จุดสำคัญของบทความคือ: จุดแข็งของการแข่งขันด้าน AI ทางการเงินไม่ได้อยู่ที่ใครสามารถสร้าง “ChatGPT สำหรับการเงิน” ที่พูดเก่งกว่า แต่อยู่ที่ใครสามารถผสานรวมเข้ากับเครื่องมือประจำวันของผู้เชี่ยวชาญการเงิน (เช่น Excel, PPT, Word) และกระบวนการทางธุรกิจหลัก (เช่น การตรวจสอบความรอบคอบ, การอนุมัติ) และสร้าง “ผลลัพธ์สุดท้าย” ที่เป็นทางการ ซึ่งสามารถตรวจสอบและจัดเก็บได้ทันที

ผู้เขียนบทความ: Resonant Ones

ที่มาของบทความ: Su Chu.AI

การแข่งขันด้าน AI ทางการเงินไม่ได้อยู่ที่ “ใครพูดเก่ง” แต่อยู่ที่ “ใครสามารถเข้าถึง Excel, PPT และกระบวนการอนุมัติ”

หลายคนคิดว่า การแข่งขันในด้าน AI ทางการเงินคือการฝึกโมเดลขนาดใหญ่ที่เข้าใจการเงินได้ดียิ่งขึ้น

แต่ Claude for Financial Services เปิดเผยคำตอบที่แท้จริง: หัวใจของ AI ทางการเงินไม่ใช่โมเดล แต่คือกระบวนการทำงาน

มันไม่ใช่การให้ AI มาคุยกับผู้ใช้เกี่ยวกับหุ้น แต่เป็นการให้ AI เข้าไปใน Excel, PPT, Word, การวิจัยการลงทุน, การธนาคารเพื่อการลงทุน, การตรวจสอบความถูกต้อง, การปฏิบัติตามกฎระเบียบ และกระบวนการตรวจสอบและอนุมัติ

เรื่องนี้มีความสำคัญอย่างยิ่งต่อผู้ประกอบการในประเทศ เพราะหากคุณยังคงพัฒนา “ChatGPT แบบการเงิน” คุณมีแนวโน้มสูงที่จะถูกบริษัทขนาดใหญ่ แพลตฟอร์มข้อมูล และชุดโปรแกรมสำนักงานกลืนกินไป; แต่หากคุณสามารถรับผิดชอบการผลิต Excel, PPT, Word และชุดการอนุมัติที่สถาบันการเงินผลิตซ้ำทุกวัน โอกาสของคุณเพิ่งเริ่มต้นขึ้น

สถานการณ์จริง

เดือนที่แล้วฉันคุยกับเพื่อนที่ทำงานด้าน PE พวกเขาทีมงานได้ทำการตรวจสอบความถูกต้องของบริษัทผู้บริโภคแห่งหนึ่ง และได้รับ Data Room ที่มีโฟลเดอร์ 17 โฟลเดอร์และเอกสารมากกว่า 400 ฉบับ — สัญญา รายงานการตรวจสอบบัญชี ประวัติการเคลื่อนไหวทางการเงินของธนาคาร รายละเอียดคำสั่งซื้อ บันทึกการสัมภาษณ์ และเอกสารจากผู้บริหาร

ก่อนหน้านี้ ผู้จัดการระดับ VP หนึ่งคนพร้อมกับนักวิเคราะห์สองคนต้องใช้เวลาสองสัปดาห์จึงจะสามารถสรุปร่าง IC Memo ที่ดีได้

ตอนนี้ล่ะ? หากมีใครสักคน (หรือตัวแทนหนึ่งตัว) สามารถดำเนินการจัดระเบียบข้อมูล ทำเครื่องหมายความเสี่ยง ระบุสิ่งที่ขาดหาย และสร้างร่างฉบับแรกภายใน 24 ชั่วโมง — คุณคิดว่าลูกค้าจะจ่ายเงินไหม?

