Day 36：行业拆解方法论
今天我们正式进入第六周的学习。前五周你已经掌握了AI技术的基础知识、Agent设计模式、数据处理能力和产品思维，从今天开始，我们要把视线从技术本身转向商业世界。你要学会用系统化的方法去拆解一个行业，理解它的价值链、商业模式、核心流程和关键痛点，然后从中发现AI可以真正落地创造价值的机会。这不是一项纯学术的练习，而是你在实际做AI项目时必须具备的核心能力。很多AI项目之所以失败，不是因为技术不行，而是因为做项目的人根本不理解那个行业，不知道真正的痛点在哪里，不知道数据在哪里，不知道谁会为这个东西买单。
今天的文章比较长，我会带你一步步建立一个完整的行业拆解方法论，然后用这个方法去拆解三个典型行业：半导体、制造业和金融投研。这三个行业各有特点，半导体是典型的高技术高资本行业，制造业是AI落地场景最丰富的行业之一，金融投研则是信息密度最高、对决策质量要求最苛刻的行业。通过这三个案例的深度拆解，你应该能够掌握一套可以复用到任何行业的方法论。
一、为什么需要行业拆解
你可能会问，我做AI项目的，为什么要花那么多时间去拆解行业？直接去找客户聊需求不就行了？这个想法听起来合理，但实际操作中会遇到很大的问题。
首先，客户往往说不清楚自己的真实需求。这不是客户的问题，而是需求表达本身就很困难。一个在半导体工厂干了十年的工艺工程师，他每天处理良率问题，靠的是经验和直觉，你让他把工作流程和决策逻辑说清楚，他很可能说不出来。但如果你先用行业拆解的方法把半导体行业的价值链、核心流程、关键岗位都理清楚了，你再去跟这个工程师聊的时候，你就能问出正确的问题，你能理解他说的每一句话背后的业务含义，你能迅速判断哪些环节是AI可以介入的。
其次，行业拆解能帮你快速建立领域知识。AI项目的成败往往取决于你是否理解业务领域。一个不懂得半导体制造流程的人，很难设计出一个有价值的良率分析Agent。行业拆解方法论就是一套系统化的领域知识获取框架，它告诉你该看什么、该问什么、该怎么组织你获取到的信息。
第三，行业拆解是做AI方案设计的前提。你要设计一个AI提效方案，首先得知道这个行业有哪些环节、每个环节做什么、数据在哪里流动、人在哪里做决策、哪些地方最容易出错、哪些地方最耗费人力。这些信息不是零散的，它们构成了一个完整的系统，行业拆解就是帮你建立这个系统的全貌。
最后，行业拆解还能帮你评估市场机会。不是所有行业都适合做AI落地，有些行业的数据基础太差，有些行业的付费意愿太低，有些行业的决策太依赖人的隐性知识难以量化。通过系统化的行业拆解，你可以在投入大量资源之前就对一个行业的AI落地潜力做出初步判断。
二、行业拆解的核心维度
行业拆解不是随意收集信息，而是按照一套固定的维度体系去分析。我总结出十个核心维度，每一个维度都对应着特定的分析目的和AI机会发现逻辑。
第一个维度是行业价值链。价值链描述的是一个行业从原材料到最终产品再到终端用户的全过程。你需要理解这个行业创造价值的核心环节是什么，每个环节的附加值有多大，哪些环节是行业利润的主要来源，哪些环节是成本的主要消耗点。价值链分析能帮你找到AI介入的最佳位置，通常来说，附加值高且依赖信息处理的环节是最适合AI介入的。
以半导体行业为例，它的价值链包括硅材料制备、晶圆制造、芯片设计、光刻与蚀刻、封装测试、系统集成、终端应用等环节。其中晶圆制造和光刻蚀刻是附加值最高的环节，同时也是最依赖精密工艺控制和数据分析的环节，因此也是AI介入价值最大的环节。而封装测试虽然附加值相对较低，但涉及大量的质量检测工作，这也是AI可以发挥作用的领域。
