Token 用量激增 86 倍後，Man Group 發現真正的 AI 瓶頸在模型之外

——一家大型資管機構，怎樣把 AI 從聊天窗口接進真實投研流程

本文是鋒睿「週末深度閱讀」系列的一篇－週末慢讀，拆解全球金融機構的第一線 AI 做法。

2026 年 7 月，Bloomberg Odd Lots 的主持人問 Man Group 數據與 AI 負責人 Tushara Fernando：如果把全公司的 token 用量畫成一條曲線，它現在有多陡峭？

答案是：自 1 月以來，成長了 86 倍。

更意外的不是這個倍數，而是 token 被誰用了。不是只有技術部門。財務、營運、人力團隊都開始運行 AI 程式設計或自動化工作流程；在投資端，主觀投資經理、量化研究員和交易人員的螢幕上，也都出現了 AI 視窗。

Man Group 不是一家剛開始試用聊天機器人的公司。截至 2026 年 6 月底，它管理約 2,536 億美元資產，有 1,700 多名員工，其中 600 多人從事量化或技術工作。 2025 年，公司在 AI、數據和技術能力上的投入超過 1.35 億美元。

所以，這個 86 倍很值得看。

它不是「AI 創造了 86 倍價值」的證明。相反，它把一家金融機構真正進入 AI 生產階段之後，最難迴避的問題全部暴露了出來：數據怎麼能讓機器理解？研究 Agent 能走多遠？誰來批准？ token 算誰的成本？人的經驗又該共享到什麼程度？

核心摘要

●AI 先改變的是研究頻寬，不是投資法則。 Agent 可以持續讀取財報、券商報告、另類資料和播客，但它必須把資訊變更映射到具體持倉與投資假設，才從「摘要工具」進入投研流程。

●Man Group 正在將「研究如何發生」本身系統化。 從論文與資料集出發，形成經濟假設、寫程式、拉取市場資料、跑回測、由另一個 Agent 複核，最後交給人類投資委員會。訪談錄音時，已有約 15 至 20 個模型走完這條鏈。

●最新模型不是核心護城河。 市場數據、另類數據、機構知識，加上內部代碼、回測規範、交易成本和執行能力，構成了一個模型無法單獨複製的系統。

●86 倍 token 成長帶來的是管理問題。 當消耗 token 的主體從“人”變成“工作流程”，預算、責任和收益歸屬都要重寫。

●真正的瓶頸是組織變更和安全部署。 在受監管行業裡，快不是唯一目標；可解釋、可測試、可審批，才決定一條 AI 工作流程能不能進入生產。

這篇文章拆開來看，讀完大約 12 分鐘。

---

一、不是替 PM 寫摘要，而是替他守住所有資訊來源

一個傳統股票研究員可能同時涵蓋 50 家公司。

他要讀財報、券商研究、公司公告和另類數據，也可能要聽業界播客。問題從來不是資訊不夠，而是一天只有幾個小時。許多真正影響投資邏輯的變化，並不會以「重大新聞」的形式出現，它可能藏在一場技術訪談、一段工程師的描述，或兩份資料之間的新連結裡。

Man Group 在訪談中給了一個具體例子。

一位關注 AI 產業鏈的投資經理，需要判斷下一個供給瓶頸在哪裡。某家大型雲端運算公司的工程負責人在一檔播客裡提到：GPU 仍然重要，但足以容納大規模訓練的資料中心正在變得稀缺，不同資料中心之間的網路連線也會越來越關鍵。

這位工程負責人未必會參加投資人電話會，傳統研究流程也未必涵蓋這場對話。 Man Group 的 Agent 所做的，是把播客轉成可檢索訊息，識別其中與原有投資邏輯有關的變化，再把它送到投資經理面前。

這裡有一個重要區別：摘要只回答“他說了什麼”，投研系統要回答“這改變了哪個假設”。

如果 AI 只是把十份資料壓縮成十段文字，研究員仍要自行完成最後那一步連接。真正有價值的 Agent，需要知道投資組合裡有哪些持倉、原來的判斷是什麼、哪些變數正在變化，以及這次變化是否足以觸發進一步研究。

