摘要

Fennerty 认为，解决专家访谈不尽如人意的最大办法，是把每次访谈都当成这样一件事：「我在检验一个假设或投资论点，希望找到一位可信的思考伙伴，一起推演它及其二阶影响。」最好的访谈有明确目标、足以检验目标的结构，同时保留追问空间——“飞在正确的高度”——而那些只想寻找“能佐证这件事的数据”的投资者，最后可能只会因专家闪烁其词而失望。
过去3—4年，专家访谈的商业模式已被重构：私人访谈过去平均每通收费1500—2000美元，如今转向 Tegus 式按成本收费，再通过可检索的文字稿库变现。 结果是，“过去我们要花两周才能完成的基础认知，现在一天就能完成”；如今实时访谈主要围绕2—3个核心论点驱动因素展开，并与3—10位可信专家深入验证。私募市场投资者过去18个月走过的路，正是在复制二级市场投资者18个月前的做法。
偏见存在于每一类洞见之中——管理层指引、卖方研究、回溯性财务数据无一例外，因此正确答案不是消除偏见，而是交叉验证。 Fennerty 描述顶级投资者的工具箱：事先确认专家真正负责、真正看得到什么；用“晴雨表问题”追问（比如让看多的专家谈文化，观察叙述是否暴露问题）；最后以“假设我们俩刚才都错了……你觉得我们可能漏掉了什么？”收尾；永远不要依赖单一运营者视角——那是“一厢情愿的信念”。
AI 访谈员正在打破专家网络过去在经济上无法覆盖的调查和渠道调研成本模型。 一份调查过去可能要花10万美元，而一通专家访谈只需2000美元；如今 AI 访谈员可以“按10位 CIO 自己的时间安排”与他们交流，完成“即便6个月前也很难落地”的工作。类似地，“在访谈结束后做一名真正专业的记录员”，其半衰期也非常短。
Fennerty 所称 AI 的超人级优势在于跨来源综合，而不是投资判断：可以想象一个人类分析师实际上无法完成的“80×80输入网格”，对多个数据源进行交叉比较；或者让模型将 CEO 指引与过去5家可比公司的现金流量表进行对比，标记潜在异常值或管理层可能过度自信。投资组合监控正转向“定制化自主任务”——每周五输出趋势和拐点报告，仿佛拥有“无限的分析师资源”；Liberation Day 是一次压力测试式验证案例。
Fennerty“发自内心地相信”，到2030年将出现一批高绩效 PM，他们从未搭建过详尽的并购模型——因为“技术能力和分析能力……会随着时间推移逐渐商品化”，而模式识别和判断力的重要性将上升。但建立信任的前提是所有结论都“完全可以追溯到源头”，因为“AI 很容易在你以某种方式提示它之后，就开始拍桌力挺”。二级市场投资者的能力结构将从“分析师能力集”转向“架构师能力集”，可能走向一种“不是量化投资、不是基本面投资，但介于两者之间”的新形态。
真正可交易的元层判断是：AI“已经彻底压缩了最大型基金拥有的资源优势”——一只中型基金如今等于配备了“一支刚入职 KKR 的精锐分析师团队”；但人类的“蜘蛛感应”仍是识别造假和糟糕建议的重要补充。 Walker 担心规模优势会通过专有数据继续向大机构集中，这一问题没有答案；Fennerty 的结论是，基本面投资仍有位置，通才与专才之争不会因此改变，而“炒作很多，但真正发生的事情也很多”。

精读

1. 唯一的修正：把专家当成思考伙伴，而不是数据自动售货机

Walker 对整场对话的框架是：他每年大约做25次专家访谈，“可能超过50次”，并将其评为“10%惊艳、50%不错、40%还行、10%糟糕”——目标是把“惊艳”从10%提升到30%，并消灭最差的一端。
Fennerty 承认这可能有以偏概全的风险，但给出的第一要义是：把访谈框定为“我在检验一个假设或投资论点，希望找到一位可信的思考伙伴，一起推演它及其二阶影响”。最好的访谈既有明确目标，也有足够结构，同时保留追问空间——也就是“飞在正确的高度”。
他描述的失败模式是：投资者“带着一种非常强的意图进来，只想要能佐证自己正在测试的这件事的数据”，最后却因专家闪烁其词，或“给出的区间根本说不通”而失望。

