Makalenin temel noktası, finansal AI rekabetinin, daha iyi konuşan bir “finansal ChatGPT” oluşturma yeteneğinde değil, finans profesyonellerinin günlük çalışma araçlarına (Excel, PPT, Word) ve temel iş süreçlerine (due diligence, onay) derinlemesine entegre olup doğrudan gözden geçirilebilir ve arşivlenebilir resmi “teslimatlar” üretme yeteneğinde olduğunu belirtmektedir.

Yazar: Resonant Ones

Kaynak: Su Chu.AI

Finansal AI rekabeti, "kim konuşur" değil, "kim Excel, PPT ve onay akışlarına girebilir" konusunda.

Çok sayıda kişi, finansal AI rekabetinin, finansı daha iyi anlayan bir büyük model eğitmek olduğunu düşünür.

Ancak Claude for Financial Services, finansal AI'nin çekirdeğinin model değil, iş akışı olduğunu ortaya koydu.

Bu, AI'nın kullanıcılarla hisse senedi konuşmasını sağlamak değil, AI'nın Excel, PPT, Word, yatırım araştırması, yatırımcı bankacılığı, due diligence, uyumluluk, hesaplaşma ve onay akışlarına girmesini sağlamaktır.

Bu konu yerel girişimciler için çok önemlidir. Çünkü hâlâ "finansal ChatGPT" üzerinde çalışıyorsanız, büyük şirketler, veri terminali ve ofis paketleri tarafından yutulma ihtimaliniz yüksektir; ancak finansal kurumların her gün tekrarlayan Excel, PPT, Word ve onay paketlerini devralırsanız, fırsatlar sadece başlıyor.

Bir gerçek senaryo

Geçen ay PE ile çalışan bir arkadaşım ile konuştum. Takımı, bir tüketim şirketi için due diligence yaptı ve aldıkları Data Room’da 17 klasör ve 400’den fazla dosya vardı — sözleşmeler, denetim raporları, banka hareketleri, sipariş detayları, görüşmelerin tutanakları, yönetim materyalleri.

Daha önce bir VP, iki analistle birlikte iki hafta çalışarak sadece bir IC Memo taslağı hazırlayabiliyordu.

Peki şimdi? Eğer biri (veya bir Agent) 24 saat içinde belge düzenlemeyi, risk etiketlemeyi, eksiklikleri tanımlamayı ve taslak oluşturmayı tamamlayabilirse, müşteriler bunu satın alır mı?

Bu bilim kurgu değil. Claude for Financial Services zaten bunu yapıyor. Ve bunun için açık kaynak kodlu bir uygulama değil, bir «Ajan + Beceri + Bağlayıcı + Teslimat + İnsan onayı» ürün paradigmaları veriyor.

İlk keşif şunu: Claude for Financial Services'in ürün yapısı aslında oldukça basittir: Agent, uçtan uca görevleri yürütür; Skill, finansal uzmanlık süreçlerini biriktirir; Connector, finansal verilere ve kurumsal iç sistemlere bağlanır; Excel, PowerPoint ve Word, nihai teslimatları karşılar; ek olarak yetki, atıf, denetim ve insan tarafından doğrulama, finansal kurumların kullanımını sağlar.

Geçmişte finansal AI biçimi, bir soru sorup AI'nın bir cevap vermesiydi. Ancak finansal kurumların gerçekten ihtiyaç duyduğu şudur: Bana bir dizi belge verin, ben de gözden geçirilebilir, alıntı yapılabilir, arşivlenebilir ve iş sistemlerine entegre edilebilir bir teslimat istiyorum. Bunlar arasındaki fark çok büyük. Finansal AI'nın değeri sohbet kutusunda değil, teslimatta yer alır.

Dikkat edilmesi gereken başka bir değişiklik, yerel finansal kurumların artık gözlemci durumunda olmamasıdır.

2025 ile 2026 yılları arasında gördüğüm uygulamalar üç farklı seviyede dağılıyor. Bankalar en hızlı ilerliyor; Çin İnşaat Bankası, DeepSeek'i özel sunucuda dağıttı ve yüzlerce senaryoyu kapsıyor. CITIC Construction Investment Fonu, DeepSeek'i REITs incelemelerinde kullanarak 5 çalışanın 70 gün süren işini 1 çalışanın 10 günde tamamlamasına indirdi—verimlilik 30 kat arttı.