這不是讓機器替人做結論，而是先擴大人的注意力邊界。

鋒睿注：許多金融機構把「能檢索全部資料」當成 AI 專案的完成狀態。 Man Group 展示的下一步，就是讓檢索結果回到一個具體投資假設。沒有這層映射，資訊更快到達，不等於研究更快完成。

---

二、它不只讀材料，還開始系統化“如何做研究”

主觀投資的例子，是讓 Agent 幫人發現改變。到了量化研究，Man Group 往前走了一步：讓 AI 參與組織整個研究鏈。

這條鏈從論文和經過整理的資料集開始。一個 Agent 閱讀資料、提出可能成立的經濟假設；另一個 Agent 把假設寫成程式碼，找到需要的市場資料並執行回測；再由其他 Agent 檢查前一個 Agent 的結果。到了最後，模型仍然要交給人類投資委員會，檢視邏輯、證據、穩健性和使用邊界。

根據 CTO Gary Collier 在訪談中的說法，當時已有約 15 至 20 個模型走完從構思到訊號建置、驗證和委員會審核的完整流程，並被判斷為適合用於管理客戶資產。

這個數字容易被寫成「AI 已經自主交易」。但兩者不是一回事。

真正值得研究的是，AI 已經開始接手過去最耗時、也最容易斷裂的中間環節：讀論文之後怎樣形成假設，假設怎樣翻譯成代碼，代碼怎樣調用機構內部的數據與回測工具，結果又怎樣整理成可以被審查的證據。

Man Group 自己把這類系統稱為 AlphaGPT、Alpha Assistant 等。官方對它的描述很克制：通用大模型可以寫出概念上合理、甚至能夠運行的策略代碼，但如果它不知道公司內部的組合構建方式、樣本內外測試規範、波動率估計、換手控制、交易成本和滑點假設，產出的只是「看起來像研究」的代碼，不能直接行動。

所以，Agent 的價值不只在於把程式碼寫快。

它必須進入一套已經存在的研究紀律，並留下足夠完整的過程，讓人們能夠判斷這項研究為何成立、哪裡可能失敗、能否進入下一扇門。

鋒睿注：金融 AI 從 Demo 進入生產，分水嶺不是“能不能生成答案”，而是“能不能生成一份可審查的研究記錄”。答案可以很快，責任鏈不能消失。

---

三、三層數據，最後一層最容易被低估

Man Group 把自己面對的資料分成三類。

第一類是市場數據。它高度結構化，規模龐大。僅來自多數交易所的 tick 數據，每天就接近 1TB。

第二類是另類資料和非結構化資料。它們更髒、更碎，來源和語義也不統一。語言模型確實能處理文本，但「能讀懂句子」不等於「理解一列資料在業務上代表什麼」。

訪談中提到一個信用卡資料的例子。模型可以看到行和列，卻未必知道一行究竟代表一次到店消費、一次授權還是一次結算，更不知道不同數據集中的公司、行業、ticker 和時間口徑怎樣對應。團隊需要給資料補描述、標籤和元數據，再建立一套共享語意，讓 AI 能在不同資料集之間移動。

第三類是機構知識與脈絡。

這一層告訴 AI：Man Group 怎麼做回測，什麼結果可以信任，內部程式碼庫怎麼調用，投資報告怎麼閱讀，哪些步驟必須經過覆核。它不是又一個文件庫，而是機構工作方式的機器可用版本。

也正是在這裡，最新的前沿模型開始失去決定性。

對於純編碼任務，更強的模型可能直接提高完成品質；但在量化研究裡，模型再強，也取代不了專有資料、市場接觸、內部工具、執行假設和多年累積的研究規範。換一個模型很容易，複製這一整套上下文很難。

這解釋了為什麼金融機構採購了同一批模型，最後得到的結果仍會相差甚遠。

模型決定能力上限，機構上下文決定它能不能落地。

鋒睿注：許多數據項目追求“接入更多”，但 AI 生產系統更關心“機器是否知道這些數據是什麼意思”。從數量到語義，是資料工程進入 Agent 時代後最容易被低估的一步。

