Artem Fokin：用 AI 和专家访谈持续进化

摘要

• Fokin 认为，专家访谈库和 AI 是改变投资研究最深的2项颠覆性创新，而不只是渐进式流程改进。 Walker 对比了独立投资者与机构的资源差距：后者可以按每通约$1,000的价格委托20通访谈，并调动大规模分析师团队。Fokin 认为，专家访谈库压低了访谈成本，把纯变动成本模式转变为半固定、半变动成本模式；AI 则压缩了摘要整理工作。新出现的优势属于「人+机器」（“human plus machine”），而不是单独依赖任何一方。

• 专家访谈应当瞄准投资论点中承重的那条假设。 如果论点建立在产品优势之上，就去访谈现有用户、从竞品切换过来的客户、评估后放弃的买家，以及从未考虑过该产品的人；如果问题在于分销，就去找前销售人员，重构销售流程。Fokin 有句看似简单、实则关键的提醒：「销售不会自动发生。」

• 最好的专家研究不是制造共识，而是把分歧挖出来。 Walker 举过一个医疗器械案例：报告显示新产品缺陷率为1%，老产品为10%，但外科医生指出，对比采用的是几十年前的研究，且忽略了此后手术技术的改进。Fokin 询问医生对 Sofwave 几乎10项 FDA 许可的看法时，也听到从出于责任风险考量的积极评价，到「我其实不在乎」的各种反应：「没有什么是确定的。不同的人有不同看法，这没问题。」

• 前员工是有用的证人，但其证词必须放回语境、交叉验证，并通过持续追问来检验。 Fokin 会问被裁员工，如果公司邀请他们回去是否愿意，以及是否会推荐家人加入；随后再用产品质量、客户热情、管理层表态和其他访谈来核对他们的说法。投资研究很少能达到「排除合理怀疑」的标准，现实可行的标准是「优势证据」。

• 业务越复杂，研究量越重要，但只有有纪律的筛选和整理，数量才能转化为洞察。 Fokin 曾针对 IWG 做了5通定制访谈，却仍觉得自己没有真正搞懂，于是又读了约70通 IWG 和 WeWork 访谈；如今可用的访谈库已接近100通。在 Crocs 上，历史访谈帮助他区分出：它究竟只是 COVID 的短期受益者，还是在 COVID 前就已搭建好商业基础、而当时股价仅约为2022年盈利的5.5–6倍。

• Fokin 目前愿意给 AI 在「挖掘」环节投一票、在「分析」环节投半票，但在「决策」环节不给任何权限。 截至8月6日，他找到了很多压缩既有工作的方式，却还没找到一项过去根本做不到、如今由 AI 带来的有意义任务。比如，询问一家公司如何从10个州扩张出去，现在几秒内就能得到带历史背景和来源的答案，不必再手动翻找申报文件；Walker 提到的3份委托书激励薪酬对比，也是类似的时间压缩案例。

• AlphaSense 的 Grid 和 Deep Research 工作流，能把海量文件变成可导航的研究地图，但不会取代一手材料阅读。 Grid 可以把20通专家访谈放到最多12个重复问题下进行横向对照，暴露共识、红旗以及值得通读的访谈；Deep Research 则能把一份5页提示词转化为有来源支撑的30–40页研究底稿，在读申报文件和访谈前「先准备好思维框架」。Fokin 认为，自己对 AlphaSense 新功能的了解有「90%甚至可能95%」来自与客户经理的反复交流，产品经理则提供了另一类用例和反馈来源。

精读

1. 专家访谈库与 AI 改变了研究的经济账

• Walker 的出发点是机构与独立投资者之间的资源鸿沟：McKinsey 或 Bain Capital 可以按每通约$1,000的价格委托20通访谈，再由15名分析师通读相关资料；单人投资者做不到。专家访谈库和 AI 同时缩小了这两项劣势。

• Fokin 的修正非常明确：这不是普通的「流程改进」，而是「颠覆性创新」。专家访谈平台连接了内容创作者与阅读者，降低了成本，把纯变动成本模式转变为半固定或半变动的订阅模式；他在不声称掌握相关数据的前提下判断，平台还扩大了使用量和整体可触达市场。

• 信用卡数据等替代数据仍然「非常、非常、非常、非常昂贵」，在 Fokin 的研究流程中作用不大；他更简单的替代方案包括 Google Trends。对他而言，专家访谈库和 AI 是过去10年研究方式最大的两项创新。

• 他的专家研究有2种模式：「要么听，要么读。」在 IWG 上，5通定制访谈仍未能拆解这个复杂的全球灵活办公空间模型，于是他系统性地读了约70通覆盖 IWG 和 WeWork 的访谈；如今库中的访谈已接近100通，多年前客户和行业人士的观察，仍能回答今天反复出现的问题。

2. 投资论点决定该把1小时交给哪类专家

• Walker 提出的难题是 Berkshire Hathaway 这类综合企业，或 Constellation Software 这类连续并购整合型公司：没有哪一种明显的专家能完整对应整个投资论点。Fokin 用高尔夫作类比，给出的操作原则是：不同地形要用不同球杆，因此首先要找出「成功的关键组成部分」，而不是默认某一种专家类型。

