Ang pangunahang punto ng artikulo ay: Ang kompetisyon sa financial AI ay hindi nakatuon kung sino ang makakabuo ng isang mas mahusay na “financial version ng ChatGPT” na nakikipag-usap, kundi kung sino ang makakaintegrado nang malalim sa mga pang-araw-araw na kasangkapan ng mga propesyonal sa financial (tulad ng Excel, PPT, Word) at sa mga pangunahing proseso ng negosyo (tulad ng due diligence, pagpapahintulot), at makakapaglabas ng mga opisyal na “deliverables” na maaaring i-review at i-archive.

May-akda ng artikulo: Resonant Ones

Pinagkunan sa: Su Chu.AI

Ang kompetisyon sa AI sa finansya ay hindi sa "sino ang makakapag-chat", kundi sa "sino ang makakapasok sa Excel, PPT, at mga proseso ng pagpapahintulot".

Marami ang naniniwala na ang kompetisyon sa financial AI ay ang pag-train ng isang malaking modelo na mas maunawaan ang financial.

Ngunit ipinakita ng Claude for Financial Services ang totoong sagot: Ang core ng AI sa finansyal ay hindi ang modelo, kundi ang workflow.

Hindi ito tungkol sa pagpapakilala ng AI upang magsalita sa mga user tungkol sa mga stocks, kundi tungkol sa pagpapasok ng AI sa Excel, PPT, Word, pananaliksik at pag-aaral, investment banking, due diligence, compliance, reconciliation, at mga flow ng pagpapahintulot.

Mahalaga ang bagay na ito para sa mga lokal na negosyante. Dahil kung patuloy ka pa ring gumagawa ng "金融版 ChatGPT", malamang mong kakalabanin ang mga malalaking kumpanya, data terminals, at office suites; ngunit kung kayang mong kunin ang mga Excel, PPT, Word, at approval packages na araw-araw ay ginagawa ng mga financial institutions, tanging dito magiging simula ang iyong pagkakataon.

Isang totoong sitwasyon

Noong nakaraang buwan, nag-usap ako sa isang kaibigan kong nagsasagawa ng PE. Ang kanilang tim ay nagawa ang due diligence sa isang kumpanya sa konsumo, at ang Data Room na natanggap ay may 17 na folder at higit sa 400 na dokumento—mga kontrata, mga ulat sa pagsusuri, mga transaksyon sa bangko, detalye ng order, mga tala mula sa mga interbyu, at mga materyales ng pamamahala.

Kahit isang VP na kasama ang dalawang analyst, kailangan nilang magtrabaho ng dalawang linggo para makagawa ng isang magandang draft ng IC Memo.

Ngayon? Kung may isang tao (o isang Agent) na makakapagtapos ng pag-aayos ng data, pagmarka ng panganib, pagkilala sa mga nawawalang elemento, at pagbuo ng unang draft sa loob ng 24 oras—doon ba kayo magbabayad?

Hindi ito siyensyang pangkasalukuyan. Ang Claude for Financial Services ay nagsasagawa na nito. At hindi ito isang App ang inilabas nito, kundi isang produkto na pamantayan na “Agent + Skill + Connector + Deliverable + Human Approval”.

Una sa mga natuklasan: Ang estruktura ng produkto ng Claude for Financial Services ay simpleng simple: ang Agent ang responsable sa end-to-end na gawain, ang Skill ay nagpapalalim sa mga proseso sa larangan ng finansya, ang Connector ay nag-uugnay sa mga datos sa finansya at mga loob na sistema ng kumpanya, ang Excel, PowerPoint, at Word ang nagtatanggap ng mga huling deliverables, kasama ang mga pagsasakatuparan ng pahintulot, pagbanggit, audit, at pagsusuri ng tao upang siguraduhing gamit ng mga institusyong pinansyal.

Noong nakaraan, ang anyo ng AI sa pananalapi ay ang pagtanong mo ng isang tanong at ang AI ay nagbibigay ng isang sagot. Ngunit ang tunay na kailangan ng mga institusyong pananalapi ay: bigyan mo ako ng isang hanay ng mga materyales, at kailangan kong makakuha ng isang deliverable na maaaring i-review, i-cite, i-archive, at maipasok sa sistema ng negosyo. Malaki ang pagkakaiba ng dalawang ito. Ang halaga ng financial AI ay nasa deliverable, hindi sa chat box.

Ang isa pang pagbabagong dapat tandaan ay ang mga lokal na pampublikong institusyon ay hindi na nasa estado ng paghihintay.

