先讲一个真实的对比。

2019年，我在航天系统。

部门接了一个任务：

调研"国内外可重复使用火箭防热材料的发展现状"，2周内出一份30页的报告。

我们3个人分工合作。

一个查中文文献，一个查英文文献，我负责框架和成稿。

每天泡在数据库里——下载论文、看综述、整理笔记、画图表。

中间跑了2次外协单位，开了4次内部讨论会。

最后赶在截止日前一天完成。

领导看完说："不错，逻辑清楚。"

那是14天的事。

去年，我帮一个朋友做类似深度的行业研报。

从拿到需求到交稿——

1小时。

不是糊弄。

是按咨询公司标准结构出的：市场规模、技术路线、竞争格局、政策环境、投资机会、风险提示，6个模块，22页。

朋友看完说：

"这质量，找咨询公司报价至少3万。"

差异在哪？

不是我变厉害了，是工作流变了。

今天把这套工作流完整拆开，让你也能用上。

01

为什么大多数人写研报又慢又烂

先说一个反常识的事实：

写研报的瓶颈不是"信息不够"，是"信息太多但没结构"。

你做过研报就知道——

最痛苦的不是查不到资料。

是查到200篇资料后，不知道怎么组织。

每篇看起来都重要，每个数据都想用，每个观点都觉得有道理。

最后写出来的东西，要么是流水账，要么是观点跳跃。

为什么？

因为大多数人写研报的顺序是这样的：

查资料 → 看资料 → 边看边想 → 边想边写 → 最后凑出一个结构

这个顺序的问题是：

你在不知道"要论证什么"的情况下收集信息。

结果就是——信息收集得越多，越不知道哪些有用。

专业咨询顾问的工作流是反过来的：

先定假设 → 拆解假设 → 针对性找证据 → 验证或推翻 → 形成结论

关键在于：先有"骨架"，再填"血肉"。

AI最大的价值不是帮你"看资料看得快"。

是帮你——30分钟就搭好一个咨询级的骨架。

02

咨询顾问研报的标准结构

在拆解流程之前，先了解一下咨询行业的研报到底长什么样。

我研究过麦肯锡、贝恩、波士顿咨询、Frost & Sullivan等头部机构的几十份公开报告。

发现他们的研报结构高度统一：

① 执行摘要（Executive Summary）一页纸说清楚：研究了什么、发现了什么、建议是什么 → 这是给"没时间看全文的老板"准备的

② 行业概览行业定义、市场规模、增长率、产业链结构

③ 技术路线 / 产品分类主流技术路线对比、关键技术指标

④ 竞争格局头部玩家分析（市占率、核心优势、战略动向） 第二梯队和潜在颠覆者

⑤ 政策环境国内外相关政策及对行业的影响判断

⑥ 趋势与机会未来3-5年的关键趋势 投资 / 创业 / 转型的机会窗口

⑦ 风险提示技术风险、市场风险、政策风险

⑧ 结论与建议给目标读者的具体建议

记住这个结构。

后面所有的提示词，都围绕它展开。

03

1小时研报工作流5个环节完整拆解

? 环节1：用AI建研报骨架（10分钟）

这是最关键的一步。

不要直接问"帮我写一份XX行业研报"。

AI会给你一个空泛的模板，毫无价值。

正确的问法是：让AI先帮你拆解研究问题。

? 提示词模板：

你是一位拥有15年经验的麦肯锡资深顾问，
专注于[行业领域]研究。

我需要为[目标读者：投资人/企业高管/创业者]
写一份关于[研究主题]的行业研究报告。

研究目的：[读者看完报告后要做什么决策]

请帮我：
1. 这份研报的核心研究问题应该是哪3-5个？
2. 围绕这些核心问题，研报应该包含哪些模块？
3. 每个模块需要回答什么子问题？
4. 每个子问题需要哪些数据/信息支撑？

