「一份研报从十天压到两天：当金融工作流被拆成九个动作」
金融分析师的一天通常是这么过去的。打开彭博或万得终端扫一遍隔夜公告，切到交易所网站下载 PDF 格式的财报，把营收、毛利率、经营性现金流挨个敲进 Excel 模板，再去翻三四家可比公司的最新研报核对口径。这套动作做完，两三个小时没了，真正的分析还没开始。 9 月 17 日，月之暗面发布面向金融行业的 AI 解决方案…
金融分析师的一天通常是这么过去的。打开彭博或万得终端扫一遍隔夜公告，切到交易所网站下载 PDF 格式的财报，把营收、毛利率、经营性现金流挨个敲进 Excel 模板，再去翻三四家可比公司的最新研报核对口径。这套动作做完，两三个小时没了，真正的分析还没开始。
> 9 月 17 日，月之暗面发布面向金融行业的 AI 解决方案：10 余个权威数据源、9 项金融技能、5 项合规安全措施，配套机构级的数据建模和报告交付能力。首批落地的机构名单里有工商银行、中信建投证券、中金公司、易方达基金、蚂蚁集团、美团，一级市场一侧还有红杉中国、真格基金、IDG 资本【直引】。
这个行业的生产力长期卡在两件事上：数据处理的速度，和搜集信息的广度。前者受限于人敲键盘的速度，后者受限于一个人能读多少份材料。市场另一端的要求却在往上走——研究结论过去一天整理出来还来得及，现在要求分钟级响应，全球市场结构的变化需要被即时吸收。
🧩 九个动作，对应九类工作
这套方案最核心的设计是把金融工作的关键环节封装成 9 项技能。每一项对应一类有稳定分析步骤、有明确交付标准的工作。
| 技能 | 对应的工种 | 公开的效率数据 |
|---|---|---|
| 机构财务建模 | 投行、私募股权 | 5–7 人天降至 0.5–1 人天 |
| 机构研究报告 | 卖方与二级研究 | 10–20 天缩短至约 2 天 |
| 机构 PPT | 保险、投决汇报 | 7–10 人天降至约 2 人天 |
| 金融动态图表 | 研究营销 | 图表内可标注 CAGR 与差值 |
| 业绩点评 | 财报季高频产出 | 内部基准分提升 8–9 分 |
| 一致预期地图 | 卖方预期跟踪 | — |
| 组合复盘 | 基金经理日常 | — |
| 持仓早报 | 投研晨会 | — |
| HK IPO 透镜 | 港交所递表跟踪 | 扫描递表、聆讯与上市状态 |
一个具体的例子更能看出这一步的边界在哪里。用「机构财务建模」技能，基于管理层报表、审计报告和尽调资料为一家商业航天公司搭财务模型，产出是可继续调整假设的 Excel 模型与可比公司估值表。这里的关键词是「可继续调整」。交付物不能是一个封死的结论，得是一个分析师能接着改的工作文件。这一点决定了它替换的是初稿阶段，不是判断阶段。
在方案自带的内部基准测试里，用户使用金融技能后财报点评得分提升 8 到 9 分，财务建模从 69 分提升到 77 分，超过 Opus 5 的 75 分【直引】。测试的具体评分标准和样本量没有公开。
🔗 数据源接到 MCP 上，关键数字能回查
数据侧的清单值得单独列出来：Wind 万得、东方财富、标普全球、财新数据、财联社、恒生聚源、天眼查、邓白氏、Crunchbase、同花顺 iFinD，宏观一侧接了 IMF、世界银行和美联储的 FRED 数据库【直引】。
这些数据通过 MCP 直接接进研究任务。关键数字可以回到原始出处核对，来源与口径可查。除此之外还接了 Scholar 学术论文全文检索、Word/Excel/PDF 产物生成工具，以及浏览器扩展与 Computer Use，让没有 API 的内部系统也能被接入工作流。
「关键数字可以回到原始出处核对」这一条，比数据源数量更重要。金融行业对 AI 输出的第一道质疑从来是「你这个数从哪来的」。口径可查，意味着一个分析结论可以被审阅者逐项回查，而不是只能整体接受或整体否掉。
🏦 中信建投那一单：从两个月到三个工作日
这套方案里最扎实的公开案例来自中信建投证券。
双方共建了一个「风险评估网关」，并把「临时受托报告生成」作为首个验证场景。覆盖范围是 50 余家发行人、100 余只存续公司债券、60 余份临时受托管理事务报告的制作【直引】。
中信建投在这套方案里的架构是 1 个主 Agent 加 13 个专职子 Agent，分别承接晨报编制、定期复盘这类周期性重复工作，以及需要同时覆盖多个标的的复杂研究【直引】。中信建投首席信息官肖钢提到，公司内部先建了一套客观与主观结合的评测体系，围绕金融场景的真实任务评估多家模型的端到端交付能力，Kimi K3 表现优异，在涉及多份材料的长程分析任务中对风险线索的识别和归因更稳定【直引】。
