證明超額報酬：避險基金如何衡量 AI 的投資報酬率——Contour Asset Management 的 Hari Kumar

Contour Asset Management（規模 60 億美元的對沖基金）AI 部門主管 Hari Kumar 主張，AI 在基本面投資上的回報無法單靠損益表證明，必須透過分析師工作流程的即時 A/B 測試，以及「每個有效洞見的成本」這項指標來追蹤。本集並非訪談，而是一場 18 分鐘的單場研討會演講，大部分時間聚焦於 Contour 如何在研究端衡量 AI 的投資報酬率，交易、營運與資料供應商整併則著墨較少；「證明 alpha」這個說法雖說得通，但 alpha 本身被推遲了——Kumar 自己也承認，多數部位要數個月才會見真章。

Kumar 的視角來自實務運作：他在 2026 年 10 月錄製本集前約一年加入 Contour，這是一家 15 至 20 人的多空 TMT 投資機構，約有 10 位分析師，每人負責 30 至 40 檔標的；他的任務是證明 AI 對研究、交易、營運、法遵與財務各環節的實際影響。以下是他對 Contour 所建立的衡量機制、正逐步疊加到分析師工作上的代理工具，以及各項現實缺口的說明——斷掉的聯結器、花在除錯上的時間，還有姍姍來遲的投資報酬。

以即時 A/B 測試取代損益表，作為短期 ROI 的證明

Kumar 的核心做法，是先記錄每位分析師在匯入 AI 前的工作流程，再用 AI 工具重跑同一檔標的，然後比較兩次的結論。由於基本面投資機構的部位往往持有數個月，損益表無法在一季內驗證一項工具，因此 Contour 改為衡量流程的變化：分析師的工作方式真的不同了，還是工具只是在原本不變的流程上多添了幾分阻力？

測試設計相當具體。以某一檔標的為例，Contour 追蹤了從一次財報發布到下一次財報發布、為期三個月的週期。對照組的分析師完全不用 LLM；隨著工具陸續上線，實驗組則加入由代理執行的專家訪談，以及由代理執行的消費者調查。兩組都完整記錄了找到哪些資料來源、得出哪些結論，其中 AI 輔助的那一組還有 PM 參與。Kumar 提出的比較問題是：無論有沒有這些工具，分析師是否都會得出相同結論？

「我們是真的改變了某個人的工作方式，還是隻是在他的流程上多加了一把推力？」

他明白指出，這帶來的是流程層級的證據，而非立即可見的財務證明，損益表上的結算要之後才會出現。

代理要對抗定錨效應，也要搶救被擱置的想法

基本面研究有兩種失敗模式，交給代理處理。第一種是論點定錨：Kumar 說，目標是形成論點，但不能緊抱到忽略反面資料、專家意見或另類資料集。Contour 執行手動的構想生成代理，針對每檔標的取得分析師的初步想法，再疊加更多資料點與結論，包括這個想法可能如何、何時反映在股價上。

第二種是想法衰減。分析師可能花個兩天研究一個想法，PM 決定不採納，或有其他事插隊，這個想法就此消失數個月——可能就此錯過關鍵的價格視窗。Contour 正在打造代理，追蹤分析師的所有筆記，即使只是某一天的工作成果也納入，持續對照市場監控這個想法，並在它重新變得有趣時，同步提醒分析師、PM 與交易員。Kumar 認為，在候選想法多於可容納部位的情況下，時機——何時出手——是最重要的變數。

分散的資料訂閱正被整合進單一代理層

Kumar 主張，昂貴的另類資料集唯有整合起來才能發揮價值。以 Yipit 的信用卡消費面板資料為例，過去一直孤立存在；如今透過 MCP 與 API 存取，Contour 能把它和專家訪談筆記、逐字稿一起餵進代理，讓消費資料與質化研究在同一個地方互動作用。