第二个维度是上游中游下游的结构关系。你需要理解这个行业的企业生态是怎么分布的，上游供应商提供了什么，中游企业做了什么增值，下游面对的是什么样的客户和市场。这个结构关系决定了AI产品的定价策略和推广路径。如果你的AI产品服务于上游供应商，你可能需要面对少量大客户；如果服务于下游终端，你可能需要做大量的标准化工作以适应不同场景。
在制造业中，上游是原材料供应商和设备制造商，中游是各类制造企业自身，下游是品牌商、分销商和终端消费者。上游的设备制造商已经开始在设备中嵌入AI能力，比如预测性维护、自适应控制等。中游的制造企业是AI落地的主要场景，这里有大量的生产管理、质量管理、设备管理的问题等待解决。下游的品牌商和分销商则更关注需求预测、库存优化等供应链AI应用。
第三个维度是商业模式。你需要理解这个行业的企业是怎么赚钱的，收入结构是什么样的，成本结构是什么样的，利润率在什么水平。商业模式分析能帮你判断AI产品的定价空间和付费意愿。一个利润率很高的行业，通常更愿意为提效工具付费；一个利润率很低的行业，你可能需要证明你的AI产品能带来显著的成本节约。
半导体行业的商业模式非常多样。硅材料企业按吨卖硅片，利润率相对稳定。晶圆代工企业按产能收费，利润率波动很大，跟技术先进性和产能利用率直接相关。芯片设计公司靠知识产权和设计服务赚钱，人力成本是最大的支出。封装测试企业按件收费，利润率通常不高，规模效应很重要。你需要针对不同类型的客户设计不同的AI产品定价策略。
第四个维度是收入结构和成本结构。收入结构告诉你钱的来源，成本结构告诉你钱花到哪里去了。AI产品通常有两种价值主张：帮你赚更多的钱，或者帮你省更多的钱。收入结构分析能帮你找到”帮你赚钱”的机会，比如金融行业的投研能力直接影响投资收益；成本结构分析能帮你找到”帮你省钱”的机会，比如制造业的设备停机成本极高，预测性维护就能创造巨大的价值。
制造业的成本结构中，原材料成本通常占百分之五十到七十，人工成本占百分之十到二十，设备折旧和维护成本占百分之十到十五，能源成本占百分之五到十。从这个结构可以看出，针对原材料利用率的优化AI产品价值最大，其次是减少人工的自动化AI产品，然后是设备维护相关的预测性AI产品。当然具体到每个企业，成本结构会有很大差异，你需要具体分析。
第五个维度是核心业务流程。每个行业都有一些核心的业务流程，这些流程是行业运转的基础。你需要理解这些流程是怎么运作的，每个步骤做什么，谁参与，用什么系统，产出什么结果。核心流程分析是发现AI自动化机会的最佳切入点。
半导体行业的核心流程包括新产品导入流程、量产管理流程、异常处理流程、质量改善流程等。新产品导入流程从客户需求开始，经过设计、试产、验证、量产几个阶段，通常需要三到六个月。这个流程涉及大量的文档处理、参数调整、数据收集和分析工作，是AI可以显著提效的领域。量产管理流程则是一个持续的监控和调整过程，涉及大量的实时数据分析和工艺参数优化，也是AI的理想应用场景。
第六个维度是关键岗位和角色。你需要知道这个行业里有哪些关键岗位，每个岗位的人每天在做什么，他们面临什么挑战，他们用什么工具和系统。岗位分析能帮你确定AI产品的目标用户和交互方式。
半导体行业的关键岗位包括工艺工程师、设备工程师、质量工程师、生产主管、良率工程师等。工艺工程师负责制定和维护工艺参数，他们需要理解物理化学原理，也需要处理大量的实验数据。设备工程师负责设备的维护和保养，他们需要诊断设备故障，制定维修计划。质量工程师负责产品质量的监控和改善，他们需要分析质量数据，找出问题根因。每个岗位都有特定的知识体系和工作模式，AI产品需要适配这些特点。