2. 文字稿库重构了商业模式，也抬高了实时访谈的门槛

Walker 在咨询和 PE 时代经历的旧模式是：“一通访谈平均收费1500至2000美元”，全部为私人访谈，通常在8—40通访谈的尽调冲刺中使用。Tegus 则通过可检索的文字稿库变现，本质上按成本组织访谈；Fennerty 的比喻是 Spirit Airlines 扩大了飞机的可触达人群，Tegus 的大量业务来自此前无力承担如此访谈量的中型基金。
结果是，市场结构、商业拓展、定价、经营杠杆等一阶基础认知工作被转移到文字稿库。“过去我们要花两周才能完成的基础认知，现在一天就能完成。”过去的第二、第三或第四通访谈，如今变成了第一通。
现在实时访谈的工作重点是：挑出对投资论点至关重要的2—3个驱动因素，然后“找来3—10位可信专家，真正深入其中并完成验证”。值得注意的采用路径是：私募市场投资者过去18个月走过的路，正是在复制二级市场投资者18个月前的做法。

3. Walker 担心回音室，Fennerty 的答案是增加 N 值

Walker 的担忧是：如果5家基金在2025年8月围绕一个带有狂热色彩的科技股名做了10通访谈，而所有人又读到同一批文字稿，“所有人都会用同一种方式思考这家公司、从同一个角度切入”。Fennerty 坦承：“我们还没有听到有人把这当成一个问题。”
他的重新表述是：专家洞见本身就带有偏见，和其他所有信息类别一样——“管理层指引有偏见，卖方研究有偏见……财务数据是回溯性的”。真正需要审视的，是每位专家自身经历中携带的偏见，而不是想当然地认为由投资者建立的文字稿库已经消除了偏见。
关键纪律是：“避免运营者偏见的方法，是去获取多个运营者的观点。不需要30个，但依靠单一运营者视角来真正证明或证伪一个投资论点，显然很危险。那是一厢情愿的信念。”

4. 访谈技巧：晴雨表问题与结尾的变盘球

使用最深、效果最好的用户有3个共同习惯。第一，一开始就追问专家到底身处什么位置、实际能看到什么——“这个人是从什么视角出发的，他看到了什么，又看不到什么。”
第二是“晴雨表问题”，用于在访谈中途检查对方的语气和情绪基调。Fennerty 举的例子是：专家整场都在看多商业模式，随后你问：“谈谈公司的文化。它发生了怎样的变化？”对方突然回答：“其实那里有一个非常深层的问题……最近文化已经恶化了很多。”这会即时暴露出内部失配的线索，值得继续深挖。
第三是开放式收尾：“假设我们俩刚才讨论的内容都错了……你觉得我们可能漏掉了什么？什么事情可能出错？”Fennerty 认为，专家特别擅长发现外部人看不到的二阶、三阶风险；这也符合 Walker 的经验：专业人士会指出那些“自己长期身处其中、反复处理”的风险，而这些风险他过去可能根本没想过。

5. 前员工天然带有负面偏见，校准方式应像做背调

Walker 指出，专家大多要么是竞争对手——比如 Pepsi 的员工谈 Coke——要么是前员工；而人们之所以成为前员工，通常是因为被裁员或错失晋升，因此样本天然偏向心怀不满。他也承认自己的判断偏差：看多的专家“显然很懂行”，看空的专家则是“一个小丑”。
Fennerty 的校准方法是：承认偏见存在，也承认风险可能被夸大，然后通过多个前员工之间的分布来判断——3个前员工都说出大致相同的内容，可能就很可信；3个前员工都持负面看法，且“语气强弱各不相同”，则足以支持另一种判断。他将其类比为背调：“我必须做7—8份背调，才能真正通过交叉验证接近事实。每次做背调，我都会遇到1—2个人；如果我照单全收，他们本来会极大地影响整个判断。”
面对每天数以千计的项目筛选，最好的结果来自投资者明确说明想找什么人、为什么找；失败模式则是：“我们想和拥有这个头衔的人聊，这就是全部背景。”关键区别在于：“资历不等于”处在正确的讨论高度——高级头衔往往离库存、供应链等运营层面的问题太远。