นี่ไม่ใช่ไซไฟ Claude for Financial Services กำลังทำสิ่งนี้อยู่แล้ว และมันไม่ได้เปิดซอร์สแอป แต่เป็นรูปแบบผลิตภัณฑ์ชุดหนึ่งที่ประกอบด้วย “Agent + Skill + Connector + ผลลัพธ์ + การอนุมัติจากมนุษย์”

มาพูดถึงการค้นพบแรกก่อน โครงสร้างผลิตภัณฑ์ Claude for Financial Services นั้นเรียบง่ายจริงๆ: Agent รับผิดชอบงานแบบครบวงจร, Skill สะสมกระบวนการทางการเงินเฉพาะทาง, Connector เชื่อมต่อกับข้อมูลทางการเงินและระบบภายในองค์กร, Excel, PowerPoint และ Word รับมอบผลลัพธ์สุดท้าย พร้อมด้วยการจัดการสิทธิ์ การอ้างอิง การตรวจสอบ และการทบทวนด้วยมนุษย์ เพื่อให้สถาบันการเงินสามารถใช้งานได้

รูปแบบของ AI ทางการเงินในอดีตคือคุณถามคำถามหนึ่งข้อ และ AI จะให้คำตอบหนึ่งข้อ แต่สถาบันการเงินต้องการจริงๆ คือ: ให้ข้อมูลจำนวนมากมาให้ฉัน แล้วฉันต้องการสิ่งที่ส่งมอบได้ซึ่งสามารถตรวจสอบ อ้างอิง จัดเก็บ และผสานเข้ากับระบบธุรกิจได้ ความแตกต่างระหว่างสองสิ่งนี้มีมาก คุณค่าของ AI ทางการเงินอยู่ที่สิ่งที่ส่งมอบ ไม่ใช่ในกล่องแชท

การเปลี่ยนแปลงอีกประการที่น่าจับตาคือ สถาบันการเงินภายในประเทศไม่ได้อยู่ในสถานะรอดูอีกต่อไป

ระหว่างปี 2025 ถึง 2026 ฉันเห็นการนำไปใช้งานจริงแบ่งออกเป็นสามกลุ่ม ธนาคารเดินหน้าเร็วที่สุด โดยธนาคารอาคารสงเคราะห์ได้ปรับใช้ DeepSeek ในระบบภายในแล้ว ครอบคลุมกว่าหลายร้อยสถานการณ์ บริษัทหลักทรัพย์จัดการกองทุนซีไอทีซีจีใช้ DeepSeek สำหรับการตรวจสอบความเหมาะสมของ REITs ลดภาระงานของพนักงาน 5 คนในเวลา 70 วัน เหลือเพียงพนักงาน 1 คนในเวลา 10 วัน — เพิ่มประสิทธิภาพขึ้น 30 เท่า

บริษัทประกันภัยทางการเงินยังตามทันเช่นกัน บริษัทหลักทรัพย์ซีไอเอ็มบี จัดให้บริการคำแนะนำการลงทุนโดยใช้หลายตัวแทนอัจฉริยะ บริษัทประกันภัยประชาชนเชื่อมต่อกับ DeepSeek เพื่อสร้างฐานความรู้เฉพาะทาง และแบบจำลองขนาดใหญ่ของปิงอันถูกเรียกใช้ 818 ล้านครั้งในช่วงหกเดือน

แต่สิ่งที่น่าสนใจจริงๆ คือกลุ่มที่สาม—PE, การจัดการสินทรัพย์ และการจัดการความมั่งคั่ง พวกเขามีข้อมูลมาก งบประมาณเพียงพอ และมีแรงกดดันด้านการส่งมอบ แต่ปัจจุบันส่วนใหญ่ยังอยู่ในขั้นตอน POC นี่ไม่ใช่การตามหลัง แต่คือช่วงเวลาของสตาร์ทอัพ