---

四、86 倍 token 之後，成本不再屬於某個人

Man Group 早在 2025 年底就預判 AI 使用會快速成長，於是以不同使用者和情境做預算模型。進入 2026 年後，公司把使用數據和預算下放到各業務部門，讓更接近工作的人決定 token 應該花在哪裡。

有趣的是，他們沒有急著造一個自動路由器，把每個請求都分配給系統認為最適合、最便宜的模型。

團隊選擇先做教育。

原因很實際。公司觀察到，有些人會在同一個上下文窗口先寫投資邏輯，再問午餐去哪裡吃，接著問明天天氣。對熟悉模型的人來說，這是基礎錯誤；但在一家有 1,700 多名員工的機構裡，使用習慣不可能自然一致。

另一類浪費更隱密。程式設計 Agent 執行一個簡單的版本控制指令後，可能會把完整回傳結果再次送進模型，消耗大量 token。實際上，某些確定性步驟完全可以在 Agent 循環之外完成，不必每次都調用語言模型推理。

透明預算、模型教育和工具層優化同時推進，token 用量仍然在半年裡成長了 86 倍。

這不一定是壞事。它說明 AI 已經從少數試點擴散到大量真實任務。但它也不是成績單。 Odd Lots 的主持人在節目結尾追問得很準確：這個倍數最終必須反映在另一組數字上——成本降低、收入增加，或投資產出改善。

更深一層的問題是，未來消耗 token 的主體越來越不是某個員工，而是一條持續運作的工作流程。

一個 Agent 可能同時服務研究、營運和合規。它的成本該算在哪個部門？誰決定繼續投入？誰對結果負責？ Man Group 坦言，這個問題還沒有完全解決。

鋒睿注：token 預算不能永遠只是 IT 預算。更合理的單位可能是「有負責人、有產出、有驗收標準的工作流程」。當成本能對應到具體工作，機構才有機會判斷增加的 token 是浪費，還是在購買新的生產能力。

---

五、真正的瓶頸，是組織能不能安全地改變

主持人問：如果可以多得到一樣東西，Man Group 最想要更多算力，還是更多數據？

Gary Collier 的回答並沒有停在這兩項。他認為，更大的瓶頸是組織變化。

受監管的金融機構，需要在快速實驗與受控部署之間找到平衡。 Agent 的評估方法仍在變化，如何測試輸出、如何限制權限、如何防止一個自動化動作帶來不可逆損失，都沒有一套全行業通用的答案。

在交易層面，Man Group 給的邊界很清楚：每一筆交易最終都要可以解釋。 AI 在開始寫程式碼之前，先用自然語言寫出它認為成立的投資假設；模型經過其他 Agent 的檢驗後，還要進入人類投資委員會。

這套機制不是最近才補上的。

Man Group 的技術團隊約 15 年來一直採用一種「嵌入式工程師」模式：工程師坐在量化研究員和主觀投資經理旁邊，長期參與業務，而不是接到需求後從遠處交付軟體。今天市場上流行的 forward-deployed engineer，在這家公司內部已經運作很久了。

這解釋了一個容易被忽略的事實：AI Agent 要進入工作流程，首先要有人真正理解這條工作流程。

如果技術團隊不知道投資經理怎麼形成判斷，投資團隊也不了解系統能做什麼，雙方很容易把目標縮成一個漂亮的聊天介面。嵌入式協作累積下來的，不只是程式碼，還有大量「什麼情況下這個結果才算可用」的默契。

人才標準也隨之變化。 Man Group 認為，未來無論招募前台、營運或技術職位，新成員都應該提高公司的 AI 能力。對技術人員來說，價值也從親手執行每個細節，轉向規劃端到端流程、協調多個 Agent、連結不同團隊。

執行越來越便宜，決定「應該做什麼」反而更貴。

鋒睿注：許多機構想購買一個“AI 轉型方案”，但 Man Group 的基礎條件不是一次採購形成的。數據平台、研究規範、嵌入式工程和跨團隊協作，都是多年累積。 Agent 只是把這些基礎設施的價值一次放大了。