请用大纲形式输出，要具体到"我需要查什么"，
不要泛泛而谈"市场分析、竞争格局"这种空话。

这一步AI会给你一个详细的"研报骨架"：

• 每个章节要论证的核心论点
• 每个论点需要的证据类型
• 关键数据点的具体清单

有了骨架，你才知道接下来要找什么。

? 环节2：用AI做"针对性信息检索"（15分钟）

骨架建好之后，针对每个数据缺口，让AI帮你检索。

注意：

这里不是让AI"编造"数据，是让AI帮你定位"在哪里能找到这些数据"。

? 提示词模板：

基于上面的研报骨架，我需要查找以下关键信息：

1. [数据点1：例如"2023年中国新能源汽车市场规模"]
2. [数据点2：例如"宁德时代的全球市占率"]
3. [数据点3：例如"国内固态电池的产业化进度"]

对每个信息点，请告诉我：
- 最权威的数据来源是什么（具体到机构和报告名）
- 该数据的常见取值范围
- 引用时需要注意什么（口径差异、统计方法差异）
- 如果你知道具体数据，请给出并标注把握程度（高/中/低）

切记：不确定的数据请明确说"不确定"，不要编造。

AI给的信息源清单 + 合理区间提示，能让你的"搜资料"效率提升5倍。

我自己常用的权威信息源：

AI能告诉你"去哪里查"，但具体数据还是要自己去权威源核实。

? 环节3：用AI做"结构化信息提取"（15分钟）

收集到原始材料后（5-10份核心报告），让AI做结构化提取。

? 提示词模板：

以下是我收集的关于[研究主题]的5份核心资料：

[资料1：标题+核心内容粘贴]
[资料2：标题+核心内容粘贴]
...

请按以下模板，从这些资料中提取信息：

## 市场规模与增长
- 当前规模：（数据+年份+来源）
- 增长率：（数据+预测期+来源）
- 关键驱动因素：

## 技术路线
- 主流路线1：原理+代表企业+优势+瓶颈
- 主流路线2：...

## 竞争格局
- 头部玩家：（名称+市占率+核心优势）
- 第二梯队：
- 潜在颠覆者：

## 政策动态
- 利好政策：
- 限制政策：
- 关键时间节点：

## 趋势判断
- 共识趋势：（多份资料都提到的趋势）
- 分歧观点：（不同资料的不同判断）

提取时请标注每条信息的来源，方便我后续核实。

这一步AI做的工作，靠人工至少要花2-3小时。

? 环节4：用AI做"洞察生成"（15分钟）

这是最有价值的一步。

普通研报和优秀研报的差距，不在于"信息全不全"。

在于——有没有洞察。

什么是洞察？

洞察是"读者自己看资料看不出来，但听你一说立刻拍大腿"的判断。

? 提示词模板：

基于上面提取的所有信息，请你扮演一位资深行业分析师，
给出5条"反共识"的洞察。

要求：
1. 不要重复行业里所有人都在说的话
   （比如"AI是未来"这种废话）
2. 要给出"大多数人没意识到，但数据支撑得住"的判断
3. 每条洞察包含：
   核心观点（一句话）+ 数据支撑 + 推理逻辑 + 对读者的启示

请重点关注：
- 哪些被普遍看好的方向，其实有隐藏的风险
- 哪些被低估的细分领域，可能有非共识机会
- 哪些技术路线的竞争格局，跟主流认知不一样
- 哪些时间窗口，比大家预期的来得更早或更晚

最后再加一条：
如果你是目标读者，看到这份研报后，
应该立刻采取的1-2个具体行动是什么？

这一步出来的洞察，是研报里最值钱的部分。

我帮朋友做的那份研报，让他真正觉得"值3万"的，就是这块的5条非共识判断。

? 环节5：用AI生成完整报告初稿（5分钟）

骨架有了，数据有了，洞察有了。

最后让AI把所有内容串起来。

? 提示词模板：

请基于以上所有内容，生成一份完整的研究报告初稿。

格式要求：
1. 执行摘要：1页，5个关键发现，每个发现一句话
2. 正文按之前的骨架展开，每个章节包含：
   - 核心论点（黑体）
   - 数据支撑（表格或图表说明）
   - 分析推理
   - 小结
3. 在每个章节结尾插入1-2条洞察（用引用框标出）
4. 风险提示部分用清单形式
5. 结论建议要具体到"做什么、什么时候做、怎么做"

