Poin utama artikel ini ialah: persaingan dalam AI kewangan bukan terletak pada siapa yang mampu mencipta “ChatGPT versi kewangan” yang lebih pandai berbual, tetapi pada siapa yang mampu mengintegrasikan secara mendalam ke dalam alat harian pekerja kewangan (seperti Excel, PPT, Word) dan proses bisnis utama (seperti due diligence, persetujuan), serta menghasilkan “hasil akhir” rasmi yang boleh disemak dan diarkibkan.

Penulis artikel: Resonant Ones

Sumber artikel: Su Chu.AI

Perjuangan AI kewangan bukan pada "siapa yang boleh berchats", tetapi pada "siapa yang boleh masuk ke Excel, PPT, dan aliran persetujuan".

Banyak orang menganggap bahawa persaingan dalam AI kewangan adalah melatih model besar yang lebih memahami kewangan.

Namun, Claude for Financial Services mengungkap jawapan sebenar: inti AI kewangan bukanlah model, tetapi alur kerja.

Ia bukanlah tentang membiarkan AI berbual dengan pengguna mengenai saham, tetapi membiarkan AI masuk ke Excel, PPT, Word, penyelidikan pelaburan, bank investasi, penyiasatan menyeluruh, kesesuaian, penyesuaian, dan aliran persetujuan.

Perkara ini sangat penting kepada usahawan tempatan. Kerana jika anda masih membuat "ChatGPT versi perbankan", kemungkinan besar anda akan ditelan oleh syarikat besar, terminal data, dan pakej pejabat; tetapi jika anda mampu mengambil alih Excel, PPT, Word, dan pakej persetujuan yang dihasilkan secara berulang-ulang oleh institusi kewangan setiap hari, peluang baru sahaja bermula.

Satu senario sebenar

Bulan lalu saya berbual dengan seorang rakan yang bekerja dalam PE. Pasukan mereka menjalankan due diligence terhadap sebuah syarikat penggunaan, dan menerima Data Room yang mengandungi 17 folder dan lebih daripada 400 dokumen—kontrak, laporan audit, aliran bank, butiran pesanan, risalah temu bual, dan bahan pengurusan.

Dulu, seorang VP bersama dua analis memerlukan dua minggu untuk menghasilkan draf awal IC Memo yang baik.

Sekarang bagaimana? Jika seseorang (atau satu Agent) mampu menyelesaikan pengurusan data, penandaan risiko, pengenalan item yang hilang, dan penghasilan draf awal dalam 24 jam—apakah anda rasa pelanggan akan membayarnya?

Ini bukan sains fiksyen. Claude for Financial Services sudah melakukan perkara ini. Dan ia bukan membuka sumber satu Aplikasi, tetapi satu paradigma produk «Agent + Skill + Connector + Hasil + pengesahan manusia».

Pertama, struktur produk Claude for Financial Services sebenarnya sangat mudah: Agent bertanggung jawab atas tugas end-to-end, Skill merumuskan proses profesional keuangan, Connector menghubungkan data keuangan dan sistem dalaman perusahaan, Excel, PowerPoint, dan Word menerima hasil akhir, ditambah dengan pengawasan, rujukan, audit, dan semakan manusia untuk memastikan institusi keuangan dapat menggunakannya.

Bentuk AI kewangan sebelum ini ialah anda bertanya satu soalan, AI memberi satu jawapan. Tetapi yang sebenarnya diperlukan oleh institusi kewangan ialah: berikan saya sekumpulan data, dan saya perlukan satu hasil yang boleh disemak, dirujuk, diarkibkan, dan dimasukkan ke dalam sistem perniagaan. Perbezaan antara keduanya sangat besar. Nilai AI kewangan terletak pada hasil akhir, bukan pada kotak sembang.

Perubahan lain yang perlu diperhatikan ialah institusi kewangan tempatan sudah tidak lagi dalam keadaan menunggu.

Dari tahun 2025 hingga 2026, saya melihat pelaksanaan dibahagikan kepada tiga peringkat. Bank-bank bergerak paling pantas; Bank of Construction telah melaksanakan penyebaran peribadi DeepSeek, mencakupi ratusan skenario. Dan fund CITIC Construction menggunakan DeepSeek untuk due diligence REITs, mengurangkan beban kerja 5 orang selama 70 hari kepada hanya 1 orang dalam 10 hari—peningkatan kecekapan sebanyak 30 kali.