Noong 2025 hanggang 2026, ang aking nakikita ay may tatlong antas ng pagpapatupad. Ang mga banko ang pinakamabilis, kung saan natapos ng Bank of Construction ang private deployment ng DeepSeek at natapos ang higit sa isang daan na mga skena. Ginamit ng CITIC Construction Investment Fund ang DeepSeek para sa due diligence ng REITs, na binawasan ang 70 na araw ng gawain ng limang empleyado sa 10 araw lamang ng isang tao—nagtaas ng efficiency ng 30 beses.

Kasama na rin ng PICC Property and Casualty, ang CITIC Construction Investment Securities ay nagtataguyod ng serbisyo ng investment advisor batay sa maraming agent, habang ang PICC Property and Casualty ay nagsasama ng DeepSeek upang bumuo ng database ng kaalaman, at ang Ping An Large Model ay ginamit 818 milyon beses sa loob ng anim na buwan.

Ngunit ang tunay na interesante ay ang ikatlong grupo—PE, asset management, at wealth management. Marami silang data, sapat ang kanilang budget, at malaki ang presyur sa pagpapadala, ngunit kasalukuyang nasa POC pa lamang sila. Hindi ito tawagin na liko, kundi ang panahon ng pagkakataon para sa mga startup.

Sa pagbanggit ng pagpasok ng mga startup, marami ang agad na isipin ang paggawa ng financial version ng ChatGPT. Ngunit malaki ang panganib nito, dahil magkakaroon ka ng tatlong uri ng malalakas na kalaban.

Ang mga tagagawa ng modelo ay gagawing mas mura ang kanilang pangkalahatang kakayahan. Ang mga terminal ng financial data tulad ng Wind, Choice, iFinD, at Tonghuashun, na mayroon nang data at entry point ng mga user, ay magiging mahirap mag-charge nang hiwalay kapag isinama ang AI sa pagtatanong sa pangkalahatang financial. Mas pumipili ang mga malalaking financial institution na bumuo ng kanilang sariling internal AI middleware at isama ang pangkalahatang kakayahan sa kanilang sariling sistema ng pagsasaklaw.

Ang startup ay direktang lumalaban, at binabantaan sa tatlong front.

Ngunit kung iyong iiba ang pananaw, hindi tingnan ang entry point, kundi ang operational layer, iba ang sitwasyon. Ano ang vertical operational layer? Ito ay ang pagpapalalim ng AI sa paligid ng isang tiyak na posisyon, isang tiyak na proseso, o isang tiyak na deliverable. Halimbawa: pag-structure ng mga dokumento para sa due diligence ng PE/investment banking, pagsusuri ng financial model sa Excel, unang pagsusuri ng mga dokumento para sa credit approval, awtomatikong paglikha ng compliance review forms, pagtutulungan sa pagsusuri ng mga dokumento para sa insurance claims at underwriting, at awtomatikong pag-ayos ng minutes ng mga kliyente manager meeting.

Ang mga direksyong ito ay hindi ganoon kalaking galing sa "Financial Large Model," ngunit mas malapit sa budget ng kliyente.

Ano ang mga produkto na值得做

Sa aking pagsusummary, kailangan magkakasabay ang apat na kondisyon.

Makakatanggap ng data

Ang mga tunay na may mataas na halaga na mga skena ay kadalasang nangangailangan ng pag-uugnay sa mga loob na file ng kliyente, CRM, online drive, email, kontrata, at sistema ng pagpapahintulot. Ang pagpaproseso lamang ng mga pampublikong web page ay may limitadong halaga.

Nakakapagpatakbo ang proseso

Hindi magbabago ang mga financial user ng kanilang mga gawain para sa AI. Dapat pumasok ang produkto sa kanilang ginagamit na Excel, PPT, Feishu, Enterprise WeChat, DingTalk, WPS, at CRM.

Isumite ang mga dokumento

Hindi binabayaran ng mga institusyong pinansyal ang sagot, kundi ang materyales. Kailangan mong makapaglabas ng checklist, memo, deck, at Excel para may kakayahang magbayad.

Manatili ang hangganan ng responsibilidad

Dapat suportahan ng AI ang pagbanggit, pag-iingat ng rekord, mga pahintulot, audit, at pagsusuri ng tao. Huwag magbigay ng mga rekomendasyon sa pag-invest, huwag magtrabaho nang awtomatiko, at huwag palitan ang huling pagpapahintulot.

Kailangan ng apat na ito; kung kulang ang isa, mahirap ipasok ang produkto sa tunay na production environment.

Kung ihahalintulad natin ang pananaw sa hinaharap na 24 buwan, naniniwala ako na mayroong pitong mga espesipikong direksyon na dapat tandaan.

Ang pag-aaral at pagsusuri ang nasa unahan. Maraming materyales, limitadong oras, at malinaw na deliverables—ito ang pinakamalapit sa direksyon ni Hebbia at Rogo.