---

六、機構知識要共享，但不是把所有秘密倒進去

AI 要理解機構，必然要接觸人的經驗。到了投資機構，這會立刻碰到一個敏感問題：如果一個人的獨特判斷直接決定其價值，他為什麼願意把全部方法交給共同系統？

Man Group 的回答不是「全部分享」。

在系統化投資團隊裡，共享程式碼庫和協作研究已經運作多年，知識比較容易沉澱。主觀投資團隊則不同。訪談中的觀察是，許多共同流程可以開放，例如怎樣做回測、怎麼讀一份投資報告、怎樣驗證一項數據；但最敏感、最接近個人策略與投資邏輯的部分，仍可能被保留。

這兩類知識不應該混在一起。

共同流程適合做成 AI playbook 或 skill，讓整個機構重複使用；策略核心則需要更嚴格的權限、來源和使用邊界。強迫所有人把「秘密武器」交給一個中央知識庫，不僅會遇到激勵問題，也會讓系統難以區分通用方法與個體判斷。

對金融機構來說，知識層的設計至少要回答三件事：這條規則是誰提供的，適用於什麼場景，什麼時候可以撤回或更新。

否則，所謂「機構記憶」很容易變成一個沒有責任人的答案池。

鋒睿注：知識共享不是把所有內容變成公共內容。真正可擴展的做法，是把共同流程沉澱下來，把敏感判斷保留在正確的權限邊界內，同時讓每條規則仍能追溯到來源和負責人。

---

鋒睿怎麼看：先別問模型選哪一個，先回答四個問題

這期訪談最有價值的地方，不是展示了一家大型資管機構用了多少 AI，而是把「用了之後」的問題講得足夠具體。

如果一家金融機構準備把 AI 從試點推向生產，我們認為可以先用四個問題來做驗收。

第一，AI 進入的是哪一條工作流程？

不是“研究部在用 AI”，而是它究竟在讀材料、形成假設、寫代碼、跑回測、生成報告，還是執行動作。沒有明確步驟，就沒有權限與責任邊界。

第二，它拿到了哪些機構上下文？

通用模型知道市場常識，但不知道你的資料口徑、研究規範、內部工具和執行假設。缺少這些內容，模型越會表達，越容易產出一份看起來專業、實際上不可行動的結果。

第三，誰來判斷它過關？

每一步需要什麼證據，誰可以批准進入下一步，失敗後怎樣停止或退回。金融 AI 的核心不是“有人在環”，而是人在什麼節點、依據什麼標準做決定。

第四，價值用什麼數字衡量？

token、呼叫次數和活躍用戶只能說明系統被使用。真正的結果應落到研究涵蓋、交付時間、錯誤率、核准效率、收入或風險調整後的投資表現，並且保留合理的對照口徑。

這樣再回看 86 倍 token 成長，意義就變了。

它既不是成本失控的自動證明，也不是 AI 成功的勳章。它更像是壓力測試：當 AI 開始承擔真實工作，機構原有的數據、流程、預算和治理結構，是否還能撐得住。

Man Group 給的答案不是「換一個更強的模型」。

它在做的是另一件更慢、更難複製的事：把專有數據、機構知識、內部工具、執行能力和人類審批，接成一條能夠反覆運作的生產系統。

金融 AI 的競爭單位，正在從一個模型，變成一整條工作流程。

如果你正在推動研究、投顧、風控或營運中的 AI 工作流程，我們也想知道：你現在最難跨過的一扇門，是數據、評估、權限、成本，還是組織協作？

---

來源與口徑：Bloomberg Odd Lots《One of the World's Largest Hedge Funds on Its 86x Growth in Token Spending》（2026 年 7 月 9 日，Gary Collier 與 Tushara Fernando 專訪）；Man Group 官網 Technology 與 About Man 頁面；Man Group 2025 年年報及 2026 年中期公開資料；Man Group 官方研究《What AI Can (and Can't Yet) Do for Alpha》、《A Trend Following Deep Dive: AI, Agents and Trend》。文中 86 倍 token 用量、每日接近 1 TB tick 資料與約 15–20 個研究模型，均為受訪嘉賓提供的公司口徑，不代表經獨立審計的成本、效益或投資績效。本文僅作產業研究與資訊交流，不構成投資建議。