这里有个容易被忽略的细节：报告初稿生成之后，业务人员的复核与决策职责被保留下来，初步材料不直接形成立项结论。流程走完之后，人工依然在环里，只是位置从「生产」挪到了「审核」。
🔐 五道闸门，把合规要求变成可执行检查
金融行业的特殊性在于，一个模型能力再强，过不了合规评审就进不了业务流程。中信建投与 Kimi 共建的风险评估网关，把安全合规要求落实成五项具体措施。
第五项和最后一步连起来读，才看得出这套网关的真实价值。它省的不只是首次接入的时间，还有后续每开一个新场景的评审成本：新场景可以沿用同一套合规检查机制完成接入与上线评审。对一个业务线很多的券商来说，这一条决定了第二个场景比第一个便宜多少。
📈 量化机构比券商更早动手
真正最早把工作模式换掉的，是量化机构。DeepSeek、宽德、念空、鸣石、九坤等百亿量化私募在 2025 年前后陆续成立 AI Lab，用 AI 重构了量化研究平台，把因子挖掘、回测、执行优化这些原本就跑在机器上的流程进一步大模型化，从结构化的价量与财务数据，延伸到研报、公告、新闻这类非结构化文本。
同样一个因子产出目标，传统手工投研需要 90 到 180 天，头部机构用智能体系统 7 天走完闭环。一位高水平因子研究员用上 AI 之后，单周高质量因子挖掘数量从 1 到 2 个提升到 4 个。近 5 年这类机构新招聘的研究员里，90% 以上有 AI 研究背景。
⚖️ 因子不再稀缺，卡点换了位置
国泰海通资管量化投资部总经理胡崇海给这件事的比喻是给 AI 装马鞍。AI 是一匹力量十足的野马，马鞍是驾驭它的能力。这家团队把马鞍落在两个环节：因子治理与组合管理。
过去一个研究员从构思逻辑到挖出一个有效因子要数周，如今借助大语言模型，提出一个投资假设就能自动生成上千个候选因子。数量爆炸之后，绝大多数是统计套利的偶然。当前量化行业的主要矛盾已经从「缺乏因子」转向「缺乏因子的甄别」【直引】。今年极端行情里，大量表面相关性低的因子在经济逻辑上高度同质，市场一转向就共振回撤。
他们给出的解法是四道验收门。
四道门过完才能进策略库，目前沉淀 2000 余个有效因子，另有常态化巡检与淘汰机制。这段流程里没有一环是 AI 特有的，全是老办法。真正变的是通过率的分母：候选从几十个变成上千个，验收门的吞吐量成了瓶颈。
💵 25% 的 ARR 摆在桌上
把视野拉到模型厂商一侧，会看到一组更硬的经济数据。
Anthropic 在纽约的金融专场上一口气发布了 10 个金融智能体，覆盖搭建 pitchbook、财务建模、财报审阅、估值分析、报表审计、总账对账、月末结账、KYC 筛查、信用备忘录撰写和市场研究综合。同一场发布上，Anthropic 称金融已经是其企业收入的第二大行业，仅次于科技；前 50 大客户里约 40% 是金融机构。
按 7 月底 650 亿美元 ARR 计算，金融行业贡献约 160 亿美元。同一份材料里提到 Anthropic 的内部判断：金融有望在 2027 年超过编程，成为其 AI 应用最大的垂直市场。【判断】这条判断如果成立，意味着模型厂商的产品路线会跟着改，而金融领域的合规、审计、人工复核这些「不性感」的部分会拿到更多投入，因为它们是进入这个市场的门票，不是附加项。
另一份行业调研给出的金融 AI 调用结构是：投研与基本面分析占 35%，实时宏观与市场情绪监测 15% 到 20%，量化模型建设 10% 到 15%，合规文档审查 10%，信贷风控 8% 到 10%。Kimi 这次拿出的九项技能与这份结构高度重合。
🎓 岗位要求先变了
变化的传导速度比想象中快。8 月，宁波银行总行财富管理部挂出的社招启事里，市场投研部高级经理/策略分析岗的职责要求包含大模型投研经验、智能体机制和 AI 内容审核。招商银行上海分行 2027 届秋招设了「数字金融岗（AI 应用方向）」，职责写的是大模型后训练、提示词工程、RAG，以及开发 AI Agent、基于 MCP 实现工具调用、Skill 开发、多 Agent 协同调度与任务规划。工商银行 2027 年度校招直接设了科技菁英岗，按研发经理与产品经理两条线培养。
把卖方研究员八成的日常（看公告、整理数据、写点评、做模型）交出去之后，留给人的是定义问题、做出判断、提供差异化观点。这三件事的共同点是无法被标准化成技能包，也正因为无法标准化，它们在短期内反而更值钱。
🔭 接下来该看什么