Sigorta şirketleri de takip ediyor: CITIC Construction Securities, çoklu akıllı sistemlerle danışmanlık hizmeti sunuyor; People's Insurance Company of China, DeepSeek’i kullanarak uzmanlık veritabanı oluşturuyor; Ping An büyük modeli yarım yılda 818 milyon kez çağrıldı.

Ancak gerçekten ilginç olan üçüncü grup—PE, varlık yönetimi ve servet yönetimidir. Bunların veri miktarı fazla, bütçeleri yeterli ve teslimat baskısı yüksektir, ancak şu anda çoğu hâlâ POC aşamasındadır. Bu gerilik değil, startup şirketleri için bir pencere süresidir.

Başlangıç şirketlerinin girişi söz konusu olduğunda, birçok kişi ilk olarak finansal bir ChatGPT yapmayı düşünür. Ancak bu iş, aynı anda üç tür güçlü rakipyle karşılaşacağı için büyük risk taşır.

Model üreticileri genel yetenekleri giderek daha ucuza sağlayacak. Wind, Choice, iFinD, Tonghuashun gibi finansal veri terminalleri zaten veri ve kullanıcı giriş noktalarına sahip; AI entegre edildiğinde, genel finans soruları için ayrı bir ücretlendirme zorlaşacak. Büyük finans kurumları, genel yetenekleri kendi yetki sistemlerine dahil etmek için içsel AI ortak platformları kurmayı tercih edecek.

Bir startup doğrudan mücadele ediyor, üç cephede savaşıyor.

Ancak eğer giriş noktasına değil, operasyonel seviyeye bakarsanız durum farklı olur. Dikey operasyonel seviye nedir? Bu, bir pozisyon, bir süreç veya bir teslim edilebilir ürün etrafında AI’yi derinleştirmektir. Örneğin: PE/sermaye yatırımı due diligence belgelerinin yapılandırılması, Excel finansal modellerinin denetimi, kredi onay sürecinin ilk incelemesi, uygunluk denetim formlarının otomatik oluşturulması, sigorta tazminatı ve sigortalama belgelerinin destekleyici denetimi, müşteri temsilcisi toplantı tutanaklarının otomatik düzenlenmesi.

Bu yönler, "finansal büyük model" kadar büyüklükte görünmese de, müşteri bütçesine daha yakındır.

Ne tür ürünler değerli?

Sonuç olarak, dört koşulun aynı anda karşılanması gerekiyor.

Verileri tutun

Gerçekten yüksek değerli senaryolar, genellikle müşteri iç dosyalarına, CRM sistemlerine, bulut depolama hizmetlerine, e-postalara, sözleşmelere ve onay sistemlerine entegre olmalıdır. Yalnızca açık web sayfalarını işlemek, çok sınırlı bir değer sunar.

İşlem akışı çalışıyor

Finansal kullanıcılar, AI nedeniyle çalışma alışkanlıklarını değiştirmeyecek. Ürün, zaten kullandıkları Excel, PPT, Feishu, Enterprise WeChat, DingTalk, WPS ve CRM sistemlerine entegre olmalı.

Belge sunun

Finansal kurumlar cevap değil, materyal için ödeme yapar. İnceleme tablosu, memo, deck ve Excel çıktısı alabiliyorsanız ödeme yapma isteği vardır.

Sorumluluk sınırını koruyun

Yapay zeka, atıf, iz bırakma, yetki, denetim ve insan tarafından gözden geçirme özelliklerini desteklemelidir. Yatırım önerisinde bulunmamalı, otomatik işlem yapmamalı ve nihai onayı değiştirmemelidir.

Bu dört madde eksikse, ürün gerçek üretim ortamına giremez.

Eğer bakış açınızı uzaklaştırıp önümüzdeki 24 ayı göz önünde bulundurursanız, en dikkat edilmesi gereken yedi alt alan olduğunu düşünüyorum.

Araştırma ve due diligence birincidir. Çok sayıda belge, sınırlı zaman ve net teslimatlar, Hebbia ve Rogo yönüne en yakın olanıdır.