第七个维度是数据资产。你需要了解这个行业有哪些数据，数据质量如何，数据在哪里存储，数据的流转路径是什么样的。数据是AI的基础，没有数据就没有AI。你需要特别关注行业特有的数据类型、数据格式、数据采集频率和数据存储方式。
半导体行业的数据资产非常丰富。生产过程中每台设备都会产生大量的传感器数据，包括温度、压力、气体流量、功率等参数，采样频率可能高达每秒数千次。良率数据记录了每一颗芯片的测试结果，包括电性测试、外观检测等。设备状态数据记录了设备的运行参数和维护历史。工艺数据记录了每一步工艺的参数设置和调整历史。这些数据是AI分析的基础，但同时也面临着数据量大、格式多样、质量参差不齐等挑战。
第八个维度是业务痛点。你需要找出这个行业最困扰从业者的问题是什么，这些问题有多严重，目前是怎么解决的，解决的效果如何。痛点分析直接决定了AI产品的市场需求强度。
半导体行业最大的痛点之一是良率问题。一颗芯片的制造需要经过数百道工序，任何一道工序的微小偏差都可能导致最终产品不合格。良率每提高一个百分点，可能意味着数百万甚至数千万的利润增加。但目前良率分析主要依赖工程师的经验，需要人工收集和关联大量的数据，分析周期长，而且不同工程师的分析结果可能差异很大。这就是一个非常适合AI介入的痛点。
第二个痛点是设备异常导致的非计划停机。半导体设备非常昂贵，一台光刻机的价格可能超过一亿人民币，非计划停机每小时造成的损失可能达到数十万甚至上百万人民币。目前的设备维护主要依赖定期保养和事后维修，缺乏有效的预测性维护手段。
第三个痛点是工艺知识的传承问题。资深工程师积累了大量的经验和诀窍，但这些知识大多存在于他们的头脑中，没有系统化的沉淀。当资深工程师离职或退休时，这些宝贵的知识就会流失。
第九个维度是技术基础设施。你需要了解这个行业的信息化程度如何，用了哪些系统，系统的开放性如何，数据接口是否完善。技术基础设施直接决定了AI落地的技术可行性。
半导体行业的信息化程度普遍较高。大多数企业已经部署了MES制造执行系统、EAP设备自动化系统、SPC统计过程控制系统、FDC故障检测与分类系统等。这些系统为AI应用提供了较好的数据基础。但问题是这些系统之间往往存在数据孤岛，数据的整合和打通仍然是一个挑战。此外，很多系统是封闭的商业软件，数据接口受限，这也是AI落地时需要考虑的技术因素。
第十个维度是AI机会识别。在前面九个维度的分析基础上，你需要系统地识别和评估AI介入的机会。一个好的AI机会通常具备以下特征：高频发生的任务、涉及大量信息处理的工作、需要跨系统数据整合的分析、人力成本高且容易出错的环节、有明确商业价值的改善目标。
三、行业拆解模板
基于上面的十个维度，我为你设计了一个标准化的行业拆解模板。这个模板不是固定不变的，你可以根据具体行业的特点进行调整，但它提供了一个系统的分析框架，确保你不会遗漏重要的维度。
模板的第一个部分是行业概述。你需要简要描述这个行业的基本情况，包括行业规模、增长率、主要玩家、技术趋势、政策环境等。这个部分的目的是帮你建立对行业的宏观认知。
模板的第二个部分是价值链分析。你需要画出这个行业的完整价值链，标注每个环节的主要参与者、核心活动、附加值大小和利润分布。这个部分是整个拆解的基础。
模板的第三个部分是商业模式分析。你需要描述这个行业的主要商业模式类型，分析每种模式的收入结构、成本结构和盈利逻辑。这个部分帮你理解价值创造和分配的机制。
模板的第四个部分是核心流程分析。你需要列出行业最重要的五到十个业务流程，对每个流程进行详细拆解，包括流程触发条件、参与角色、输入输出、关键步骤、系统依赖、人工判断点、异常处理等。