เมื่อพูดถึงการเริ่มต้นธุรกิจสตาร์ทอัพ การตอบสนองแรกของหลายคนคือการสร้าง ChatGFT แบบการเงิน แต่เรื่องนี้มีความเสี่ยงสูง เพราะจะต้องเผชิญหน้ากับคู่แข่งสามประเภทที่แข็งแกร่งพร้อมกัน

ผู้ผลิตโมเดลจะทำให้ความสามารถทั่วไปถูกลงเรื่อยๆ แพลตฟอร์มข้อมูลการเงินอย่าง Wind, Choice, iFinD, Tonghuashun ซึ่งมีข้อมูลและช่องทางผู้ใช้อยู่แล้ว เมื่อผสาน AI เข้าไป คำถามทั่วไปด้านการเงินจะยากที่จะเรียกเก็บค่าบริการแยกต่างหาก สถาบันการเงินขนาดใหญ่มีแนวโน้มที่จะสร้างศูนย์กลาง AI ภายในของตนเอง และรวมความสามารถทั่วไปเข้าไปในระบบสิทธิ์ของตน

บริษัทสตาร์ทอัพต่อสู้แบบตรงไปตรงมา ถูกโจมตีจากสามด้าน

แต่ถ้าคุณเปลี่ยนมุมมอง ไม่ดูที่จุดเริ่มต้น แต่ดูที่ระดับการดำเนินการ สถานการณ์จะแตกต่างออกไป ระดับการดำเนินการแบบแนวตั้งหมายถึงอะไร? หมายถึง การลึกซึ้งการใช้ AI รอบตำแหน่งงานเฉพาะ กระบวนการเฉพาะ และผลลัพธ์เฉพาะ เช่น การจัดโครงสร้างข้อมูลการตรวจสอบของ PE/ธนาคารเพื่อการลงทุน การตรวจสอบแบบจำลองทางการเงินใน Excel การพิจารณาเบื้องต้นเอกสารการอนุมัติสินเชื่อ การสร้างแบบฟอร์มการตรวจสอบความสอดคล้องอัตโนมัติ การช่วยตรวจสอบเอกสารเรียกร้องค่าสินไหมและเอกสารประกัน และการจัดระเบียบบันทึกการประชุมของผู้จัดการลูกค้าอัตโนมัติ

ทิศทางเหล่านี้ดูไม่ยิ่งใหญ่เท่า "โมเดลการเงินขนาดใหญ่" แต่ใกล้เคียงกับงบประมาณของลูกค้ามากกว่า

ผลิตภัณฑ์ใดที่คุ้มค่าในการทำ

สรุปแล้ว ต้องตอบสนองเงื่อนไขทั้งสี่ข้อพร้อมกัน

รับข้อมูลได้

สถานการณ์ที่มีมูลค่าสูงจริงๆ มักต้องเชื่อมต่อกับไฟล์ภายในองค์กร ระบบ CRM คลาวด์เก็บไฟล์ อีเมล สัญญา และระบบอนุมัติ การแค่จัดการกับเว็บเพจสาธารณะนั้นมีมูลค่าจำกัด

กระบวนการทำงานได้

ผู้ใช้ทางการเงินจะไม่เปลี่ยนนิสัยการทำงานของตนเพื่อ AI ผลิตภัณฑ์ต้องเข้าสู่เครื่องมือที่พวกเขาใช้อยู่แล้ว เช่น Excel, PPT, Feishu, WeCom, DingTalk, WPS, CRM

สามารถส่งเอกสารได้

สถาบันการเงินไม่จ่ายเงินสำหรับคำตอบ แต่จ่ายเงินสำหรับวัสดุ ถ้าคุณสามารถส่งตารางตรวจสอบ บันทึกย่อ พรีเซนเทชัน และ Excel ได้ คุณจึงจะมีความตั้งใจที่จะจ่าย