Pihak perusahaan insurans juga mengikuti langkah ini, Citic Construction Securities menyediakan perkhidmatan perundingan pelaburan berdasarkan agen pelbagai, People's Insurance Company of China mengintegrasikan DeepSeek untuk membina perpustakaan pengetahuan profesional, dan model besar Ping An telah dipanggil sebanyak 818 juta kali dalam separuh tahun.

Tetapi yang benar-benar menarik adalah generasi ketiga—PE, pengurusan aset, dan pengurusan kekayaan. Mereka memiliki data yang banyak, bajet yang mencukupi, dan tekanan penghantaran yang tinggi, tetapi sekarang kebanyakannya masih berada di peringkat POC. Ini bukan disebut tertinggal, ini disebut jendela peluang untuk syarikat permulaan.

Mengenai perusahaan rintisan memasuki bidang ini, banyak orang secara spontan berfikir untuk membuat versi keuangan ChatGPT. Namun, perkara ini sangat berisiko kerana akan menghadapi tiga jenis pesaing kuat secara serentak.

Pembuat model akan terus mempermurah kemampuan umum. Terminal data kewangan seperti Wind, Choice, iFinD, dan Tonghuashun sudah memiliki data dan akses pengguna; apabila AI dimasukkan, soal jawab keuangan umum sukar untuk dikenakan bayaran secara berasingan. Institusi kewangan besar lebih cenderung membina pusat AI dalaman sendiri dan memasukkan kemampuan umum ke dalam sistem kebenaran mereka.

Syarikat rintisan menyerang secara langsung, diserang dari tiga arah.

Tetapi jika anda melihat dari sudut pandang yang berbeza, bukan dari segi pintu masuk, tetapi dari segi lapisan operasi, keadaannya akan berbeza. Apakah yang dimaksudkan dengan lapisan operasi menegak? Ia merujuk kepada pengedalan AI secara mendalam di sekitar satu jawatan tertentu, satu proses tertentu, atau satu hasil penghantaran tertentu. Contohnya, struktur dokumen due diligence PE/investment banking, audit model kewangan Excel, tinjauan awal bahan pembiayaan, penghasilan automatik jadual semakan kesesuaian, bantuan semakan bahan tuntutan dan penilaian insurans, serta pengumpulan automatik minit mesyuarat agen pelanggan.

Arah-arah ini kelihatan tidak sebesar "Model Kewangan Besar", tetapi lebih dekat dengan bajet pelanggan.

Produk macam apa yang patut dibuat

Saya menyimpulkan bahawa keempat-empat syarat mesti dipenuhi secara serentak.

Mampu menangkap data

Skenario bernilai tinggi sebenarnya biasanya memerlukan integrasi dengan fail dalaman pelanggan, CRM, storan awan, e-mel, kontrak, dan sistem pengesahan. Hanya memproses laman web awam memberikan nilai yang sangat terhad.

Proses berjalan lancar

Pengguna kewangan tidak akan mengubah kebiasaan kerja mereka kerana AI. Produk perlu masuk ke dalam Excel, PPT, Feishu, WeChat Work, DingTalk, WPS, CRM yang sudah mereka gunakan.

Boleh mengeluarkan dokumen

Institusi kewangan membayar bukan untuk jawapan, tetapi untuk bahan. Hanya apabila mampu menghasilkan senarai semak, memo, deck, dan Excel, barulah ada keinginan untuk membayar.

Tetapkan sempadan tanggungjawab

AI mesti menyokong rujukan, penjejakkan, kebenaran, audit, dan semakan manusia. Tidak memberi nasihat pelaburan, tidak melakukan perdagangan automatik, dan tidak menggantikan persetujuan akhir.

Keempat-empatnya hilang satu, produk akan sukar memasuki persekitaran pengeluaran sebenar.

Jika kita melihat dari sudut pandang yang lebih luas, dalam 24 bulan ke depan, saya rasa ada tujuh bidang khusus yang paling patut diperhatikan.

Penyelidikan dan tinjauan mendalam berada di tempat pertama. Banyak data, masa terhad, dan hasil yang jelas, ini adalah arah yang paling dekat dengan Hebbia dan Rogo.