文风要求：
- 客观、专业、有论证逻辑
- 不要"我认为""可能""也许"这种弱化词
- 数据引用要标注来源
- 关键观点要敢于下判断，不要和稀泥

总字数：8000-10000字。

AI会给你一份完整的初稿。

接下来的工作不是"写"，是"改"。

读一遍初稿，把不准确的地方改掉，把你自己的判断补进去，把数据核实一遍。

这一步大约30分钟到1小时。

整个流程加起来：1-2小时，产出一份咨询级的研报。

04

真实研报片段给你看看长什么样

口说无凭，给你看一个我用这套流程做的研报片段。

主题：国产替代背景下的工业软件投资机会

洞察1：被高估的"国产替代"红利期

主流观点认为国产工业软件将在2025-2027年迎来3年红利期。

但根据三份关键报告交叉分析，红利期实际可能压缩到18-24个月。

原因： ① 政府采购倾斜的边际效应递减 ② 外资软件本土化策略加速 ③ 真正具备国际化能力的国产企业不超过5家

启示： 投资标的应聚焦"24个月内能跨过营收5亿门槛"的企业，否则错过红利窗口。

洞察2：被低估的"中间层"机会

市场关注点集中在两端：底层CAD/CAE 和顶层MES/ERP。

但工业互联网中间件（数据连接层）的复合增速可能更高。

数据：2023-2025年CAGR预测—— CAD/CAE约18%，MES/ERP约22%，工业中间件约35%。

原因：中间件是"卡脖子"环节中政治敏感性较低、技术成熟度较高、客户付费意愿较强的三角交集区。

启示： 关注3-5家头部中间件创业公司，提前布局B轮以前的投资机会。

这两段文字，靠你自己一份资料一份资料看，得出这种"反共识但有支撑"的判断——

至少需要1周。

AI在20分钟内交叉了所有资料，把这些隐藏的模式抓出来了。

05

实操中的4个关键细节很多人踩过坑

① AI对"小众细分行业"的能力差异很大

主流行业（新能源、半导体、消费品）AI能给出相对靠谱的判断。

但非常细分的领域，AI的"信息盲区"会很明显。

应对： 细分领域研报，AI做骨架和分析框架，具体数据和案例必须自己补。

② 5-10份核心资料，比50份普通资料更有用

很多人误以为"喂给AI的资料越多，AI输出越准"。

其实正好相反。

资料过多会稀释AI的注意力，反而抓不到关键。

应对： 先筛出5-10份最权威的核心资料，把这些喂给AI即可。

③ "洞察"必须自己复核

AI生成的洞察看起来很有道理，但有时候是"听起来对"的废话，有时候甚至是错的。

每条洞察都要问自己：

• 数据是真的吗？
• 推理过程站得住吗？
• 这个结论真的违反共识吗？

应对： 每条洞察至少找2个独立数据源交叉验证。

④ 研报的署名是你，不是AI

如果有人问你某个数据怎么来的、某个判断为什么这样下，你必须能回答。

应对： 不要交一份"自己都没读完"的AI研报。

AI做80%的工作，剩下20%是你的"理解和把关"。

这20%，决定了研报的可信度。

写在最后

我刚开始用AI做研报的时候，也走过弯路。

第一次让AI"一键生成研报"，出来的东西看起来很丰满，实际全是套话。

我交给朋友看，朋友翻了10分钟说：

"你这哪是研报，这是百度百科。"

那次之后我才明白：

AI不是"写"研报的，是"加速"研报工作流的。

真正的研报工作，分成5步：

拆解问题 → 收集信息 → 提取结构 → 生成洞察 → 整合成稿

AI在每一步都能帮你提速，但每一步都需要你自己的判断在里面。

把AI当成一个"24小时待命的咨询助理"。

它能帮你做骨架、找资料、做提取、生成初稿。

但"这份研报要解决什么问题、给谁看、得出什么结论"——

这些方向性的东西，永远是你的工作。

用对了，1小时出咨询级研报。用错了，1小时出一篇看似专业的废话。

差别就在工作流。

下周我会分享：

《时间管理的AI革命：我的一天24小时使用手册》

从早晨醒来到睡前，AI怎么深度融入我的日程？

怎么避免"工具越多越累"的陷阱？

怎么把节省下来的时间真正用在重要的事上？

如果你也觉得"用AI之后反而更忙"——下周一定要看。

本文是「江之风」公众号 #实战案例 系列文章

觉得有用，欢迎转发给那些"经常被老板要求做行业分析"的朋友。