Ang financial AI company na Rogo ay nakakumpleto ng D-round na pagsasapalaran na $1.6 bilyon, kung saan ang valuation ay tumalon mula sa $7.5 bilyon patungo sa $20 bilyon, halos nag-doubled sa loob ng tatlong buwan. Ang Rogo ay nakatuon bilang AI analyst para sa investment banks, private equity, at asset management firms, na kayang gawin ang pag-aaral ng kompanya, paghahanap ng data, pagbuo ng valuation models, at paggawa ng materials para sa kliyente. Ang kompanya ay nag-iintegrate ng mga foundational models tulad ng OpenAI at Anthropic kasama ang financial data mula sa Capital IQ at PitchBook, at nag-uugnay sa mga office software tulad ng Excel at PPT upang i-automate ang mga gawain na kadalasang naka-disperse sa iba’t ibang sistema. Hanggang Agosto 2026, ang Rogo ay nasa loob ng higit sa 300 na financial institutions at may 40,000 na user. Ang kanilang pangunahing kompetensya ay ang pagbuo ng compliance, model neutrality, at ecosystem integration, at kasalukuyang naging entry point sa trabaho ng mga financial institutions.

May-akda ng artikulo, pinagkunan: Wall Street Journal

Ang AI ay nagtapos na sa Wall Street.

Noong Abril ng taong ito, tapos na ang D-round ng pagsasakop ng halagang $160 milyon ng financial AI company na Rogo, at agad itong umabot sa pagpapahalaga ng $2 bilyon. Tatlong buwan bago iyan, ang pagpapahalaga nito ay lamang $750 milyon.

Tatlong buwan, malapit na sa pag-doble.

Ano ang ginagawa ng Rogo?

Sa simpleng salita, ibinibigay ang isang “AI analyst” para sa mga investment bank, PE, at asset management firms.

Maaari itong takpan ang malaking dami ng trabaho sa mesa na dati ay kailangang tapusin ng mga junior analyst sa gabi—tulad ng paghahanap ng kompanya, paghahanap ng datos, pagbuo ng modelo ng pagtatasa, pagpapabuti ng Excel, at paggawa ng materyales para sa kliyente.

Ngunit ang tunay na interesante ay ang pagkakakita na wala nang espesyal na “exclusive” bagay sa Rogo.

Ang mga base model ay ginagamit ang OpenAI at Anthropic, ang mga financial data ay galing sa Capital IQ at PitchBook, at ang huling ginagamit na Excel at PPT ay galing sa Microsoft.

Sa madaling salita, ang pinakamahalagang bagay—mula sa modelo, data, hanggang sa software sa opisina—ay hindi sarili nito. Ang ginagawa ng Rogo ay tulad ng nakaupo sa gitna at pinagsasama ang lahat ng mga ito.

Ayon sa karaniwang pag-iisip, ang mga kumpanyang ito ay pinakamadaling iwasan ng mga pagsasama-samang pampasok at pampalabas.

Ngunit ang katotohanan ay kabaligtaran nito.

Hanggang Agosto 2026, ang Rogo ay nasa loob ng higit sa 300 na mga institusyong pinansyal, ginagamit ng higit sa 40,000 na mga propesyonal sa pinansya, at tumataas ang halaga nito hanggang sa $2 bilyon.

Mas interesante na. Bakit naging isa sa pinakasikat na AI company sa Wall Street ang isang intermediate layer na tila lang “nagpupulong”?

Ngayon, sasabihin ng Silicon Guy ang tungkol sa Rogo, at kung paano talaga simulan ng AI ang pagkuha sa mga trabaho ng mga analista mula sa Wall Street.

Magsumite ng takdang-aralin para sa mga analista ng Wall Street

Mga analista ng investment bank, maaaring ang pinakamataas na kinikita at nagtatrabaho nang pinakamaraming paulit-ulit na fisikal na gawain sa mundo.

Hindi maraming oras ang kanilang ginugugol sa pagpupulong sa mga kliyente, kahit na bawat araw sila ay naka-suot ng suot na pambabae at pumasok sa Wall Street. Ayon sa Wall Street Mastermind, isang organisasyon na nagtuturo ng propesyon sa investment banking, ang mga empleyado ng investment banking ay nagugugol ng halos 90% ng kanilang oras sa paghahanap ng data, pagsusulat ng mga ulat sa pag-aaral, pag-update ng mga Excel model, at paggawa ng PPT.