模板的第五个部分是关键岗位分析。你需要列出行业最重要的岗位角色，对每个岗位进行分析，包括岗位目标、日常任务、使用的工具和系统、知识要求、痛点等。
模板的第六个部分是数据资产盘点。你需要梳理行业的主要数据类型，分析每种数据的来源、质量、存储方式和可获取性。这个部分是AI机会评估的基础。
模板的第七个部分是痛点清单。你需要汇总从前面分析中发现的业务痛点，按严重程度和解决难度进行排序。
模板的第八个部分是AI机会清单。基于前面所有的分析，你需要列出所有可能的AI应用场景，并初步评估每个场景的价值、可行性和优先级。
四、半导体行业拆解实例
现在让我们用这个模板来拆解半导体行业。我会按照模板的维度逐一展开，力求做到深入细致。
首先是行业概述。半导体行业是全球最重要的基础产业之一，支撑着从消费电子到汽车、通信、工业控制等几乎所有现代产业。全球半导体市场规模约为五千到六千亿美元，年增长率在百分之五到十五之间波动，受周期性影响较大。行业的主要玩家包括台积电、三星、英特尔等头部企业，以及大量的芯片设计公司、封装测试企业、设备和材料供应商。技术趋势方面，先进制程已经进入三纳米以下节点，先进封装技术（如CoWoS、InFo）越来越重要，AI芯片需求爆发式增长。政策环境方面，各国都在加大半导体产业的支持力度，中国的国产替代需求尤为迫切。
价值链分析。半导体行业的价值链可以分为上游材料和设备、中游制造和设计、下游封装测试和终端应用三个大段。上游的硅材料企业以日本信越化学、胜高（SUMCO）等为代表，主要提供硅片、光刻胶、特种气体等原材料。设备制造商以阿斯麦（ASML）、应用材料（AMAT）、泛林半导体（Lam Research）等为代表，提供光刻机、刻蚀机、薄膜沉积设备等关键设备。中游的芯片设计公司（如高通、英伟达、联发科）负责芯片的架构设计和功能定义。晶圆代工厂（如台积电、中芯国际）负责将设计图纸转化为实际的芯片。下游的封装测试企业（如日月光、安靠）负责芯片的封装和测试。最终的芯片被集成到各种终端产品中。
商业模式分析。硅材料企业的商业模式比较传统，按量计价，利润率通常在百分之二十到三十。设备制造商的利润率较高，特别是阿斯麦这种拥有极紫外光刻机（EUV）垄断地位的厂商，毛利率超过百分之五十。芯片设计公司靠设计IP和芯片销售赚钱，头部企业利润率很高。晶圆代工企业的商业模式最复杂，需要巨额的资本支出去建厂和买设备，然后通过产能利用率来摊薄固定成本，利润率波动很大。封装测试企业的利润率相对较低，竞争也比较激烈，主要靠规模和效率取胜。
核心流程分析。半导体制造的核心流程是晶圆加工流程，一片晶圆从进入工厂到完成所有加工步骤，通常需要经过数百道工序，耗时一到三个月。每一道工序都涉及精密的物理化学过程，需要严格控制工艺参数。在加工过程中，需要不断进行检测和测量，以确保每一步的结果符合规格。加工完成后，需要进行全面的晶圆级测试（WAT）和芯片级测试（CP/FT），筛选出合格的芯片。
新产品导入是另一个核心流程。当客户提出新的芯片设计需求时，代工厂需要根据设计要求制定工艺流程，进行试产验证，调整工艺参数直到达到客户要求，然后转入量产。这个流程涉及工艺工程师、设备工程师、质量工程师等多个角色的协作，需要处理大量的技术文档和实验数据。
异常处理流程也非常关键。生产过程中随时可能出现各种异常，如设备参数漂移、工艺条件变化、材料质量问题等。一旦出现异常，工程师需要快速定位原因，采取措施恢复生产，同时分析异常的影响范围。这个流程的信息密度很高，时间压力很大，是AI可以显著提效的场景。
