ai-berkshire

採用判断としては、ai-berkshire は現時点で「広く実力検証された投資プロダクト」というより、「注目度の高いオープンソース投研フレームワーク」と見るのが妥当です。GitHub の star、Trending 掲載、X での拡散は関心の強さを示しますが、これは熱度の証明であって、使いやすさや有効性の証明とは別です。実際の有用性判断により役立つのは、主に公式リポジトリの説明と少数の Zhihu 長文解説で、再現性の高い実測や長期レビューはまだ多くありません。

実際の役割は、自動で利益を出す仕組みでも、クオンツ売買エンジン、バックテスト基盤、証券発注ツールでもありません。より正確には、「価値投資の方法論を再利用できる調査ワークフローテンプレート」に近いです。リポジトリ説明ベースでは、バフェット、マンガー、段永平、李录の視点を複数 Agent に分け、ファンダメンタル、競争優位、リスク、バリュエーションなどの分析下書きを並列に出し、相互確認しながら調査材料と判断軸を整理しやすくします。

導入ハードルとコストについては、証拠上 Claude Code / Codex 系の coding agent 環境に依存すると見てよく、一定のプロンプト設計、コード環境構築、ワークフロー設定の能力が必要です。料金面では、evidenceSources に公式価格や安定した API コスト情報はありません。そのため、商用モデルを使う場合の費用は主にモデル利用量と調査の深さに左右される可能性が高い、という保守的推定にとどめるべきです。これは公式見積もりではなく、SNS 上のデモ費用も継続的コスト保証とは見なせません。

向いているのは、自分で環境を整え、出力を検証し、AI を調査補助として使える投資研究者です。逆に、ブラックボックスの銘柄推薦機を求める人には不向きです。SNS 上の共通認識としては、「AI×価値投資ワークフロー」という拡散しやすい題材を捉えており熱量は高い一方、議論の質は均一ではありません。現在の証拠では、公式リポジトリが用途と限界の判断に最も有効で、Zhihu は紹介・要約・軽い体験談が中心、教程や厳密な検証はまだ少なめです。X は主に拡散やリスト紹介で、可視性の証明にはなるものの性能証明としては弱めです。総合すると、話題性は高いがハードな実証はまだ限定的です。