速度让我很惊喜。
这个例子不是去批评“得到”或者万维钢，他毕竟不是在一线的分析师，行业里很细节的东西是不具备“一眼看上去不太对”的辨别能力的，但是不做事实核查就全盘接受，他接受一点点质疑也并不太冤。
恰恰就是这种快速辨别能力的差别，Deep Research这样的产品，很长时间里都取代不了优秀的分析师，因为这已经几乎成为他们的一种本能反应并通过“系统1”快速的输出出来。
但是，Deep Research可以成为优秀分析师非常高效的助手，如果使用得当的话。
这是第一个方面。
如果细看上面例子中潜在错误的话，如果对Deep Research的结果进行事实核查，我几乎可以肯定能够在它给出的信息来源里找到这些数字和表述。OpenAI刚发布了Deep Research的系统卡，我总结如下：
其中，一个非常重要的点，就是超低的幻觉率：0.13（一个插曲，模型在帮我生成这一页slide时，使用的是13%，因为我已经看过报告原文了，所以我知道这是一个错误的数字，也知道这并非模型的“幻觉”，所以我告诉模型不要看作是百分比，修改一下，它改成了0.13%，这跟我第一感觉是一样的，但是我又回去看了一下原文报告，OpenAI只说是一种指标，没有单位，所以，我又告诉模型，只输出数字就好，0.13）。
是的，在我过去事实核查的几十篇OpenAI Deep Research生成报告里的每一个数字时，我没有发现一例“幻觉”，与Perplexity和Grok-3有着明显的区别。
但是，没有幻觉不代表数字就是正确的：模型如实获取了信息来源里的数字，但信息来源里的数字可能本来就是错的。上面的例子就更可能是这种情况。
当然，行业里公开发“新发新能源车”的参数数据，十个数字里错三四个以上，也很普遍。
事实核查的意识和能力，因人而异。只是，Deep Research这类工具会快速普及，它们只会让本就没有意识和能力的“分析师”彻底地丧失这项最重要最基础的能力而已。
所以，回到标题，我还是“标题党”了，因为“分析师”的“错误和幻觉”甚至远高于模型，“垃圾信息”已经充斥着整个市场，只是现在污染了模型的信息源，再通过回旋镖打回来而已。
“粗制滥造”是一个原因。
另一个重要原因是，越来越方便的工具，等于极大的抹平了“信息差”，Deep Research的产出类似于某种“共识”，在有效市场里不再提供任何增量信息。
于是，真正有价值的信息，也许只会存在于少数人的大脑中，或者个人的“私有知识库”里，而越来越少的会流入到“系统”之中，因为，在未来可见的很长一段时间里，外部工具都将会比内部工具更好用。
投研体系，如果说的是某个具体的人，应该还会存在，如果说的是一个组织，那我就不太乐观了。不是越来越好的AI，而是我们自己的所作所为，早就把它的根基摧毁了。