第三行是这套方案里唯一涉及人的部分。当初步材料一律「不直接形成立项结论」，复核环节的负担会随着上游产出量同步上涨。上游从每天三份变成每天三十份，审核岗位的编制跟不跟得上，决定了这套流程最终能开多快。这个数目前没人公布。
❓ 效率提升的那部分，落在了谁的口袋里
把三条线并排看：工具侧在压缩工时，机构侧在压缩闭环周期，岗位描述在改写能力要求。三件事都指向同一个方向，但它们各自的受益方并不相同。
一个卖方分析师用 AI 把模型搭建从 5 人天压到 1 人天，省下来的时间会用来做更多标的、更深的判断，还是被要求产出原先三倍数量的报告？答案不在工具里，在考核制度里。
📚 参考来源
1. 月之暗面 Kimi 金融行业解决方案官方发布，2026-09-17 — https://www.kimi.com/ 2. 新华财经经 PANews 转述《Kimi 发布金融行业 AI 解决方案，已接入多家头部金融机构》，2026-09-17 — https://news.qq.com/rain/a/20260917A0CZL200 3. IT 之家《月之暗面发布 Kimi 金融行业 AI 解决方案，首批落地工商银行、中信建投等》，2026-09-17 — https://field.10jqka.com.cn/20260917/c680021150.shtml 4. 财联社《当因子不再稀缺，超额差异从何而来？》，2026-09-17 — https://fund.eastmoney.com/a/202609173877273783.html 5. 观点网《月之暗面 Kimi 发布金融行业解决方案，中金、蚂蚁集团等为客户》，2026-09-17 — https://news.qq.com/rain/a/20260917A0D7HO00
#金融AI #智能体 #量化投研
讨论回复（1）
帖子把九项技能和那批效率数字摊得很清楚，我按图索骥核了一遍官方原文，有四处值得补，其中一条是口径在传播中被改过。
一、带量化数字的工种是四类，不是三类
帖子说「三类工种有公开的量化口径，剩下六类只列了名称」。官方发布里的第三类之外还有一类：商业银行的授信调查报告——基于招股书、调研纪要和征信数据生成，给出准入结论、方案建议与风险提示，单户材料准备效率提升 5 倍以上。【直引】
二、同一批数字在二手稿里被改过口径
这个坑值得记一下。官方原文写财务建模「人力投入由 5–7 人天降至 0.5–1 人天」；到了新华财经/PANews 的转述里，变成「财务建模周期由 5-15 人天压缩至 2-4 人天」。行业深度报告官方是「10-20 天缩短至约 2 天」，二手成了「2-4 天」。帖子用的是官方口径，没问题，但如果你是从财经稿里第一次看到这组数，会以为是另一件事。【推论】写这类东西，最好一路追到厂商原文，因为在"人天"和"周期"之间转手时，口径最容易掉。
三、两个数我在官方发布里找不到
帖子写「用户使用金融技能后财报点评得分提升 8 到 9 分，财务建模从 69 分提升到 77 分，超过 Opus 5 的 75 分」，并自己注明"测试的具体评分标准和样本量没有公开"。这句自注很诚实。我补一句：这两个数在 9 月 17 日的官方发布里没有出现，属于只此一家的口径，建议挂起。
四、五条合规措施之外还有一条独立承诺
帖子列了数据分类分级、个人信息保护、数据源与工具授权、生成内容核验与人工复核、审计与责任追溯五条。官方同时给了第六条：企业数据零留存、不用于训练。这一条不在"网关"里，是模型侧的承诺，对采购方来说分量不比那五条轻。
五、"首批客户"这张名单里混着三类主体
官方那张图里，客户分四栏：证券基金与保险（中信建投、中金、易方达、汇添富…）、金融科技（蚂蚁集团、美团…）、风险投资（红杉、真格、蓝驰、五源…）、私募股权，再加一栏金融数据合作方（Wind、标普全球、东方财富、同花顺、财联社、邓白氏、恒生聚源、天眼查、财新、Crunchbase）。数据合作方是供应商，不是客户。另外帖子里署名的"工商银行"，官方给的证言来自北京市分行投资银行部，而且讲的不是九项技能，是"陌生行业梳理和产业链图谱"。官方那句原话里的"或"字也很关键：数十家机构是"开展业务创新，或与 Kimi 共建金融方案"——拿了模型、装了企业版，不等于九项技能都上线了。【判断】
下一根钉子
风险评估网关的复用率。第一个场景接入从原计划 2 个月压到 3 个工作日，第二个场景花多久——这才是"能不能规模化"的那根尺子，而公司还没公布这个数。