Anthropic10個智能體重構投行、基金工作流，如何影響國內金融機構？

財聯社5月18日訊（記者 趙昕睿）估值9000億美元的AI公司Anthropic推出的10個專屬Agent正影響著華爾街金融從業者的飯碗，對數據服務商也造成打擊。

今年5月，Anthropic CEO 達里奧?阿莫代伊（Dario Amodei）在紐約華爾街舉辦的金融服務專場閉門發布會上，正式發布10個金融專用AI智能體，覆蓋投行、研報、PE、財富管理、基金運營等全鏈條工作流，從投行前臺到基金后臺實現全面覆蓋，重構華爾街工作流。

市場對此反應產生分化。該消息一出，美國金融數據服務商暴跌，FactSet盤中跌超8%，晨星跌近3%；銀行股價反而穩定，高盛、摩根大通、美國銀行未跌，市場認為AI是工具，不是威脅，反而能提升利潤率。

Anthropic的10個智能體對金融從業者影響究竟有多大？這是市場最關心的問題。本質上講，這些智能體并非搶飯碗，是由AI做80%的體力活，金融從業者做高價值判斷，釋放精力專注客戶溝通、戰略判斷、風險決策、創新業務。在國外市場看來，“只會做重復工作的人”才會面臨實業風險。

部分券商高管對AI技術革新則抱著開放協作的積極態度。國金證券首席信息官王洪濤認為，“你如何用AI，AI便如何成就你。你為它賦予意義，它為你照亮前路。”AI將從“后臺工具”進化為與員工并肩工作的“AI數字同事”。

中信證券首批上線的18名數字員工核心訴求更是持有相同理念。公司首席信息官、信息技術中心行政負責人于新利明確提出數字員工必將重塑金融業態，但提升全體員工的工作體驗，推動證券行業在未來實現人員能力提升與創收增長的雙重突破才是最終目標。

可以看到，AI技術革新對海內外金融市場都正產生深刻的影響。Anthropic的10個智能體會如何影響金融業務與從業者？對國內券商和基金AI進程又有哪些啟示？

問題一：10個AI智能體能做什么？

Anthropic此次發布的10個智能體，是面向具體金融業務場景的端到端工作流自動化系統。從功能分布來看，這10個智能體分別覆蓋研究與客戶、基金運營與財務，各自分工明確：

1.Pitch Agent（路演材料制作）:負責生成融資路演冊（Pitch Deck），通過整合可比公司數據（Comps）、杠桿收購模型（LBO）等信息，快速生成品牌化的路演材料，幫助投行團隊準備客戶會議或融資提案。

2.Meeting Prep Agent（會前準備）:在客戶會議前，自動整理客戶背景信息、市場動態、對手方情況等，生成簡報包，為會議提供結構化參考，節省團隊準備時間。

3.Market Researcher（行業研究）:根據行業關鍵詞或標的，從多個數據源獲取信息，生成行業概覽、競爭格局分析、同業對比及投資想法清單，輔助研究人員或投資者進行市場調研。

4.Earnings Reviewer（財報分析）:分析財報電話會議記錄或財報文件，實時提取關鍵信息，更新財務模型，并生成研究筆記草稿，幫助分析師快速理解財報變化及潛在影響。

5.Model Builder（財務建模）:支持構建多種財務模型，包括現金流折現模型（DCF）、杠桿收購模型（LBO）、三表聯動模型等，從數據輸入到模型搭建提供自動化支持，方便分析師進行估值和預測。

6.Valuation Reviewer（估值復核）:讀取普通合伙人（GP）提供的估值包，運行估值模板，進行交叉驗證，生成有限合伙人（LP）報告，確保估值結果的合理性和合規性。

7.GL Reconciler（總賬核對）:負責總賬（GL）與明細賬的對賬工作，自動找出差異項，追溯差異根因，并生成簽核材料，幫助財務團隊完成對賬和審計準備。

8.Month-End Closer（月末結賬）:執行月末關賬流程，包括計提、滾存、差異說明等操作，生成關賬報告，確保財務數據的準確性和完整性。

9.Statement Auditor（報表審計）:在LP報表分發前，對報表進行審計檢查，驗證報表的一致性、完整性和審計就緒度，確保報表符合合規要求。

10.KYC Screener（客戶盡職調查篩選）:解析新客戶開戶文檔，通過規則引擎檢查合規性，標記缺失或異常項，生成合規報告，輔助合規團隊完成客戶盡職調查（KYC）流程。

