文章的核心觀點是：金融AI的競爭焦點不在於誰能打造一個更會聊天的「金融版ChatGPT」，而在於誰能深度融入金融從業者的日常工作工具（如Excel、PPT、Word）和核心業務流程（如盡調、審批），並直接輸出可被審閱、歸檔的正式「交付物」。

文章作者：Resonant Ones

文章來源：遂初.AI

金融 AI 的競爭不在「誰會聊天」，而在「誰能進入 Excel、PPT 和審批流」。

很多人以為，金融 AI 的競爭，是訓練一個更懂金融的大模型。

但 Claude for Financial Services 暴露了真正答案：金融 AI 的核心不是模型，而是工作流。

它不是讓 AI 與用戶討論股票，而是讓 AI 進入 Excel、PPT、Word、投研、投行、盡調、合規、對賬和審批流。

這件事對國內創業者至關重要。因為如果你仍在做「金融版 ChatGPT」，很可能會被大廠、數據終端和辦公套件吞併；但如果你能接管金融機構每天重複生產的 Excel、PPT、Word 和審批包，機會才剛剛開始。

一個真實場景

上個月，我和一位從事私募股權的朋友聊了聊。他們團隊對一家消費公司進行盡職調查，收到的資料室包含 17 個文件夾、400 多份文件——合約、審計報告、銀行流水、訂單明細、訪談紀要、管理層材料。

以前一位資深副總監帶領兩名分析師花兩週時間，才能完成一份像樣的 IC 備忘錄初稿。

現在呢？如果有一個人（或一個 Agent）能在 24 小時內完成資料梳理、風險標記、缺失項識別和初稿生成——你覺得客戶會不會買單？

這不是科幻。Claude for Financial Services 已經在做這件事了。而它開源的不是一個 App，是一套「Agent + Skill + Connector + 交付物 + 人工簽核」的產品範式。

先說第一個發現。Claude for Financial Services 的產品結構其實很簡單：Agent 負責端到端任務，Skill 沉澱金融專業流程，Connector 接入金融數據和企業內部系統，Excel、PowerPoint、Word 承接最終交付物，再加上權限、引用、審計、人工複核保證金融機構能用。

過去金融 AI 的形態是你問一個問題，AI 給一個答案。但金融機構真正需要的是：你給我一堆資料，我要一份能被審閱、能被引用、能被歸檔、能進入業務系統的交付物。這兩者差別巨大。金融 AI 的價值在交付物，不在聊天框。

另一個值得注意的變化是，國內金融機構已不再是觀望狀態。

從 2025 年到 2026 年，我看到的落地情況大致分為三個梯隊。銀行走得最快，中國建設銀行已完成 DeepSeek 的私有化部署，覆蓋了數百個場景。中信建投基金使用 DeepSeek 進行 REITs 優 due diligence，將 5 名員工 70 天的工作量壓縮至 1 人 10 天——效率提升了 30 倍。

中國人保財險也緊隨其後，中信建投證券基於多智能體提供投資顧問服務，人保財險接入 DeepSeek 建立專業知識庫，平安大模型半年內調用達 8.18 億次。

但真正有趣的是第三梯隊——PE、資管和財富管理。它們數據多、預算充足、交付壓力大，但目前大多仍處於 POC 階段。這不叫落後，這叫創業公司的窗口期。

提到創業公司切入，很多人第一反應是做金融版 ChatGPT。但這件事風險很大，因為會同時遇到三類強敵。

模型廠商會把通用能力做得越來越便宜。金融數據終端如 Wind、Choice、iFinD、同花順，原本就擁有數據和用戶入口，一旦嵌入 AI，泛金融問答很難單獨收費。大型金融機構更傾向於自建內部 AI 中台，將通用能力納入自己的權限體系中。

