OUR MISSION · 我们的使命
锋睿致力于帮助您的机构在 AI 时代实现成功转型。我们持续追踪金融数据、投研与机构组织的 AI 进展，分享值得关注的实践与思考。
让我们以学习的心态，一起探索 AI 时代的可能。
与您分享本期进展
AI 生成示意图IN THIS ISSUE · 本期主题
16 条案例与动态，观察金融 AI 的受控接入、持续投研、组织变化与责任归属。
Nasdaq、Crunchbase、Blockworks 与 Morningstar：受控接入、来源追溯与业务 Agent。
AlphaSense、Jump Trading 与 Man Group：持续研究、过程留痕和人工验收。
银行部署与岗位变化同步推进；MAS 指引及香港、新加坡的责任与防护动向。
AI 生成示意图锋睿解读金融AI趋势，助您持续放大专业优势。
frontwise.ai从数据连接走向受控使用
Nasdaq 在 Calypso 平台内推出 Agent 框架，服务对象是银行、券商、资管、央行等使用 Calypso 做前中后台交易、风险和抵押品管理的机构。机构既可以用 Nasdaq 提供的 Agent，也可以接入自己的内部 AI 系统，统一走基于 MCP 的集成层。
值得注意的是顺序：第一个上线的是“问平台数据和文档”的助手，而不是自动下单。Nasdaq 还表示，开通这些功能之前会和每家客户一起梳理其内部 AI 治理与控制要求。
机构要大规模采用 AI Agent，需要的是已在运行的资本市场平台里一个受信任、受治理的基础设施。
Magnus Haglind，Nasdaq 资本市场技术负责人
Crunchbase 推出名为 Crunchbase AI 的 “headless” 数据层，通过 MCP 向 Agent 和大模型开放融资、公司画像、洞察与预测数据。官方列出的 Agent 用法很具体：每周为目标公司生成带来源的简报、按一句话投资主题筛选并列出完整公司名单、追踪某个赛道里投资人的出手与轮次规模变化。
对买方来说，这类产品的看点不在“又多了一个数据源”，而在“每个答案都能点回数据”。这是公司发布稿，148% 的种子轮覆盖优势等指标是其自述，未经第三方验证。
Blockworks 向 ChatGPT、Claude 等 Agent 开放全部数据集。文中给金融机构列了 6 个场景，其中最贴近传统金融的是：银行每天早上拿到按发行方和链拆分的稳定币供应简报，开户前由 KYB 团队拿到对手方档案，以及追踪每只代币化股票的供应、持有人和 DEX 成交量，并与标的股票价格并排展示。
这是数据商自己的产品文章，场景为设想的用法，非客户成果。选它的原因是分工模式：模型与界面归客户，数据新鲜度归数据商，这正是金融机构评估外部 MCP 数据源时会问的边界问题。
Morningstar 把旗舰平台 Morningstar Direct 重做为 Direct AI，换成浏览器界面，并推出三个面向资管行业的 Agent。产品开发 Agent 结合资金流和品类数据，回答“哪些品类需求强、竞争少”“同类产品做到 10 亿美元规模用了多久”。分销 Agent 帮销售团队分析模型组合的缺口，演示某只基金放进去会怎样，并准备评审会的沟通要点。管理人研究 Agent 服务尽调团队，回答“这只基金的交易行为最近有没有变化”“哪些市场环境对业绩有利或不利”。
这三个 Agent 对应的是资管机构从产品、分销到尽调的现有工序，而非通用聊天助手。官方称其逻辑内置了 Morningstar 分析师的评估框架。这是厂商新闻稿，“1,100 多名研究员”等表述为其自述，未经第三方验证。
上期是数据商把口径随数据一起交出，本期的新变化是“受控”：Nasdaq 先划沙箱和限额，Crunchbase 要求每条结果可溯源。数据接进 Agent 之后，机构真正要回答的是：它能碰什么、改了什么、答案能不能点回源头。这也是我们做金融数据语义层时一直在盯的问题。Morningstar 的做法提供了另一种形态：数据商把自己的分析框架做进 Agent，再把数据同时交给第三方模型。
从单次回答走向持续研究
AlphaSense 称 SuperAnalyst 是常驻运行的 Agent：用户给的是目标，由 Agent 规划任务、查找并核对证据、计算、写并运行代码，再把成果挂在“会自己刷新”的文档里。组合监控、并购尽调、市场评估是官方点名的场景。
新闻稿引用了两位买方用户的评价：Aberdeen Investments 的投资总监称它做出的估值模型数据来源一致、层级清楚；Talos Eurisko 的研究总监说，它不是替代分析师，而是让他在几分钟内判断自己该把时间花在哪。这些均为厂商新闻稿内的客户引述。