他把同樣的邏輯延伸到供應商組合。基金通常不是買零散工具（AlphaSense 提供資料與訪談、Yipit 提供另類資料），就是買整套平臺（加入 Rogo 會員、投資 Hebbia）。Contour 的內部目標是保留底層訂閱，但讓它們全部經由自家平臺串接；這個平臺會學習每位分析師的習慣，並依該分析師的模型使用模式來設定，而非一視同仁地對待所有分析師——藉此從既有訂閱中榨出更高的價值。

| 層級 | Kumar 舉的例子 | Contour 的作法 |
|---|---|---|
| 零散資料／訪談供應商 | AlphaSense、Yipit | 保留訂閱，透過 MCP／API 拉進內部代理 |
| 整套 AI 研究平臺 | Rogo、Hebbia | 自建對應平臺，依每位分析師調校 |
| 內部平臺 | Contour 自建 | 持續從分析師習慣與模型更新中學習 |

「每個有效洞見的成本」是 Contour 定案的指標

為了讓 ROI 清楚可讀，Contour 追蹤分析師時間的去向：每位分析師每天產出多少洞見、每檔標的花多少時間，以及每個決策最終的損益結果。由此推匯出「每個有效洞見的成本」，讓公司能看出哪些想法真正奏效、哪些只是有趣，以及是哪些工具產出了這些想法。

Kumar 承認，在基本面投資機構，損益的連結天生就慢——一天幾筆交易，要數個月才會見到成果，而非當日沖銷。因此，時間追蹤這一層就成了實務上的替代方案：它能顯示 AI 支出換來的是每小時更多、還是更好的想法，而不必等部位結算。

交易與營運正被拉進構想生成，而不只是執行

Kumar 希望交易員少花時間執行下單，多花時間把想法回饋給分析師與研究助理。在交易端，Contour 正在衡量進出場時機，並追蹤部位如何在各產業、以及同一產業內各檔標的之間分佈，同時由 AI 代理監控這些標的，讓交易員隨時掌握最新發展。

在營運端，他描述了一個不只對沖基金才有的碎片化問題：工作流程散落在 Bloomberg 或下單系統裡，供應商針對對帳或供應商追蹤提供零散的 AI 補丁，卻難以整合。Contour 的首要任務是為營運與法遵建立單一整合平臺，取代目前一筆下單流程會碰到的眾多系統，以減少重複性工作，讓這些人員能投入基金的核心任務——產生想法、掌握時機。

隱形的 ROI 成本，是花在修壞掉工具上的時間

Kumar 在 ROI 方程式的最後補上一項多數 AI 簡報避而不談的成本：模型呼叫與聯結器每隔幾天就出問題，總得有人去修。在 Contour，這份負擔有一部分落在技術部門以外的人身上，而除錯所耗掉的時間，會從「每個有價值洞見所需時間」的計算中扣除。

他說這項拖累隨時間遞減，但仍是被追蹤的指標。他的說法是：投資人對工作流程匯入 AI 滿懷熱情，因此公司必須誠實以對——採用 AI 在帶來效益的同時，也附帶一筆維護稅。

採用普及後，為何統一的內部層更顯重要

Kumar 的結辭是結構性的：隨著 AI 採用率上升，尤其是在較小型的基本面投資機構，一個能跨分析師執行多種任務的單一統一層，才是真正有價值的資產。這正是自建而非拼裝供應商的理由——它能捕捉每位分析師的模式、讓既有訂閱發揮更大效益，並把研究、交易與營運整合到同一個介面。

他主動表示會後可再深入技術細節，這也意味著這場演講刻意停留在營運與流程層次。

Kumar 說法中尚未化解的張力在於：他描述的每一項衡量都是代理指標。即時 A/B 測試捕捉的是流程變化，每個有效洞見的成本捕捉的是研究生產力，除錯耗掉的時間捕捉的是摩擦——但真正的 alpha、真正能合理化這筆支出的損益，要等上好幾個月才會出現，而這是任何儀錶板都填補不了的落差。真正值得觀察的指標是：在接連幾個三個月的週期裡，Contour 依分析師調校的平臺，是否真能得出與無 AI 對照組明顯不同的結論；如果不能，這個統一層就只是用更貴的方式、以同樣的方法做得更快而已。