关键岗位分析。工艺工程师是半导体工厂的核心岗位之一。他们的主要职责是制定和维护工艺参数，确保生产过程稳定运行。他们需要理解设备的工作原理和工艺的物理化学基础，也需要能够分析大量的生产数据来识别和解决问题。一个资深的工艺工程师通常需要五到十年的经验积累，他们的知识很大程度上是隐性的、经验性的。
良率工程师专注于产品良率的监控和改善。他们需要分析大量的测试数据，找出影响良率的因素，提出改善方案。良率分析通常需要整合来自多个系统和多道工序的数据，数据量很大，关联关系很复杂。目前的良率分析工具虽然能提供一些统计功能，但深入的根因分析仍然依赖工程师的经验和判断。
设备工程师负责生产设备的维护和保养。半导体设备非常复杂，一台光刻机包含数万个零部件，需要定期的校准和维护。设备工程师需要能够快速诊断设备故障，制定维修方案，最小化停机时间。预测性维护是设备工程师最期待的能力，但目前大多数工厂还停留在定期保养和事后维修的阶段。
数据资产盘点。半导体行业的数据资产主要包括以下几类。设备传感器数据是最基础的数据类型，每台设备上的传感器以很高的频率采集温度、压力、气体流量、功率、电压等参数，数据量非常庞大。一个大型晶圆厂每天产生的传感器数据可能达到数TB级别。工艺参数数据记录了每一步工艺的参数设置和调整历史。良率测试数据记录了每一颗芯片的详细测试结果，包括数十到数百个测试项目的测量值。缺陷检测数据来自各种检测设备，记录了晶圆表面的缺陷位置、大小、类型等信息。设备维护数据记录了设备的维护历史、故障记录、校准记录等。这些数据分布在MES、EAP、SPC、FDC等不同系统中，整合和分析这些数据是AI应用的基础。
痛点清单。半导体行业的主要痛点包括以下几个方面。良率问题是最大的痛点，良率每提高一个百分点就能带来巨大的经济价值，但良率分析需要整合大量的跨工序数据，依赖工程师的经验和判断，分析效率低且一致性差。设备非计划停机是第二大痛点，停机造成的产能损失和交期延迟影响严重。工艺知识传承是第三个痛点，资深工程师的经验缺乏系统化的沉淀和传承机制。新产品导入周期长是第四个痛点，从试产到量产通常需要数月时间，期间需要大量的数据收集和分析。客诉处理是第五个痛点，客户投诉的处理需要快速定位问题根因，需要跨部门协作和大量的数据分析。
AI机会清单。基于以上分析，半导体行业的AI机会主要集中在以下几个方向。第一个是良率分析Agent，能够自动整合多源数据，进行快速的根因分析和改善建议。第二个是预测性维护系统，通过分析设备传感器数据预测设备故障，提前安排维护。第三个是工艺知识库系统，基于RAG技术构建半导体工艺知识库，帮助工程师快速获取专业知识和历史经验。第四个是智能异常检测系统，实时监控生产数据，自动识别异常模式并报警。第五个是新产品导入辅助系统，自动化的数据收集和分析，加速试产到量产的过程。
五、制造业行业拆解实例
接下来我们拆解制造业。制造业是一个范围很广的行业，包括离散制造和流程制造两大类。离散制造如汽车、电子、机械等，产品是由一个个零部件组装而成的。流程制造如化工、制药、食品等，产品是通过连续的化学反应或物理过程生产的。这里我们以离散制造为主要分析对象，因为它的AI落地场景更多样。
行业概述。中国是全球最大的制造业国家，制造业增加值占GDP的比重约为百分之二十七。制造业正面临着转型升级的压力，从低附加值向高附加值转变，从劳动密集型向技术密集型转变。工业4.0、智能制造、数字化转型是行业的共识方向。但不同规模的制造企业差距很大，头部企业已经建立了完善的信息化系统，而大量的中小制造企业还停留在手工管理的阶段。