它并不取代分析师的工作，而是让我在更短时间内覆盖更多内容、更有把握。
Ian Lieberman，Talos Eurisko Asset Management 合伙人兼研究总监（新闻稿引述）
Jump 的 LLM 研发负责人 Lucas Baker 描述的工作方式：研究员定义问题、环境和评价标准，一个或多个 Agent 长时间运行，自己分析发现、对照最初提案的标准来判断，并调整方向，而不是每一轮都等人审。
风险控制讲得比效率更具体：给 Agent 一个可以自由产出的安全环境，末端设置人工验收；Agent 产出的交易信号，与其他信号一样被限定范围、被审查，再进入受严格管控的执行环境。这是 OpenAI 发布的客户案例，并非 Jump 的独立披露，文中没有给出业绩或收益数字。
如果 Agent 可以自由产出任何结果，但最后有人工审查和验收，我们就有信心。
Lucas Baker，Jump Trading LLM 研发负责人
Man Group 在半年度业绩中表示，将在全公司推进跨职能的 Agent 工作流。该公司 CFO 兼 COO Antoine Forterre 在 9 月 29 日的 Bloomberg 峰会上介绍：自主投研、量化研究和运营几个团队都在重做流程，运营团队正在测试与外部行政管理人和托管人之间的 Agent 对 Agent 流程。
他举了两个例子：一位研究欧洲中盘股的基金经理，把五年的决策笔记整理成 Agent 流程，由它调取结构化和非结构化数据并建议向管理层提什么问题，Forterre 称其覆盖的股票数量翻了一番，同时表示样本太小，未必全归功于 AI；另一个信用团队用自建工具发现了藏在年报脚注里的授信条款变化。他强调护栏很关键，主要靠治理、培训和 Gen AI 政策下的访问控制。
以上为管理层在会议上的表述，未见具体业绩或成本数据，也未直接核对公司业绩公告原文。
两个案例的共同点是“持续”：AlphaSense 让 Agent 持续盯住假设，Jump 让 Agent 持续跑数日。时间拉长以后，投研 Agent 的问题不再是单次答案准不准，而是中间过程能不能被复盘。要评估这类系统，建议问三件事：证据链留不留、更新触发条件是什么、谁在最后签字。Man Group 的例子补充了一点：权限可以按任务设期限，让 Agent 的授权跟着任务走。
从单点用例走向组织协作
BBVA 在分析师与投资者沟通会上发布 The Frame：一套创建、部署、管理和治理 AI Agent 的统一标准。过去一年银行专注于具体用例，下一步是把这些能力在集团内复制。BBVA 还披露，面向个人与企业客户的多模态助手 Blue 计划于 2027 年逐步推出。
以上数字均为 BBVA 官方披露口径，其中语音 Agent 的 90% 是生产试点结果，不代表全面上线后的水平。
Barclays 扩大与 Anthropic 的合作，把 Claude 用于软件开发、遗留系统现代化和运营效率。已落地的两个例子：服务英国 2,000 多万零售客户的员工知识助手（基于检索增强，自 2025 年上线），以及全球市场部门对来信做分类、补全信息并确定处理路径。
这是 Anthropic 官方发布的合作说明，效果数字是使用量，而非财务回报。银行方面强调治理、安全控制与人工监督。
ABN AMRO 创新负责人 Yorick Naeff 在 LinkedIn 上列出试点要回答的三个问题：Agent 能否真正减少重复工作？行动能否被追踪、人是否仍能控制？结果好的话，规模化需要什么条件？
这条的价值在于对照：前两家银行讲规模，这一家只讲评估标准，且尚无结果。我们不把它当作“已验证效果”，只当作一家银行如何给 Agent 试点设门槛的公开样本。
挪威最大银行 DNB 在公告中说，集团已在多个环节采用 Agent 式 AI，用来替代以往人工处理的任务；在客户数据与 KYC 工作、技术开发与编码上，银行已看到 AI Agent 带来“可观的效率提升”，因此将调整技术与服务部门的组织和技能结构，减少约 400 个全职岗位。
公告称将与员工代表沟通、按规定办理，更多财务影响将在年内披露。公告没有给出 AI 带来的具体节省金额，也没有说明被替代的具体岗位。
AI 正在改变我们的工作方式和服务方式。我们已经看到可观的收益，因此要让组织适应新的现实。
Kjerstin Braathen，DNB 集团 CEO（公告引述，根据公告英文原文转译）