Kedua, audit model Excel—bank pelaburan, PE, kredit, dan pengurusan aset semuanya mempunyai banyak Excel, kesalahan formula, pengkodean keras, dan andaian yang tidak konsisten, ruang bantuan AI sangat besar.

Pembantu persetujuan kredit berada di tempat ketiga, di mana bank dan bukan bank memerlukan pemeriksaan awal dokumen, analisis arus kas, pengambilan risiko, dan penghasilan laporan pemberian kredit. Pemeriksaan kepatuhan berada di tempat keempat, termasuk perbandingan peraturan, pemeriksaan bahan pemasaran, dan pemeriksaan KYC, semuanya sesuai untuk dijadikan asisten AI yang dapat dirujuk dan dilacak jejaknya.

Pembetulan, penilaian, pengesahan caj, dan dokumen audit operasi pentadbiran dan kewangan dana sangat diproses secara automatik dan mempunyai kos ralat yang tinggi.

Berkas klaim insurans dan underwriting banyak, peraturan kompleks, tekanan pemeriksaan tinggi, tetapi pengesahan manual mesti dikekalkan.

Terakhir ialah ejen pelanggan dan penasihat investasi Copilot, bukan AI yang memberi nasihat investasi secara langsung, tetapi membantu penasihat dalam persiapan sebelum mesyuarat, penjelasan produk, minit mesyuarat, dan kemas kini CRM.

Ketujuh arah ini mempunyai satu persyaratannya yang sama: produk mestilah boleh diaudit, boleh dirujuk, dan boleh diprivatkan.

Lembaga kewangan tidak akan menerima "AI mungkin mengatakan begitu". Darimana asal nombor-nombor ini? Di manakah rujukannya? Siapa yang telah menyemak semula? Adakah data keluar dari sempadan? Ini adalah syarat asas untuk keputusan pembelian. Oleh itu, dari awal lagi, reka bentuk harus merangkumi pelacakan rujukan, pengesahan manual, pengasingan data, dan rekod operasi. Ini bukan kos pematuhan, tetapi halangan produk.

Trend yang lebih besar lagi. Selepas kemampuan model menjadi komoditi, peluang berpindah kepada workflow, connector, dan lapisan tata pentadbiran. Seperti ketika awan komputasi menjadikan infrastruktur IT sebagai API, pengusaha generasi baru akan membina SaaS di atasnya. Hal yang sama berlaku dengan model besar hari ini—siapa yang mampu membungkus workflow industri di atasnya, mereka akan mempunyai keunggulan kompetitif.

Kerja pengetahuan dalam industri kewangan mempunyai kepadatan maklumat yang tinggi, keperluan format yang ketat, dan tanggungjawab yang terbatas; ciri-ciri ini menentukan bahawa ia bukan bidang yang boleh diliputi dengan cepat oleh AI generik. Ini justru merupakan kawasan keselamatan bagi syarikat permulaan.

Bagaimana syarikat rintisan boleh memasuki pasaran?

Jangan mulakan dengan platform terlebih dahulu.

Cari satu skenario sempit: mempunyai data sebenar, templat tetap, hasil yang jelas, semakan manual, bajet jabatan, dan boleh mengesahkan ROI dalam 60-90 hari.

Jangan katakan begitu:

Saya ingin membuat platform AI untuk institusi kewangan.

Katakan begini:

Saya akan membantu tim PE/FA untuk menyusun semula data Data Room secara automatik, dan menghasilkan soal jawab due diligence, senarai risiko, dan draf awal IC Memo.

Semakin spesifik, semakin mudah untuk dilaksanakan.

Adakah risiko terbesar digantikan oleh syarikat besar?

Pintu umum akan digantikan. Soal jawab keuangan umum, ringkasan laporan penyelidikan biasa, dan carian data mudah akan dicakup oleh model besar dan terminal data.

Tetapi proses mendalam vertikal tidak akan.

Kerana syarikat besar tidak bersedia melakukan kerja kotor untuk setiap jawatan khusus. Yang benar-benar sukar ialah: mengintegrasikan sistem dalaman pelanggan, memahami proses jawatan, menyesuaikan templat pelanggan, dan menemani pelanggan dari POC hingga produksi.

Ini bukan perkara yang boleh diselesaikan secara automatik oleh API model.