价值链分析。制造业的价值链比较清晰，上游是原材料供应商和设备供应商，中游是制造企业自身的生产制造过程，下游是品牌商、分销商和终端客户。制造企业内部又可以进一步细分为设计研发、采购供应、生产制造、质量控制、仓储物流、销售服务等环节。每个环节都有AI介入的可能，但价值和可行性各不相同。
商业模式分析。制造企业的商业模式主要是通过加工原材料或零部件，创造出具有更高价值的成品。收入来源主要是产品销售收入，部分企业还有技术服务收入。成本结构中，原材料成本通常占最大比重，其次是人工成本、设备成本和能源成本。利润率因行业和产品而异，高端制造业利润率可达百分之二十以上，低端制造业可能只有百分之五左右。
核心流程分析。制造业的核心流程包括生产计划与排程、采购与供应链管理、生产执行、质量管理、设备维护、仓储物流等。生产计划与排程是一个复杂的优化问题，需要考虑订单需求、产能约束、物料可用性、人员安排等多个因素，目前很多企业还在用Excel做排程，效率很低且容易出错。
采购流程涉及供应商选择、价格谈判、订单下达、到货验收、付款结算等环节。在制造业中，采购成本通常占总成本的百分之五十以上，采购决策的质量直接影响企业利润。供应商评估和采购价格分析是AI可以介入的领域。
生产执行流程是最核心的流程，从工单下达到成品入库，涉及物料准备、设备设置、生产操作、过程检测、产品检验等环节。这个流程产生的数据最多，涉及的人为判断最多，也是AI落地机会最集中的领域。
关键岗位分析。制造业的关键岗位包括生产主管、工艺工程师、设备工程师、质量工程师、采购员、仓库管理员、销售代表等。生产主管负责生产计划的执行和现场管理，他们需要协调人、机、料、法、环各个要素，确保生产按计划进行。工艺工程师负责制定生产工艺和作业指导书，他们需要理解产品的技术要求和生产设备的特性。设备工程师负责生产设备的维护保养，他们的工作直接影响设备可用性和生产效率。质量工程师负责产品质量的监控和改善，他们需要分析质量数据，找出问题根因，推动改善措施的落实。
数据资产盘点。制造业的数据主要包括生产数据（产量、工时、节拍等）、质量数据（检验结果、不良率、客诉记录等）、设备数据（运行状态、维护记录、故障历史等）、物料数据（库存、采购记录、供应商信息等）、销售数据（订单、发货、退货等）。与半导体行业相比，制造业的数据质量通常较差，很多中小企业的数据还停留在纸质记录阶段，这给AI落地带来了额外的挑战。
痛点清单。制造业的主要痛点包括生产效率低下（计划排程不合理、换线时间长、瓶颈工序不明确）、质量管控困难（人工检验漏检率高、异常发现不及时、根因分析能力弱）、设备管理粗放（缺乏预测性维护、备件管理混乱、停机损失大）、供应链不透明（库存信息不准确、供应商管理粗放、需求预测偏差大）、人员管理困难（技能传承不足、培训成本高、人员流动大）。
AI机会清单。制造业的AI机会非常丰富，主要包括以下几个方向。智能排程系统利用优化算法和机器学习提升生产计划的效率和准确性。视觉质检系统使用计算机视觉技术替代人工检验，提高检测效率和准确率。预测性维护系统通过分析设备运行数据预测故障风险。智能供应链系统利用AI优化库存管理和需求预测。工艺优化系统通过分析生产数据自动优化工艺参数。
六、金融投研行业拆解实例
最后我们来拆解金融投研行业。这个行业的信息密度极高，决策质量直接关系到资金安全，因此对AI工具的需求和付费意愿都很强。
行业概述。金融投研行业包括公募基金、私募基金、证券公司研究所、保险资管、银行理财等机构。行业规模以万亿级别的管理资产计算，从业人数数十万人。行业的特点是信息驱动、决策密集、对时效性要求极高。