据海峡时报报道，高盛亚太区（日本除外）负责人 Kevin Sneader 在 Milken Institute 亚洲峰会上说，“现在年轻人刚入职，就是在管理 Agent”，需要用好这支“虚拟大军”。他认为管理职责正从中层下沉到一线，而如何重新安排现有中层，是“很多行业的一代人挑战”，高盛“还不清楚会怎样”。
同场的新加坡金管局（MAS）董事总经理 Chia Der Jiun 表示，MAS 也看到同样的变化：运营人员要成为 AI Agent 的管理者和监督者，银行对用于分析和准备工作的应届毕业生需求会下降；新加坡正在培训银行员工的 AI 技能，并与大学配合。
以上均为公开场合发言，不是披露的数据或计划；本条依据海峡时报报道，未核对会议原始记录。
三家银行的路径不同：BBVA 先有用例后立框架，Barclays 从工程师工具切入，ABN AMRO 先定评估问题。共同点是都把“治理”写在了规模化之前。对中国同行而言，更值得抄的是 ABN AMRO 那三个问题：它们能直接变成试点验收清单。DNB 和高盛的表态则把另一面摆上台面：当 Agent 接手准备性工作，岗位结构与管理层级都要重排，而银行要回答的问题，是谁来管理 Agent、新人如何成长。
风险分级、责任与监督
MAS 在新闻稿中列出四项核心期望：一，董事会和高管对 AI 风险有效监督，明确职责、风险偏好与制度；已有治理架构只要足够，可以沿用，不必专设 AI 委员会。二，在 AI 全生命周期识别和管理风险：盘点 AI 使用、评估用例的风险重要性，并按比例采取数据治理、测试、人工监督、网络安全、监控与变更管理等控制。三，管理第三方 AI 风险：金融机构对第三方提供的 AI 仍须负责，必要时可限制、暂停或替换。四，按风险程度对应：若 AI 服务表现不佳或不可用不会造成重大影响，可以只设基本政策与程序。
新闻稿还提到，随着具备自主性、能调用工具的 Agentic AI 增多，机构应定期复核控制措施；MAS 计划在 2027 年就 Agentic AI 的补充指引再向业界征求意见。MAS 副董事总经理何赫新在新闻稿中称，更清晰的监管规则能让机构“有信心地创新”。
本条依据 MAS 新闻稿，指引正文及配套的反馈回应文件请以 MAS 网站为准。
财政司司长陈茂波在亚投行年会的数字基础设施研讨会上表示，特区政府将检讨现行法律是否足以处理 AI 造成损害的责任问题，“创新需要空间，但受影响的人必须清楚责任与补救渠道”。他还提到，将与业界和专业人士制订按行业划分的指引与治理框架，防护措施按应用风险设置，而非一刀切。
他同时提到已推出 5 亿美元的人工智能资助计划，面向合资格的研究机构、初创和企业，以及北部都会区沙岭（Sandy Ridge）的大型数据设施集群规划。演讲全文见香港政府新闻公报。
新加坡数码发展及新闻部长杨莉明（Josephine Teo）在书面国会答复中表示，政府正研究在高风险 AI 用途中是否需要新的安全措施，可能包括更严格的测试、可独立验证的安全证据、更严的部署控制和更强的监管。她强调仍采取基于风险的多层方法：部署 AI Agent 前，先评估其可访问的系统和数据、被允许的行为，以及误操作的后果。
她同时表示，目前不强制前沿模型开发商提供模型访问权限。以上是研究方向，尚未形成新规。本条来自 CNA 报道，未直接核对国会原文。
ACRA 发布 2026 年第 1 号审计实务指引，围绕诚信、专业判断、问责、透明度、数据保密与安全五个方面，为审计师和事务所提供使用 AI 的实用考量，并用真实事件说明问题如何出现，附有供自查的反思性问题。官方强调各所采用 AI 的程度和方式会不同，因此指引偏重日常可用的做法。
这不是针对金融机构的规则，但被审计对象包括银行和资管，审计方如何对待 AI 底稿，会间接影响机构内部对 AI 产出留痕的要求。
上周是三地给出细则，本周则是责任归属：香港要核对法律能否覆盖 AI 致害，新加坡要看高风险场景是否需要可验证的安全证据，审计行业开始规定自己如何用 AI。落到金融机构，就是 Agent 的每一步操作要能留痕，并能指到负责人。MAS 的指引把这件事写成了制度：盘点 AI 使用、按风险分级控制，并对第三方 AI 保留问责。
本期保留原稿 16 条案例与动态及对应公开来源。部分条目依据媒体报道，已在正文注明；厂商新闻稿与客户案例中的成果为其自述，未经第三方验证。“锋睿观察”为编辑分析。
资料时间以各条原始日期为准；香港 9 月 28 日讲话、ABN AMRO 9 月 30 日试点消息为近期背景。锋睿周刊每周五更新。