İkinci olarak Excel model denetimi—yatırım bankaları, özsermaye fonları, kredi ve varlık yönetimi büyük miktarda Excel kullanır; formül hataları, sabit kodlama ve varsayımların tutarsızlığı nedeniyle AI destekli alan büyük ölçüde mevcuttur.

Kredi onay yardımcı hizmeti üçüncü sırada, bankalar ve non-bank kurumlar için belge ilk incelemesi, akış analizi, risk çıkarımı ve kredi limiti raporu oluşturma gerekmektedir. Uygunluk denetimi dördüncü sırada, prosedür karşılaştırması, pazarlama materyallerinin incelenmesi ve KYC kontrolleri, referans alınabilir ve izlenebilir AI asistanları için uygundur.

Fon yönetimi ve finansal operasyonlar, muhasebe, değerleme, masraf doğrulama ve denetim çalışma kağıtları çok süreçlendirilmiştir ve hata maliyeti yüksektir.

Sigorta tazminatı ve altlık belgeleri çok, kurallar çok, denetim yükü büyük ancak insan onayı zorunludur.

Son olarak, müşteri temsilcileri ve yatırım danışmanları için Copilot, AI'nın doğrudan yatırım önerilerinde bulunması değil, danışmanlara toplantı öncesi hazırlık, ürün açıklaması, toplantı tutanağı ve CRM güncellemeleri yapmada yardımcı olmaktır.

Bu yedi yönün ortak bir ön koşulu vardır: Ürünün denetlenebilir, kaynak gösterilebilir ve özelleştirilebilir olması gerekir.

Kurumsal kurumlar "Yapay zeka muhtemelen şöyle dedi" ifadesini kabul etmez. Rakamlar nereden geliyor? Atıflar nerede? Kim doğruladı? Veriler dışarı çıkıyor mu? Bu, satın alma kararının ön koşullarıdır. Bu nedenle baştan itibaren atıf izlenebilirliği, insan onayı, veri izolasyonu ve işlem izi tasarlanmalıdır. Bu, uyumluluk maliyeti değil, ürün engelidir.

Daha büyük bir trend daha var. Model yeteneklerinin ticarileşmesinden sonra, fırsatlar workflow, connector ve yönetim katmanlarına doğru kayıyor. Tam olarak eski nesil bulut bilişim ile IT altyapısının API'ye dönüşmesi gibi, yeni nesil girişimciler bunun üzerine SaaS oluşturacak. Bugün büyük modeller de aynı şekilde—hangi şirket sektör bazlı workflow'ları bu üst katmanda paketleyebilirse, o şirketin bir engel oluşturması mümkün.

Finans sektörü bilgi yoğunluğu yüksek, format gereksinimleri sıkı ve sorumluluk sınırları güçlü olduğu için, bu alan genel AI'ların hızlıca kapsayamayacağı bir alandır. Tam da bu, girişimcilerin güvenli bölgesidir.

Başlangıç şirketi nasıl girer

İlk olarak platform yapmayın.

Dar bir alana odaklanın: Gerçek verilere, sabit bir şablona, net bir teslimat malzemesine, insan tarafından denetimine, bölüm bütçesine ve 60-90 gün içinde ROI'nin doğrulanmasına sahip olsun.

Böyle demeyin:

Finansal kurumlar için bir AI platformu kuruyorum.

Şöyle demelisiniz:

Öncelikle PE/FA ekibinin Data Room verilerini otomatik olarak yapılandırarak due diligence Q&A, risk listesi ve IC Memo taslağını çıkarıyorum.

Ne kadar spesifik olursanız, o kadar kolay işlem gerçekleşir.

En büyük risk büyük şirketler tarafından değiştiriliyor mu?

Genel giriş noktası yerini alacaktır. Genel finansal soru-cevaplar, genel araştırma özetleri ve basit veri sorgulamaları, büyük modeller ve veri terminalleri tarafından kolayca kapsanacaktır.

Ancak dikey derin süreçler yapmayacaktır.

Çünkü büyük şirketler her ayrıntılı pozisyon için çirkin işleri yapmak istemiyor. Gerçek zorluk: müşteri iç sistemlerine entegrasyon, pozisyon süreçlerini anlama, müşteri şablonlarına uyum sağlama ve müşteriyi POC'den üretim aşamasına kadar eşlik etmek.

Bunlar bir model API tarafından otomatik olarak çözülemez.