• 如果论点是，一款上市仅6个月的产品明显更安全、更便宜或更高效，Fokin 会把重点放在产品本身：现有用户、从竞品切换过来的客户、尝试过但最终放弃的评估者，以及从未认真研究过该产品的潜在客户。后两类人尤其能说明，一款看似「好10倍」的产品为什么仍然卖不动。

• 如果产品已经成熟，但增长取决于分销，研究对象就应切换为前销售人员。Fokin 在 Stanford 的一位教授把商业归结为2个问题：「问题1，销售不够。问题2，其他一切。」

• 在 Sofwave Medical 上，Fokin 让一名前销售人员模拟一次面向皮肤科医生的拜访，持续约20分钟：你为什么要占用我看诊的时间？我为什么要听你说？这次演练暴露出表格和模型无法呈现的销售流程，因为「人很容易以为销售会自动发生」。

3. 合规应当嵌入专家筛选，而不是事后补救

• Walker 起初说的是访谈一家公司的核心客户；Fokin 马上把对象进一步收窄为该客户的一名前员工，可能是1年前离职的人。这个人或许了解产品、采购流程和合作关系，同时又不掌握可能限制投资者使用的当前信息。

• Fokin 认可 AlphaSense 偏保守的合规流程，因为平台提供的访谈带有审核记录。价值不只是接触到专家，而是知道该专家已经过筛选，能够避开显而易见的法律或合规问题。

• 同样的纪律适用于每一通访谈。目标不是榨取专家碰巧知道的所有信息，而是在遵守保密协议、NDA 以及平台设定边界的前提下，获取与投资论点相关的证据。

4. 互相矛盾的客户，往往比整齐的共识更有信息量

• Walker 举的匿名植入物案例，纸面上看起来几乎没有悬念：一项 FDA 研究显示，新器械缺陷率约为1%，老产品为10%，而缺陷可能意味着需要再次手术。他设想，销售人员会把它包装成10倍安全优势，并反问医生是否愿意承担医疗过失责任风险。

• 外科医生补上了关键前提：老产品的 FDA 研究可以追溯到20世纪90年代，此后技术和流程已经大幅改进。根据自身手术经验，一些医生认为传统器械如今同样安全，这说明公司宣传、销售执行和客户认知必须拆开分别调查。

• Fokin 在 Sofwave 的 FDA 许可问题上也听到了很宽的意见分布。他记得数字是9项，为了简单起见将其四舍五入为「接近10项」。有些医生看重针对具体适应症的许可，认为这能降低感知到的责任风险；另一些人则认为那只是「营销噱头」，对超说明书使用器械并不介意。

• 随着经验增加，他不再期待每位医生给出同一个答案。「没有什么是确定的」，多通访谈的意义在于绘制观点分布，再把这一区间纳入投资判断。

5. 前员工是证人，但其可信度必须经过检验

• Walker 的反驳值得保留：前员工可能带着被裁后的怨气，而那些事业非常成功的前员工，即使公司已经恶化，也可能仍然不切实际地乐观。小样本里可能有2名满意的前员工，也可能有1个人觉得给公司1星评价都算高了。

• Fokin 用前任伴侣作了个颇有化解力的类比：关系结束，并不会自动让对方的评价失真。更具体地，他会问被裁员工，如果收到邀请是否愿意回去，以及是否会把公司推荐给自己的兄弟姐妹、侄子或侄女；这些回答会间接反映企业文化。

• 他的法律训练提供了判断标准：投资者大概无法把事实证明到「排除合理怀疑」，但可以寻求「优势证据」——由员工、客户、顾问、管理层表态和可观察业绩共同拼出一个更可能为真的结论。

• 语境决定证词的权重。Fokin 通常认为，不满的员工和糟糕的文化不会生产出优秀产品，因此产品本身很弱时，敌意强烈的前员工更可信；如果客户热情高涨、产品表现强劲，这类证词的分量就会下降。有人说企业文化「有毒」时，他会追问：「能举个例子吗？」然后再问一个。

6. 一通访谈开始前，筛选问题就能创造价值

• Fokin 会自己写3到4个筛选问题，不会把时间浪费在个人简介里已经写明的职业经历上。他首先想知道对方每天实际上做什么，因为头衔本身可能掩盖专家是否真正接触过与投资论点相关的工作。

• 开放式问题有时能在正式访谈开始前就引出几句关键信息。面对「大海捞针」式的寻找，他还会列出市场营销、销售、供应链、采购等职能，让候选人分别为自己的知识水平打分，范围是1到10分。

• 可信的回答模式通常是大量1分和2分，再加上1到2个8分或10分。声称所有职能都精通的人，可能其实什么都不深；「市场营销，抱歉，我完全不了解；但供应链管理，我是9分」则同时体现了具体性和认知诚实。