价值链分析。金融投研的价值链包括数据采集、研究分析、投资决策、交易执行、风险管理、绩效评估等环节。数据采集是基础，研究分析是核心，投资决策是关键。每个环节都有AI介入的机会，但价值和可行性各不相同。
商业模式分析。金融投研机构的商业模式主要是收取管理费和业绩报酬。管理费按管理资产规模的一定比例收取，通常在百分之一到二之间。业绩报酬则根据投资收益的超额部分提取，比例可能达到百分之二十。这个商业模式意味着，投研能力直接决定了机构的收入水平。因此，任何能提升投研效率和质量的产品，都有明确的市场需求。
核心流程分析。投研的核心流程是研究到决策的全过程。首先是信息收集，分析师需要阅读大量的公司公告、行业报告、新闻资讯、宏观数据等。然后是信息分析和研究，分析师需要从海量信息中提取关键信号，建立对公司、行业和市场的理解。接下来是观点形成，分析师将研究成果转化为具体的投资观点和建议。最后是投资决策，基金经理基于研究报告和其他信息做出买卖决策。
关键岗位分析。行业研究员负责跟踪特定行业和公司，撰写研究报告，提出投资建议。他们每天需要处理大量的信息，包括财报数据、行业动态、公司新闻等，信息处理的效率和质量直接影响研究成果的价值。基金经理负责投资组合的管理，需要综合各种信息做出买卖决策。交易员负责具体的交易执行，需要在短时间内做出最优的交易决策。风控人员负责投资风险的监控和管理。
数据资产盘点。金融投研行业的数据非常丰富，包括行情数据（股票价格、成交量等）、财务数据（公司财报、行业统计等）、另类数据（卫星图像、社交媒体、供应链数据等）、研究报告（卖方研究、行业分析等）、宏观数据（GDP、CPI、利率等）。数据质量通常较好，格式相对标准化，获取渠道也比较完善。
痛点清单。金融投研的主要痛点包括信息过载（每天产生的研究报告和新闻数量远超人工处理能力）、研究效率低（大量时间花在数据收集和整理上，真正的分析时间不足）、知识碎片化（研究经验和洞察分散在各个分析师的脑海中，缺乏系统化的知识管理）、决策质量不稳定（人的判断容易受情绪和认知偏差影响）。
AI机会清单。金融投研行业的AI机会主要包括智能研报系统（自动收集和分析信息，生成研究报告初稿）、知识库系统（构建投研知识库，支持快速检索和关联分析）、信号挖掘系统（从海量数据中发现投资信号）、风控辅助系统（实时监控风险指标，预警风险事件）。
七、今日实践任务
今天的实践任务分为三个部分。
第一个任务是建立你自己的行业拆解模板。参考我上面提供的模板框架，结合你自己的理解和行业经验，设计一个适合你使用的行业拆解模板。模板应该包含至少八个分析维度，每个维度下列出具体需要收集的信息项。这个模板将是你后续所有行业分析工作的基础工具。
第二个任务是使用这个模板对半导体行业进行拆解。你可以参考我上面的分析，但需要补充更多的细节，特别是你通过搜索和阅读能够获得的行业数据和案例。尝试找到至少三个我上面没有提到的AI应用场景。
第三个任务是分别对制造业和金融投研行业进行拆解。每个行业的拆解都应该覆盖模板的所有维度，产出一份完整的行业拆解报告。重点关注数据资产和痛点这两个维度，因为它们直接决定了AI落地的可能性和价值。
完成这三个任务后，你应该对行业拆解方法论有了比较深入的理解，也积累了三个典型行业的完整拆解案例。这些案例将在接下来的几天中继续深化，你会从行业拆解逐步深入到岗位拆解、流程拆解，最终形成完整的AI机会评估和方案设计能力。行业拆解是这一切的起点，做得越扎实，后面的工作就越顺利。