初創公司正面迎戰，三面受敵。

但如果你換個角度，不看入口，而看操作層，情況就不一樣了。什麼是垂直操作層？就是圍繞一個具體崗位、一個具體流程、一個具體交付物，把 AI 做深。例如：PE/投行盡調資料結構化、Excel 財務模型審計、信貸審批材料初審、合規審查表自動生成、保險理賠和核保材料輔助審核、客戶經理會議紀要自動整理。

這些方向看起來不如「金融大模型」宏大，但更接近客戶預算。

什麼樣的產品值得做

我總結下來，必須同時滿足四個條件。

Handle the data

真正高價值的場景，往往需要對接客戶內部文件、CRM、網盤、郵件、合同、審批系統。僅處理公開網頁，價值十分有限。

流程可運行

金融用戶不會為了 AI 改變工作習慣。產品要進入他們已正在使用的 Excel、PPT、飛書、企業微信、釘釘、WPS、CRM。

提交文件

金融機構支付的不是答案，而是材料。能提供審查表、備忘錄、簡報檔、Excel，才有付費意願。

Retain the boundary of responsibility

AI 必須支援引用、留痕、權限、審計、人工複核。不提供投資建議、不自動交易、不替代最終審批。

這四條缺一條，產品就很難進入真實生產環境。

如果把視角拉遠，看未來 24 個月，我覺得最值得關注的細分方向有七個。

研究與盡職調查排名第一。資料豐富、時間緊迫、交付成果明確，最接近 Hebbia 和 Rogo 的方向。

其次為 Excel 模型審計——投行業務、私募股權、信貸、資產管理均有大量 Excel，存在公式錯誤、硬編碼、假設不一致等問題，AI 輔助空間極大。

信貸審批輔助排第 3 名，銀行和非銀機構均需進行材料初審、流水分析、風險提取和授信報告生成。合規審查排第 4 名，制度比對、行銷材料審查、KYC 檢查，均適合由可引用、可留痕的 AI 助手協助。

基金行政與財務運營的對賬、估值、費用核對及審計底稿流程高度標準化，且錯誤成本極高。

保險理賠和核保材料繁多、規則複雜、審核壓力大，但必須保留人工確認。

最後是客戶經理和投顧 Copilot，不是 AI 直接提供投資建議，而是協助顧問進行會前準備、產品解釋、會議紀錄和 CRM 更新。

這七個方向有一個共同的前提：產品必須可審計、可引用、可私有化。

金融機構不會接受「AI 大概是這麼說的」。數字從哪來？引用在哪裡？誰複核過？數據是否出域？這是採購決策的前提條件。所以從一開始就要設計引用溯源、人工簽核、數據隔離和操作留痕。這不是合規成本，是產品壁壘。

還有一個更大的趨勢。在模型能力商品化之後，機遇轉向 workflow、connector 和治理層。就像當年雲計算讓 IT 基礎設施變成 API，新一代創業者會在上面打造 SaaS。今天的大模型也是如此——誰能在其上封裝行業工作流，誰就擁有壁壘。

金融行業的知識工作資訊密度高、格式要求嚴格、責任約束強，這些特性決定了它並非通用 AI 能快速覆蓋的領域。這正是創業公司的安全區。

創業公司如何切入

不要一開始就做平台。

尋找一個狹窄場景：具備真實資料、固定模板、明確交付成果、人工複核、部門預算，並能在 60–90 天內驗證 ROI。

不要這樣說：

我要打造金融機構的 AI 平台。

要這樣說：

我先為 PE/FA 團隊將 Data Room 資料自動結構化，輸出盡職調查 Q&A、風險清單和 IC Memo 初稿。

越具體，越容易成交。

最大風險被大廠取代？

通用入口將被取代。泛金融問答、普通研究報告摘要、簡單數據查詢，很容易被大模型和數據終端覆蓋。

但垂直深流程不會。

因為大廠不願為每個細分崗位做髒活。真正困難的是：接入客戶內部系統、理解崗位流程、適配客戶模板、陪客戶從 POC 跑到生產。

這些不是一個模型 API 能自動解決的。