รักษาขอบเขตความรับผิดชอบ

AI ต้องรองรับการอ้างอิง การติดตามรอยทาง สิทธิ์การเข้าถึง การตรวจสอบ และการทบทวนโดยมนุษย์ ห้ามให้คำแนะนำด้านการลงทุน ห้ามทำการซื้อขายอัตโนมัติ และห้ามแทนที่การอนุมัติสุดท้าย

หากขาดหนึ่งในสี่ข้อนี้ ผลิตภัณฑ์จะยากที่จะเข้าสู่สภาพแวดล้อมการผลิตจริง

หากมองในมุมกว้างไปยังอีก 24 เดือนข้างหน้า ฉันคิดว่ามีทิศทางย่อยที่น่าจับตามองอยู่เจ็ดด้าน

การวิจัยและการตรวจสอบข้อมูลเป็นอันดับหนึ่ง ข้อมูลมาก เวลาจำกัด และผลลัพธ์ที่ต้องส่งมอบชัดเจน จึงใกล้เคียงที่สุดกับทิศทางของ Hebbia และ Rogo

ถัดมาคือการตรวจสอบแบบจำลอง Excel—ธนาคารการลงทุน, PE, สินเชื่อ และการจัดการสินทรัพย์ ต่างมีไฟล์ Excel จำนวนมาก ซึ่งมีข้อผิดพลาดในสูตร, การเขียนค่าคงที่, และสมมติฐานที่ไม่สอดคล้องกัน จึงมีพื้นที่ใหญ่สำหรับการช่วยเหลือจาก AI

การตรวจสอบสินเชื่ออยู่อันดับสาม โดยธนาคารและสถาบันการเงินที่ไม่ใช่ธนาคารต่างต้องการการตรวจสอบเอกสารเบื้องต้น การวิเคราะห์ประวัติการเคลื่อนไหวทางการเงิน การดึงข้อมูลความเสี่ยง และการสร้างรายงานการให้สินเชื่อ การตรวจสอบความสอดคล้องอยู่อันดับสี่ การเปรียบเทียบข้อบังคับ การตรวจสอบวัสดุการตลาด และการตรวจสอบ KYC ล้วนเหมาะกับการใช้ผู้ช่วย AI ที่สามารถอ้างอิงได้และมีประวัติการใช้งาน

การจัดทำรายการตรวจสอบ การประเมินมูลค่า การตรวจสอบค่าใช้จ่าย และเอกสารฐานการตรวจสอบสำหรับกองทุนนั้นมีกระบวนการที่เป็นระบบอย่างมาก และมีต้นทุนสูงหากเกิดข้อผิดพลาด

เอกสารการเคลมประกันและเอกสารการพิจารณาความเสี่ยงมีจำนวนมาก กฎเกณฑ์ซับซ้อน และมีแรงกดดันในการตรวจสอบ แต่ต้องคงการยืนยันด้วยมนุษย์

สุดท้ายคือผู้จัดการลูกค้าและผู้ให้คำปรึกษา Copilot ไม่ใช่ AI ที่ให้คำแนะนำการลงทุนโดยตรง แต่ช่วยผู้ให้คำปรึกษาในการเตรียมการก่อนการประชุม อธิบายผลิตภัณฑ์ บันทึกการประชุม และอัปเดต CRM

ทั้งเจ็ดทิศทางมีเงื่อนไขร่วมกัน: ผลิตภัณฑ์ต้องสามารถตรวจสอบได้ สามารถอ้างอิงได้ และสามารถทำให้เป็นส่วนตัวได้