Noong nakipag-interview ang Forbes sa mga tagapagtatag ng Rogo, binanggit na ang ilang mga entry-level na empleyado ng investment bank ay nagtatrabaho ng hanggang 90 oras bawat linggo. Kahit na walang pahinga sa loob ng 7 araw sa isang linggo, ang average ay halos 13 oras bawat araw.

Simpleng dahilan. Ang tradisyonal na mga investment bank ay malaking bahagi ng negosyo na “nakabatay sa pagpaparami ng tao para sa produksyon.” Kapag marami ang mga proyekto, mas marami ang mga analyst na hinahanap; kapag tumataas ang workload, sinusolusyon sa pamamagitan ng overtime.

Gusto ni Rogo gamitin ang AI upang baguhin ang modelo na ito.

Ang unang hakbang ay ang pag-automate ng “paghahanap ng data”.

Ang mga investment bank ay gumagamit ng Capital IQ at FactSet para hanapin ang mga financial data, PitchBook para tingnan ang funding, at LSEG para balikan ang mga merger at acquisition transactions. Ang mga database na ito ay nangangalakal na ng mga investment bank, ngunit dati pa ay kailangan ng mga analyst na maghanap, mag-filter, at kopyahin ang impormasyon nang sarili nila.

Direktang ginagawa ni Rogo ang pagtatrabaho kasama ang mga data merchant upang i-connect ang mga pahintulot sa data ng mga kliyente sa Agent.

Pagkatapos ng pagkakonekta sa Capital IQ noong katapusan ng 2024, ang mga Agent sa Rogo ay direktang nakakapag-call ng mga datos tungkol sa fundamentals, mga inaasahang merkado, at iba pa, at patuloy na nag-aanalisa.

Sa ibang salita, ginawang “mga produktibong materyales para sa paggamit ng Agent” ni Rogo ang mga datos na dati ay “para sa pag-check ng tao”.

Pangalawang hakbang ay ang direkta na pagbibigay ng mga gamit na file.

Ang Felix Agent ng Rogo ay direktang makakapasok sa totoong Excel model na ginagamit ng investment banks, upang i-update ang data, i-rolling ang forecast years, i-refresh ang mga graph, at i-adjust ang comparable companies.

Ang gawaing ito ay tila simpleng gawain, ngunit sa katotohanan ay mahirap. Maaaring mayroong ilang dosenang worksheet ang isang totoong investment banking model, puno ng cross-sheet references, historical data, at predictive assumptions. Noon, bawat pag-update ng analyst, kailangan nilang manlapit ng data, baguhin ang taon, at suriin ang mga formula.

Maaari na ngayon ni Felix ang pagkuha.

Halimbawa, kung ang libreng cash flow noong 2027 sa modelo ay biglang naging negatibo, maaari itong masuri ang formula pabalik upang makita kung aling ilang aksiyon ang nagbago, at pagkatapos ay magbigay ng mga rekomendasyon para sa pagbabago.

Kapag nakakatagpo ng isang napakakomplikadong modelo, binabale-wala nito ang ilang mga logika ng pagkalkula patungo sa Python at pinapagalaw muli ang mga ito upang i-check ang mga resulta.

Ibig sabihin, nagsimula na si Felix na magbigay ng direkta mga resulta ng mga gawain ng investment bank.

Hakbang tatlo, i-串 ang mga окремих gawain upang mabuo ang buong transaksyon.

Mukhang komplikado ang mga proyekto ng investment bank, ngunit pagkatapos ng paghihiwalay, wala naman itong iba kundi ang paggawa ng mga paulit-ulit na gawain tulad ng pagkukumpara ng mga kompanya, kasaysayan ng mga transaksyon, DCF, CIM, Teaser, at pagpili ng mga bilihin.

Ipinapakete ni Rogo ang bawat aksyon bilang isang Agent. Kinuha niya ang tulong ng higit sa 75 na tunay na propesyonal mula sa investment banking, private equity, credit, at research upang makabuo nito, at ngayon ay nakapag-run na ng higit sa 430,000 beses ang mga shared Agent.

Ngunit ang standard Agent ay hindi sapat, dahil iba-iba ang template, mensahe, at proseso ng bawat investment bank.