這10個智能體并非孤立運行。Anthropic同步推出了辦公軟件插件，使得一項在電子表格中啟動的任務可以無縫流轉至演示文稿生成報告，且上下文保持一致。此外，通過模型上下文協議，這些智能體已接入包括穆迪、鄧白氏、晨星、標普全球、FactSet等在內的11家主流金融數據提供商。

這意味著，一個典型的投行分析師工作流可以被重構為：通過自然語言指令調用智能體，自動從多個數據源拉取數據，在電子表格中生成分析模型，再自動轉移至演示文稿生成材料，全過程保留審計追蹤。據Anthropic披露，其底層大模型在金融智能體基準測試中的得分達到64.37%，位列當前行業第一。

問題二：對金融從業者真實影響是什么？

Anthropic這10個智能體的發布，在金融從業者群體中引發了復雜反應。一方面，效率提升的誘惑顯而易見；另一方面，“AI是否會取代分析師”這一老生常談的額話題被賦予了新的緊迫性。

據國外投行人士闡述，海外初級分析師崗位招聘正遭遇寒冬，許多來自頂尖學院的畢業生，都無法獲得一份初級分析師崗位的實習機會。Anthropic的介入對這些需要花費大部分時間在手動分析數據、制作幻燈片等繁瑣、重復工作的初級分析師影響最深，AI已然能替代這部分工作。這意味著，初級研究崗位的需求下降這一趨勢或更加確定。當研究團隊負責人及資深分析師可以借力智能投研助理完成基礎性工作時，對初級分析師的需求自然減弱。

但與此同時，資深首席分析師和機構銷售兩類角色的重要性反而可能上升。前者憑借專業知識和行業經驗，在確定關鍵數據來源、分配數據權重等方面擁有不可替代的作用；后者在推動業務發展和客戶關系維護方面的價值，在AI時代或許更為凸顯。

有業內人士指出，過去分析師的核心競爭力在于數據整理、信息歸納和基礎建模，而AI現已在這些環節實現高效賦能，使得分析師更需要專注于邏輯推理、因果分析、市場預判和策略制定等高附加值任務。與此同時，跨領域的綜合能力，如對AI技術的理解、跨學科分析框架的構建也將成為未來分析師的重要競爭力。

分析師借力智能體的目標，是努力從“信息處理”中解放出來，更多參與價值判斷與價值分發。

一個更具前瞻性的視角來自東方證券研究所所長黃燕銘。他曾在公開訪談中，將研究業務分成收集信息、加工信息、創造思想和傳播思想等4個步驟，并指出在前兩個環節中，AI可以大幅提升效率，但是如何在掌握大量信息的基礎上，實現人的思考和創新的想法，AI的作用是有限的。

問題三：海外傳統金融數據服務商面臨沖擊，國內同類公司有哪些優勢？

美國數據金融商股價下跌正反映出Anthropic對其業務的沖擊。反觀國內，有哪些類似FactSet、晨星的數據商，他們又該如何鞏固好自己的護城河？

萬得（Wind）或是國內最接近“中國版Bloomberg”的存在，幾乎壟斷了國內機構投資者的金融終端市場，其護城河來自多年積累的數據覆蓋度和口徑穩定性、機構用戶長期形成的使用習慣，以及在債券估值、期貨數據等行業標準層面幾乎無法替代的專業地位。萬得Alice也在不斷升級優化，于5月15日全新上線的Agent蜂群模式直接變成一支可被調度的金融AI項目組，使AI像項目組一樣干活。

同花順的優勢則在個人投資者端流量和部分場景的數據積累，但在機構業務智能體化方向上尚未形成完整布局。東方財富從財經門戶網站切入到金融數據終端，再到拿下券商牌照，核心優勢在于散戶流量市場的變現能力。

還有像金融IT服務商恒生電子，雖不是數據公司，但長期服務券商、基金等機構的交易系統，其優勢在于離業務流程最近，多種工程化能力恰恰是智能體進入金融核心流程最難的部分。