สถาบันการเงินจะไม่ยอมรับคำว่า “ปัญญาประดิษฐ์น่าจะพูดแบบนี้” ข้อมูลเหล่านี้มาจากไหน? อ้างอิงอยู่ที่ไหน? ใครตรวจสอบแล้ว? ข้อมูลถูกส่งออกนอกเขตหรือไม่? เหล่านี้คือเงื่อนไขพื้นฐานสำหรับการตัดสินใจซื้อ ดังนั้นตั้งแต่เริ่มต้นควรออกแบบระบบเพื่อติดตามแหล่งที่มาของอ้างอิง การอนุมัติด้วยมนุษย์ การแยกข้อมูล และการบันทึกการดำเนินการ นี่ไม่ใช่ค่าใช้จ่ายด้านการปฏิบัติตามกฎระเบียบ แต่เป็นอุปสรรคทางผลิตภัณฑ์

ยังมีแนวโน้มที่ใหญ่กว่านั้นอีก เมื่อความสามารถของโมเดลถูกคอมมอดิตี้ โอกาสจะเลื่อนไปที่ workflow, connector และชั้นการจัดการ เช่นเดียวกับที่คลาวด์คอมพิวติ้งทำให้โครงสร้างพื้นฐานด้านไอทีกลายเป็น API ผู้ประกอบการรุ่นใหม่จะสร้าง SaaS บนพื้นฐานนั้น วันนี้กับโมเดลขนาดใหญ่ก็เช่นกัน—ผู้ใดสามารถห่อหุ้ม workflow ของอุตสาหกรรมไว้บนนั้น ผู้นั้นจะมีข้อได้เปรียบ

งานด้านความรู้ในอุตสาหกรรมการเงินมีความหนาแน่นของข้อมูลสูง ต้องการรูปแบบที่เข้มงวด และมีข้อจำกัดด้านความรับผิดชอบสูง คุณลักษณะเหล่านี้ทำให้ AI ทั่วไปไม่สามารถครอบคลุมได้อย่างรวดเร็ว ซึ่งเป็นพื้นที่ปลอดภัยของบริษัทสตาร์ทอัพ

สตาร์ทอัพควรเริ่มต้นอย่างไร

อย่าเริ่มต้นด้วยการสร้างแพลตฟอร์ม

หาสถานการณ์ที่แคบ: มีข้อมูลจริง มีเทมเพลตคงที่ มีผลลัพธ์ที่ชัดเจน มีการตรวจสอบด้วยมนุษย์ มีงบประมาณของแผนก และสามารถตรวจสอบ ROI ได้ภายใน 60-90 วัน

อย่าพูดแบบนี้

ฉันต้องการสร้างแพลตฟอร์ม AI สำหรับสถาบันการเงิน

ต้องพูดแบบนี้:

ฉันช่วยทีม PE/FA จัดโครงสร้างข้อมูล Data Room อัตโนมัติ เพื่อส่งออก Q&A สำหรับการตรวจสอบความถูกต้อง รายการความเสี่ยง และร่าง IC Memo ฉบับแรก

ยิ่งเฉพาะเจาะจง ยิ่งมีโอกาสที่จะดำเนินการได้

ความเสี่ยงสูงสุดถูกบริษัทขนาดใหญ่แทนที่หรือไม่?

ช่องทางทั่วไปจะถูกแทนที่ คำถามด้านการเงินทั่วไป สรุปรายงานการวิจัยทั่วไป และการสอบถามข้อมูลพื้นฐาน สามารถถูกครอบคลุมโดยโมเดลขนาดใหญ่และแพลตฟอร์มข้อมูลได้อย่างง่ายดาย

แต่กระบวนการแนวดิ่งลึกจะไม่

เนื่องจากบริษัทขนาดใหญ่ไม่ต้องการทำงานที่สกปรกสำหรับแต่ละตำแหน่งย่อย ความยากจริงๆ คือ: การเชื่อมต่อกับระบบภายในลูกค้า การเข้าใจกระบวนการของตำแหน่ง การปรับให้เข้ากับเทมเพลตของลูกค้า และการอยู่ร่วมกับลูกค้าตั้งแต่การทดสอบ POC จนถึงการผลิต

สิ่งเหล่านี้ไม่สามารถแก้ไขได้โดยอัตโนมัติด้วย API ของโมเดล