Kaya, patuloy pa rin ang Rogo na ipapadala ang kanilang tim sa loob ng kliyente upang palitan ang Agent sa isang espesyal na bersyon. Sa isang linggo lamang noong unang bahagi ng Hulyo 2026, kasama ng kliyente, itinayo ng Rogo ang higit sa 2,450 na kustomisadong Agent.

Mas mahalaga pa, ang mga Agent na ito ay maaaring i-link.

Isang agent ang naglalagay ng CIM at Teaser, samantalang ang isa pa ay nagpapatuloy sa comparable companies at DCF, at pagkatapos ay hinuhusga ang mga potensyal na buyer. Ang mga gawain na dati ay nakalat sa iba’t ibang analyst, ay nagsisimula nang maging isang automated na proseso ng pagtinda. Ito ang tunay na imahinasyon ng Rogo.

Kasalukuyang maaari ng software, hindi nangangahulugan na tutuparin ng investment bank. Kaya, ang business model ng Rogo ay espesyal din.

Ito ay binabayaran batay sa upuan, at sa本质上 ay isang SaaS. Hanggang sa Pebrero 2026, mayroon na itong higit sa 25,000 na user at 150 mga institutional customer.

Ngunit ang paraan ng pagpapatupad ay malakas. Iipapadala ng Rogo ang mga dating banker at engineer nang direkta sa loob ng kliyente, upang tulungan ang kliyente na magtatag ng workflow, magbigay ng pagsasanay, at baguhin ang Agent.

Halimbawa, sa Baird, sinimulan ni Rogo ang paggamit ng humigit-kumulang 600 na posisyon. Sa pamamagitan ng pagsasanay sa lugar at patuloy na pagsubaybay, nakamit ang 95% na antas ng pagkakaaliw sa loob ng ilang buwan, na nagtatapos ng humigit-kumulang 10,000 na awtomatikong gawain bawat linggo, na nagkakabuo ng higit sa 250,000.

Ibig sabihin, bagaman binebenta ni Rogo ang software, ang implementation ay mas parang konsultasyon.

Kung makapagpasa ang modelo na ito ni Rogo, ang parehong bilang ng mga tao ay maaaring sakop ang mas maraming proyekto sa hinaharap. Para sa isang industriya na nagtatrabaho ng ilang dekada gamit ang “pagsasama-sama ng lakas ng tao,” ito ang pinakamalaking halaga ng AI.

Sa pangkalahatan, ang mga kumpanya tulad ng Rogo ay napakalaking panganib.

Nasa itaas ang mga tagapagbuo ng mga modelo tulad ng OpenAI at Anthropic, habang nasa ibaba ang mga tagapagbigay ng datos tulad ng Capital IQ at PitchBook, at ang mga kliyente ay malalaking institusyong pinansyal tulad ng Goldman Sachs at Lazard.

Nakapagitan ito, at anumang paglalakad pababa sa isang panig ay maaaring iwasan ito.

Ngunit ang katotohanan ay kabaligtaran nito.

Hanggang Agosto ng taong ito, mayroon na si Rogo ng 40,000 na user at higit sa 300 na institutional client, kabilang ang mga kilalang investment bank tulad ng Rothschild at Lazard.

Bakit ang isang intermediate layer na tila pinakamadaling palitan, ay nagsisigla pa sa pagiging mas malalim?

Ang susi ay ang pagpindot ni Rogo sa tatlong pinakamahalagang posisyon ng financial AI.

Ang una ay ang pagkakasundo.

Itinatag ang Rogo noong paligid ng 2022, ngunit ang tunay na malawakang komersyalisasyon ay nangyari dalawang taon pagkatapos.

Sa loob ng dalawang taon, ito ay pangunahing ginawa ang isang mahirap na gawain: pinagbigyan ng katapatan ang mga finansyal na institusyon na ibigay ang kanilang data sa AI.

Ang mga investment bank ay nagtratrabaho araw-araw sa mga impormasyon tungkol sa pagkakaisa at pagbili, mga detalye ng kliyente, at panloob na pag-aaral. Kung maliwanagan ang AI ang MNPI o mali ang model sa isang mahalagang numero, ang epekto ay maaaring diretso na maging isang paglabag sa patakaran at aksidente sa reputasyon.

Kaya, nagsimula na ang Rogo sa pag-iisolate ng data, logika ng MNPI, detalyadong pagsasagawa ng pahintulot, at audit sa buong proseso, at patuloy na nakakuha ng SOC 2 Type I/II, ISO 27001, at sertipikasyon sa ISO 42001 AI governance noong 2025.