6. AI 访谈员打开调查市场，也让专家级记录不再那么核心

Fennerty 区分了2类访谈：更深入的商业模式访谈通常适合更长、更深度的对话；实时市场脉搏访谈则是另一种形式，二者都有效。但调查和渠道调研式的信息采集一直“令人沮丧或不可靠”，且成本过高：“你不会为一份调查花10万美元，而一通专家访谈可能只需2000美元。”
他提出的判断还处于早期，但影响很大：AI 让这种成本和运营模式“与这个行业过去经历的一切都有本质不同”——AI 访谈员可以“按10位 CIO 自己的时间安排”与他们交流，获取实时洞见；这类工作“即便6个月前也很难落地”。
Walker 提到自己在6个月内围绕一个标的读了4份文字稿，却很难完成记录和综合。优秀基金仍会坚持做访谈后的综合，但“在访谈结束后做一名真正专业的记录员，其半衰期非常短”；即时转录，再由 AI 按投资者偏好的结构完成综合，才是“几个月内大多数人都会转向”的方式。

7. AI 的超人级能力：80×80网格与全天候监控

财报季的应用场景是：在时间压力下，挑出需要“逐项手工比对和综合”的地方。以 Reddit 为例，一位真实投资者的提示词会将 CEO 的说法与“我指定的、已经发布财报的5家可比公司的实际现金流量表”进行比较；结果要么说明 Reddit 是异常值，要么说明“管理层过度自信，而我们已经开始为这个问号做准备”。
Walker 反问，这听起来像 Pod 基金围绕季度业绩和耳语数字交易；那5只股票、集中持仓的长期投资者怎么办？Fennerty 的回答是，差异化观点来自与市场共识的比较：将管理层指引、卖方争论、自身专家访谈、文字稿库和内部观点放在一起，“对多个数据源的输入做一个80×80网格比较，人类分析师根本无法实际完成”，但它能暴露出真正值得深入研究的分歧。Walker 的补充是：没人会每年阅读30个标的各自80份文字稿，但 AI 可以。
投资组合监控已经从搜索，进化到工作流，再到“定制化自主任务，让它像有一名分析师在为我持续跑报告”。Liberation Day 是一次应急演练式验证：几小时内就能识别出哪些敞口和研究结论与投资者观点不同或一致。稳定运行后的状态则是：“我希望每周五都收到一份这种格式的报告，告诉我投资组合中的趋势和拐点……想象一下，如果你拥有无限的分析师资源。”

8. 手工建模之争：判断力更重要，技术能力走向商品化

Walker 坦承，临近决策时他会亲手搭建所有模型，因为亲自做一遍是将其内化的方式；他担心 AI 摘要会让自己“没那么深入地思考……我只是把一切都外包给了 AI”。
Fennerty 说自己也感受过这种取舍，但他“发自内心地相信，到2030年将出现一批真正高绩效的投资组合经理……他们完全不必经历这一过程”——他们从未搭建过极其详尽的 M&A 模型，却依然能取得良好结果。
根据他自己的使用经验，建立信任有2个条件：一切都必须“完全可以追溯到源头”——“我不想投入两个小时后，突然发现整个基础都摇摇欲坠”；同时要警惕“AI 很容易在你以某种方式提示它之后，就开始拍桌力挺”。他以自己的 GTM 计划为例，最终是客户原话和对 TAM 的判断压过了模型本身的强烈结论。
由此他得出的能力重配是：“你作为投资者的自我认知，建立在技术能力和分析能力之上——但这些能力会随着时间推移逐渐商品化，真正更重要的是模式识别、判断力，以及推动这些问题继续向前的能力。”