Susunod sa pagsusuri ng Excel model—may malaking dami ng Excel sa investment banking, PE, credit, at asset management; maraming error sa formula, hard-coded values, at hindi magkakasunod na assumptions, kaya malaki ang puwedeng tulong ng AI.

Nasa ika-tatlong posisyon ang tulong sa pagpapahintulot sa kredito; kailangan ng mga banko at di-bankong institusyon ang unang pagsusuri ng mga dokumento, pagsusuri ng flow ng pera, pagkuha ng panganib, at pagbuo ng ulat sa pagkakaloob ng kredito. Nasa ika-apat na posisyon ang pagsusuri sa pagkakasunod sa batas; ang paghahambing sa patakaran, pagsusuri sa materyales sa pagmemerkado, at pagsusuri sa KYC ay angkop para sa isang AI na katulong na maaaring i-refer at maiwan ang track.

Ang pagpapatupad at pagsasagawa ng mga operasyon sa pondo, kabilang ang pagtutugma, pagtataya, pagsusuri ng mga bayarin, at mga basehan ng audit, ay napakaproseso at mataas ang gastos sa pagkakamali.

Maraming mga dokumento para sa klaim ng insurance at pagsusuri, maraming patakaran, malakas ang presyur sa pagsusuri ngunit kailangan pa rin ng tao upang kumpirmahin.

Huling punto ay ang customer manager at investment copilot—hindi direktang nagbibigay ng investment advice ang AI, kundi tumutulong sa mga advisor sa paghahanda bago ang meeting, paliwanag ng produkto, mga tala sa meeting, at pag-update ng CRM.

Mayroong isang karaniwang priyoridad sa pitong direksyon: dapat ay ma-audit, ma-referensya, at ma-private ang produkto.

Hindi tatanggapin ng mga institusyong pinansyal ang “Ayon sa AI, maaaring ganito.” Saan galing ang mga numero? Saan ang mga sanggunian? Sino ang nag-verify? Nakalabas ba ang data? Ito ang mga pangunahing kondisyon para sa desisyon sa pagbili. Kaya dapat isama agad sa disenyo ang pag-sourche ng mga sanggunian, pag-endorso ng tao, paghihiwalay ng data, at pag-iingat ng rekord ng aksyon. Hindi ito gastos sa pagsunod, kundi isang barayting produkto.

Mayroon pa ring mas malaking trend. Pagkatapos ma-commodify ang mga kakayahan ng model, ang mga pagkakataon ay umuusbong sa workflow, connector, at governance layer. Tulad noong panahon kung saan ang cloud computing ay ginawa ang IT infrastructure na API, ang mga bagong entrepreneur ay gagawa ng SaaS dito. Parehong nangyayari saayon sa mga malalaking model ngayon—sino man ang makakapag-encapsulate ng industry workflow dito, siya ang may competitive advantage.

Ang mataas na densidad ng impormasyon, ang mataas na mga pamantayan sa anyo, at ang malakas na pagkakadepende sa responsibilidad sa industriya ng finansya ay nagpapasiya na hindi ito maaaring mabilis na sakop ng karaniwang AI. Ito ang eksaktong ligtas na zona ng mga startup.

Paano magsimula ng isang startup?

Huwag magsimula sa platform.

Hanapin ang isang maliit na larangan: may totoong datos, may nakapirming template, may malinaw na deliverable, may tao na nagrereview, may budget ng departamento, at maaaring i-verify ang ROI sa loob ng 60-90 araw.

Huwag sabihin ito:

Gagawin kong AI platform para sa mga finansyal na institusyon.

Kailangan mong sabihin:

Una kong i-automatize ang pag-organisa ng mga dokumento sa Data Room para sa tim ng PE/FA, at ilabas ang draft ng Q&A sa due diligence, listahan ng mga panganib, at IC Memo.

Mas spesipiko, mas madali makapag-trade.

Natatakot ba ang pinakamalaking panganib na palitan ng malalaking kumpanya?

Ang pangkalahatang entry ay mababago. Ang mga tanong at sagot sa pangkalahatang pinansyal, maikling buod ng mga pag-aaral, at simpleng pagtanong sa data ay madaling sakop ng malalaking modelo at mga data terminal.

Ngunit hindi gagawin ng vertical deep flow.

Hindi nais ng mga malalaking kumpanya gawin ang mga masasamang gawain para sa bawat espesipikong posisyon. Ang tunay na hirap ay: mag-ugnay sa loobang sistema ng kliyente, maintindihan ang proseso ng posisyon, i-angkop ang template ng kliyente, at kasama ang kliyente mula sa POC hanggang sa produksyon.

Hindi ito maaaring lutasin nang awtomatiko ng isang model API.