從政策環境看，國內金融數據公司的生存土壤與海外同行有著本質不同。一方面，數據主權和安全合規要求將海外巨頭的業務邊界限定在極小范圍內，國內機構采購數據服務時幾乎只能在本土供應商之間選擇，這為國內公司提供了天然的“防護墊”。另一方面，國內公司在推進智能體產品時，同樣需要跨過算法備案、數據安全評估等一系列合規門檻。這些是可以通過投入解決的約束，但同時也構成真實的準入壁壘。

問題四：10個智能體對國內金融機構有何影響？

數據公司的格局變化只是表層，更深層的沖擊在于智能體正在改變金融服務的競爭邏輯。Anthropic這10個智能體的發布，對國內券商和基金行業的影響，需從多個維度分開審視。

技術層面路徑不同，各有優勢。觀察來看，國內頭部券商在AI領域的布局并不滯后。

華泰證券2025年正式確立“All in AI”戰略，推出AI原生金融交易終端，并構建AI驅動的智能投研體系。國泰海通發布了千億參數多模態證券垂類大模型“君弘靈犀”，其AI客服已替代超過60%的人工咨詢。招商證券提出“AI證券公司”戰略愿景，目標到2030年實現客戶服務、業務場景、員工辦公、高頻作業AI覆蓋率均達100%。東方財富依托自研“妙想”大模型推出“AI研究員”智能體，可自主完成信息搜集和分析流程；中信建投、國泰海通等機構也相繼推出研報處理智能工作臺。

但兩套體系的路徑差異，決定了各自的長短板。Anthropic的10個智能體使金融機構可以像搭積木一樣組合不同智能體，快速將多個數據源整合進同一工作流。這種模式的優勢在于標準化程度高、部署速度快，適合流程成熟的海外投行業務。

國內券商AI布局則走了另一條路，圍繞本土市場需求做深度定制。A股信息披露規則、監管審批流程、投資者結構與海外市場存在本質差異，簡單復制海外模板很難真正落地。國內券商自研的智能投行平臺、投行AI文書系統等，在貼合本土監管要求方面反而更具優勢。

從數據生態來看，Anthropic的10個智能體已直接與11家主流金融數據提供商打通，分析師可以在同一工作流中無縫調用不同來源的數據，且每一個結論都可以追溯到原始數據源。國內券商雖然也在建設數據中臺，但或仍存在數據采購分散、跨源數據融合的技術門檻較高等數據孤島問題。

同時，證券行業智能體所面臨的合規問題也不可忽視。例如投行業務方面，監管對發行材料真實性和準確性的責任歸屬有明確要求，承銷商和簽字保薦代表人對文檔承擔個人法律責任。智能體生成的內容在法律上如何定性？簽字人是否需要對智能體生成的內容承擔全部責任？這個責任劃分的法律真空，或是智能體進入投行業務核心環節所面臨的制度性障礙。

基金行業受到的沖擊與券商或有所不同。在公募基金領域，AI的應用集中在量化投資和智能投顧兩大方向。但Anthropic此次發布的智能體中，與基金行業關聯度最高的是估值復核、總賬核對和月末結賬。這類面向基金運營后臺的工具，瞄準的是公募基金中后臺運營成本較高的痛點。若智能體能夠壓縮相當比例的后臺運營支出，對基金行業的商業模式將產生實質性影響。

從滲透路徑看，公募基金由于合規要求高、風控體系嚴格，智能體的落地速度或慢于券商。而頭部量化私募機構早在多年前就將機器學習納入因子挖掘和策略構建流程，對AI技術的掌握甚至超過部分券商研究所。由于這類機構已經自建了更貼合自身策略的AI系統，Anthropic推出的金融智能體對其增量價值或相對有限。

比單點業務沖擊更值得關注的是智能體對賣方研究展業模式的根本性挑戰。長期以來，分倉傭金是券商研究所最核心的收入來源。若智能體能夠替代相當比例的賣方研究服務，例如自動完成財報點評、行業數據跟蹤、基礎建模等工作，公募基金對賣方研究的付費意愿將走向何方，成為一個值得深思的問題。

從Anthropic實踐不難看出，當前金融AI智能體的發展核心趨勢，在于深度對接機構現有工具與生態、貫通數據至業務全流程。對國內券商和基金行業而言，這既是壓力也是契機。壓力在于，海外頭部金融機構對AI的擁抱速度正在加快；契機在于，國內資本市場本地化場景與監管要求適配或都是海外競爭對手難以復制的優勢。