9. 不是扩大交易量，而是提高确信度：PE 将 A 到 B 从数周压缩至一天

Fennerty 的基准迁移框架是：就像 PC 和 Excel 一样，复杂分析最终会从差异化能力变成基本门槛；阿尔法来自能够让你“更快、更有确信度地做出决策”的系统。
PE 的案例及其对集中持仓的二级市场投资者的启示是：基金每年仍做3—5笔交易，但“我们内部从 A 点走到 B 点的时间，已经从数周压缩到一天”；因此，更多时间和精力被投入 B 到 C 阶段，即围绕价值创造和差异化驱动因素展开的投委会讨论。
Walker 追问：如果确信度更高，交易数量不应该从3—5笔降到1—3笔吗？Fennerty 尚未看到这种变化——有些基金做得更多，有些基金数量不变但确信度更高；不过漏斗顶部已经扩大，“有些人说，我现在看过的项目数量翻了一倍”，而此前对 CIM 进行绿、黄、红分级要消耗数周的分析师产能。背后的驱动因素是估值抬升和交易提速——“我们能感受到周围的机会正在以多快的速度被人们带着确信度抢走。”

10. 下一项阿尔法能力：架构师胜过分析师，或是一种“介于两者之间”的能力

Walker 回顾了历史演变：60年前，靠脑内完成量化计算也能取胜，比如 Ben Graham 计算净营运资本；过去10—15年，市场奖励的是定性判断，Google、Facebook、Amazon 曾被视为有史以来最优秀的企业；如今 AI 也在抬高定性判断的门槛。但他引用 Buffett 的提醒：游行时如果每个人都踮起脚尖，没人能看得更清楚。他押注私募市场的下一项能力是，“人力资源和人才”能力将获得更高溢价。
Fennerty 认为，在私募市场，来自财务结构设计和交易撮合的回报正在减少，收益将转向：面对更大的机会集合快速行动，以及交易完成后的被投企业价值创造。一次中型 PE 会议上“所有人都在谈”的主题，就是把 AI 带入被投企业，改变运营模式和成本结构。
对二级市场而言，这是“从分析师能力集转向架构师能力集”的变化，Pod 基金式的压力也在向全行业扩散。他留下了一个真正开放的问题：新一代投资者是否会跳过旧有的模式识别，去检验“我们一直奉为常识、但在数据中并不相关的真理”，最终形成一种“不是量化投资、不是基本面投资，但介于两者之间”的方法？Walker 的回应是：“我已经是恐龙了。”
针对 Walker 提出的三层偏见——提示词中的自我偏见、公司文件中的宣传偏见、专家训练数据中的负面偏见——Fennerty 没有给出漂亮答案：不要过度追求消除偏见，“你现在可以在不同来源和视角之间做的交叉验证，远远超过过去，而这最终就是优秀的投资工作”。

11. 欺诈的变速球：AI 可能拉平资源差距，但无法取代人类的直觉雷达

Walker 通过2011—2014年的中国反向并购欺诈案抛出一个变速球：当量化筛选取代那个会亲自飞去现场的人之后，欺诈的回报是否会反而上升？当年有公司声称拥有“6亿英亩林地”，实际并不存在；还有一家40亿美元的公司，总部竟位于“商场三楼”。
Fennerty 反驳称，没有任何内在机制表明 AI 会加速欺诈；它已经是识别欺诈的武器，例如利用航运线路的卫星图像发现“实际交通量与公司指引完全不沾边”。但 AI 目前做不了任何接近 PM 层面投资建议的工作。
他的逆向判断是：AI“已经彻底压缩了最大型基金相对于中型基金的资源优势”——中型基金现在相当于配备了“一支刚入职 KKR 的精锐分析师团队”；与此同时，当人的“蜘蛛感应”发出“这不对劲，我得继续深挖”的信号时，人类仍是不可或缺的补充。Walker 尚未解决的反驳是，规模可能仍会通过真正的专有数据取胜：分析师在每个行业会议上持续把信息输入内部库，跨市场基金也在将自己的访谈档案与公共文字稿库融合。另一个背景是，AlphaSense 近40%的业务来自企业发展、企业战略和 IR 团队。
谈到最后，Fennerty 表示基本面投资仍有位置，也不认为通才与专才之争会发生变化。他同时承认，大基金仍有自身优势，但小基金也可能在某些领域胜出。真正的任务是区分“哪些只是不能落后的基本门槛，哪些才是真正的优势。炒作很多，但真正发生的事情也很多”。

Klarna CEO：SaaS 已死：为什么记录系统将在智能体时代消亡 Jason Fried：你唯一的竞争对手是成本