Walang masasabi na nakakalibot sa mga bagay na ito, ngunit sobrang nagkakahaba ng oras. Bilang resulta, agad na tumubo nang malaki agad pagkatapos ma-activate ang komersyalisasyon: mula sa 0 hanggang sa mabuo ang seven-digit ARR sa loob ng higit sa limang buwan, at higit na sa $15 milyon ang kita noong 2025.

Ikalawa, hindi ito nagtataya ng model.

Ang pinakamalaking panganib ng maraming kompanya sa AI application ay ang maling pagpili ng underlying model.

Hindi naglalagay ng stake ang Rogo. Gumawa ito ng isang Model Broker na nag-uugnay sa OpenAI, Anthropic, Google, at iba pang mga model, at awtomatikong pumipili batay sa iba't ibang financial task.

Bakit gawin ito? Dahil wala talagang isang makapangyarihang modelo para sa mga financial task.

Ginamit ni Rogo ang 928 totoong financial task upang gumawa ng Big Finance Bench. Nakuha niya na mas mahusay ang GPT-5.5 sa kapital na istruktura at M&A, mas angkop ang Claude Sonnet 4.6 sa pagsusuri ng financial statements, at mas magaling ang Claude Opus 4.7 sa private equity at pagbabawas.

Sa pamamagitan ng simpleng routing batay sa uri ng gawain at pinagkukunan ng data, maaaring mas mataas ang kabuuang resulta ng 4.5 puntos kaysa sa pinakamalakas na iisang modelo.

Mas malaki ang pagkakaiba sa gastos. Para sa parehong gawain, ang paggamit ng pinakamataas na modelo ay maaaring magkost ng $1.26, habang ang mas angkop na magaan na modelo ay maaaring magkost ng tanging $0.02.

Ang arkitekturang ito ay nangangahulugan ng isang mahalagang bagay: ang mga pundamental na modelo ay maaaring palitan nang patuloy, ngunit ang data ng customer, ang Agent, at ang mga workflow ay mananatili sa Rogo.

Gayunpaman, ang talakayang nagpapasya sa tuktok ng Rogo ay ang ikatlong antas.

Nagsisimula itong pumasok sa gitna ng lahat ng software ng mga institusyong pinansyal.

Ang workflow ng investment bank ay napakasira-sira. Ang data ay nasa Capital IQ at PitchBook, ang mga panloob na file ay nasa SharePoint, ang customer relationships ay nasa Salesforce, ang email ay nasa Outlook, ang models ay nasa Excel, at ang transaction working papers ay nasa Data Room.

Sa nakaraan, malaking bahagi ng oras ng mga analista ay ginugol sa pagpapalitan ng mga bagay sa pagitan ng mga software na ito.

Rogo ay nagsisimula na mag-ugnay-ugnay ng mga ito, piraso sa piraso.

Noong Setyembre 2025, kinuha ang Subset at isinama ang Agent sa Excel, upang makapag-modify ng malalaking modelo na binubuo ng mga dekada ng mga worksheet. Noong Marso ng taong ito, kinuha ang Offset upang bigyan ng “memory” ang Agent, kaya ito ay malalaman kung paano na-construct at na-modify ang isang modelo sa nakaraan.

Sambil noon, ito ay naka-connect sa SharePoint, Outlook, Salesforce, Box, at Intralinks.

Noong Agosto ng taong ito, pinagpalawig ni Rogo ang kanyang kakayahan sa due diligence ng M&A sa pamamagitan ng pagkuha sa Rivanna. Ang agent ay makakapag-proseso ng libu-libong dokumento ng transaksyon nang isang beses, magbibigay ng mga sipi mula sa orihinal, mag-identify ng mga panganib, at i-tracks ang buong proseso ng due diligence.

Nakikita mo sila bilang mga tampok nang hihiwalay. Pero kapag pinagsama mo sila, iba na ang sitwasyon.

Rogo ay naglalagay ng isang financial transaction workflow na dati ay nakalat sa mahigit sa sampung software, isa-isa sa kanyang sariling layer.

Kung isasapuso ng puzle na ito ang huling loop, hindi na lang isang AI tool ang masasakop ni Rogo.

Ito ay magiging entry point sa araw-araw na paggawa ng mga finansyal na institusyon. Ito ang tunay na dahilan kung bakit handa ang kapital na bigyan ito ng valuation na $2 bilyon.