• 访谈者也必须尊重职能边界：不要让销售人员解释会计，也不要问市场营销人员为什么股权激励费用很高。如果 Fokin 在访谈中途发现专家比预期弱，他可能用剩余时间问更宽泛的问题，但核心问题必须匹配专家合理能够掌握的内容。

7. 历史访谈可以区分短期顺风与持久变化

• Crocs 展示了专家访谈如何成为一部有向导的公司史。2022年夏季前后，Fokin 回忆当时股价接近2022年盈利的5.5–6倍，这要么意味着「公司很快就要倒闭」，要么意味着市场严重错价。

• 核心问题是，COVID 是否制造了一次最终会崩塌的临时销售高峰。包括一些在 COVID 前就已离职的前员工在内，受访者讲述了公司在疫情前已经完成的内部变化。

• Fokin 的结论明确基于自己的研究，因此也可能出错：Crocs 在 COVID 前已经搭建了扎实基础，随后借助居家生活和休闲服饰的顺风加速增长。这个基础「可能并没有消失」，因此，历史演变顺序比「受益于 COVID」这一表面标签更有信息量。

• 他的类比是参观一座中世纪城堡，由主修地方史的导游带队：知识丰富的导游能把不同时间点的变化串起来，而游客独自参观未必发现这些联系。即使专家已经不掌握公司当前运营信息，访谈仍能提供这条时间线。

8. AI 加速挖掘与分析，但判断仍由人完成

• Fokin 用 Paul Enright 的3个阶段组织研究流程：「挖掘、分析、决策」。截至8月6日，AI 的生产力收益主要集中在挖掘环节，分析环节有一部分，决策环节为「0」；随着技术和他自己的实践继续变化，这一判断可能改变。

• 他还区分了「把旧任务做得更快」与「完成过去根本不可能完成的任务」。前一种例子他找到了很多，后一种则「还没找到用例」，这在一片广泛的 AI 热情中显得格外坦率。

• 在一个研究案例中，早年的 VIC 研报写道，一家公司在10个州开展业务。过去 Fokin 会先记下问题，之后再去翻申报文件；现在他直接询问 AlphaSense 当前覆盖多少州、扩张到各州的历史，以及相关收入拆分，几秒内就拿到了答案框架和来源。

• Walker 提到的薪酬分析也是同样的压缩：过去，对比3份委托书里的激励结构，需要反复打开、滚动和核对披露，耗时数小时；AI 工具可以在约10秒内生成第一版对比，投资者再负责验证和解读。

9. Grid 与深度研究让文件海洋变得可导航

• AlphaSense 的 Grid 是 Fokin 最喜欢的功能：它可以把专家访谈、财报电话会文字稿、申报文件或委托书，放到最多12个重复问题下进行对照。他会围绕产品、公司战略、竞争、风险和其他研究需求搭建模板；用户也可以按 SaaS、工业、消费等不同研究风格定制。

• 对20通专家访谈进行横向比较，其中大多数对象是客户，再围绕价值主张、购买触发因素、销售周期长度和评估过的替代方案提问，几分钟内就能呈现完整的观点分布。答案还会标出最有思考深度的访谈，以及值得逐页通读的黄色或红色信号。

• Fokin 可能仍会读完其余访谈，以确保没有遗漏；Grid 的作用是给注意力排序，而不是取代原始材料。按照他这个非技术人士的理解，垂直领域 AI 还会在后台改善用户不够完美的请求，从而降低结果对提示词措辞的敏感性。

• Walker 用同样的结构来检验财报中的借口：如果管理层把问题归咎于「消费者疲软」，他会在后续电话会前比较3家同行的业绩和表述。如果同行表现强劲，管理层就必须解释公司自身的特殊因素，而不能躲在宏观叙事之后。

10. 最好的 AI 工作流，是在阅读一手材料前先准备好思维框架

• Fokin 的 Deep Research 提示词有时长达约5页，返回一份带来源、长达30–40页的结果，覆盖客户、细分市场、定价、历史和其他重复性问题。他会把结果打印出来，用铅笔阅读，标出重点、打星号并写下页边批注。

• 他的类比是，在打开一本300–400页的书之前，先听作者做1小时访谈：概览会给新事实安排一个落点。等到「我的思维已经准备好」之后，Fokin 再阅读最重要的专家访谈、申报文件、财报电话会文字稿和行业会议材料，理解和记忆都会更好。

• 他还没有测试 AlphaSense 最新发布的 AI 生成专家访谈，因此观点仍然刻意保持开放：他「非常好奇」，但财报季让他没能实际试用。区分「知道有这个功能」和「真正拿到证据」，贯穿于他对 AI 的整体判断。

• 发现新功能本身也是研究流程的一部分。Fokin 将自己对 AlphaSense 的了解归功于客户经理 Amar Capellan，比例为「90%甚至可能95%」，其中包括每6到8个月进行一次、每次约30分钟的定期复盘；与产品经理的交流则能发现不那么显眼的用例，同时把客户反馈带给开发团队。他受 Kasparov 启发的工作信念仍然是：「人加机器比机器更强，当然也比单独的人更强」（“Human plus machine is more powerful than machine and definitely more powerful than human.”）。