在 2026 年，如果一個量化基金使用 LLM 篩選 5,000 隻全球股票來識別「估值偏低的東南亞保健 SaaS 公司，自由現金流為正且 ESG 評分高於 75」，你的公司是否出現在該篩選中——以及如何被描述——是由 AI 決定的。沒有人類分析師打開你的 IR 簡報。沒有投資組合經理參加你的路演。AI 做出了決定，AI 引導了資本。
這不是假設。這是當前約 4–6 萬億美元全球 AI 媒介管理資產的操作現實。我們稱之為 Machine Capital——全球投資流動中由算法和 AI 驅動系統執行、過濾或引導的份額。
Machine Capital 的分類
量化與系統性基金
最純粹的 Machine Capital 形式——基於結構化數據信號以算法方式執行的策略。它們消費機器可讀的金融數據，是 Schema.org 優化財務披露的主要受眾。
AI 增強的主動型基金經理
現在使用 LLM（ChatGPT Enterprise、Claude、Bloomberg GPT）進行篩選、盡職審查和想法生成的傳統資產管理公司。它們消費結構化數據和自然語言摘要的混合——其 AI 工具參考與公共 LLM 相同的網絡語料庫。
AI 驅動的零售平台
機器人投顧、AI 驅動的券商應用和面向零售的 AI 助手。當 Robinhood 或富途牛牛用戶詢問應用內 AI「我應該買哪些港股保健股？」時，AI 的回答——來源於網絡內容——直接驅動資本配置。
機構 AI 篩選工具
直接嵌入現有機構工作流程的 AI 功能：Bloomberg GPT 驅動的篩選、Refinitiv AI 摘要、FactSet 的自然語言查詢。這些不是獨立產品；它們是每個分析師已在使用的工具內的功能，使其影響力無形但無處不在。
B2A 的必要性
B2A（Business-to-Agent）是對越來越多投資決策通過 AI 中介流動這一現實的認知。正如「B2B」和「B2C」出現是為了描述針對不同買家類型的獨特市場策略，「B2A」描述了架構企業信息以便 AI 智能體——而不僅僅是人類分析師——能夠正確檢索、解析和引用它的策略。
對 IR 團隊的實際影響
- 假設 AI 是你的第一位讀者。 在任何分析師閱讀你的 IR 材料之前，AI 已經篩選、評分和總結了它們。先為機器讀者設計；人類讀者其次。
- 建立你的實體圖。 你的公司必須以一致、鏈接的實體存在於 Schema.org 標記、Wikidata、LinkedIn、Bloomberg、Crunchbase 和你自己的企業網站之間。碎片化的實體身份會導致 AI 遺漏。
- 衡量你的 AI 存在感。 定期用與你行業相關的標準化提示詞查詢主要 LLM。追蹤你是否出現、說了什麼、以及與競爭對手相比如何。這就是你的 AI 話語份額——現在已是董事會級別的 IR 指標。
Machine Capital 不是未來趨勢。它是當前的操作環境。問題不在於 AI 是否會中介你的下一位投資者——而在於你的企業敘事是否能通過機器優先的過濾器。