OUR MISSION · 我們的使命
鋒睿致力於幫助您的機構在 AI 時代實現成功轉型。我們持續追蹤金融數據、投研與機構組織的 AI 進展，分享值得關注的實踐與思考。
讓我們以學習的心態，一起探索 AI 時代的可能。
與您分享本期進展
AI 生成示意圖IN THIS ISSUE · 本期主題
16 條案例與動態，觀察金融 AI 的受控接入、持續投研、組織變化與責任歸屬。
Nasdaq、Crunchbase、Blockworks 與 Morningstar：受控接入、來源追溯與業務 Agent。
AlphaSense、Jump Trading 與 Man Group：持續研究、過程留痕和人工驗收。
銀行部署與崗位變化同步推進；MAS 指引及香港、新加坡的責任與防護動向。
AI 生成示意圖鋒睿解讀金融AI趨勢，助您持續放大專業優勢。
frontwise.ai從數據連接走向受控使用
Nasdaq 在 Calypso 平台內推出 Agent 框架，服務對象是銀行、券商、資管、央行等使用 Calypso 做前中後台交易、風險和抵押品管理的機構。機構既可以用 Nasdaq 提供的 Agent，也可以接入自己的內部 AI 系統，統一走基於 MCP 的集成層。
值得注意的是順序：第一個上線的是“問平台數據和文檔”的助手，而不是自動下單。Nasdaq 還表示，開通這些功能之前會和每家客戶一起梳理其內部 AI 治理與控制要求。
機構要大規模採用 AI Agent，需要的是已在運行的資本市場平台裡一個受信任、受治理的基礎設施。
Magnus Haglind，Nasdaq 資本市場技術負責人
Crunchbase 推出名為 Crunchbase AI 的 “headless” 數據層，通過 MCP 向 Agent 和大模型開放融資、公司畫像、洞察與預測數據。官方列出的 Agent 用法很具體：每週為目標公司生成帶來源的簡報、按一句話投資主題篩選並列出完整公司名單、追蹤某個賽道裡投資人的出手與輪次規模變化。
對買方來說，這類產品的看點不在“又多了一個數據源”，而在“每個答案都能點回數據”。這是公司發佈稿，148% 的種子輪覆蓋優勢等指標是其自述，未經第三方驗證。
Blockworks 向 ChatGPT、Claude 等 Agent 開放全部數據集。文中給金融機構列了 6 個場景，其中最貼近傳統金融的是：銀行每天早上拿到按發行方和鏈拆分的穩定幣供應簡報，開戶前由 KYB 團隊拿到對手方檔案，以及追蹤每只代幣化股票的供應、持有人和 DEX 成交量，並與標的股票價格並排展示。
這是數據商自己的產品文章，場景為設想的用法，非客戶成果。選它的原因是分工模式：模型與界面歸客戶，數據新鮮度歸數據商，這正是金融機構評估外部 MCP 數據源時會問的邊界問題。
Morningstar 把旗艦平台 Morningstar Direct 重做為 Direct AI，換成瀏覽器界面，並推出三個面向資管行業的 Agent。產品開發 Agent 結合資金流和品類數據，回答“哪些品類需求強、競爭少”“同類產品做到 10 億美元規模用了多久”。分銷 Agent 幫銷售團隊分析模型組合的缺口，演示某只基金放進去會怎樣，並準備評審會的溝通要點。管理人研究 Agent 服務盡調團隊，回答“這只基金的交易行為最近有沒有變化”“哪些市場環境對業績有利或不利”。
這三個 Agent 對應的是資管機構從產品、分銷到盡調的現有工序，而非通用聊天助手。官方稱其邏輯內置了 Morningstar 分析師的評估框架。這是廠商新聞稿，“1,100 多名研究員”等表述為其自述，未經第三方驗證。
上期是數據商把口徑隨數據一起交出，本期的新變化是“受控”：Nasdaq 先劃沙箱和限額，Crunchbase 要求每條結果可溯源。數據接進 Agent 之後，機構真正要回答的是：它能碰什麼、改了什麼、答案能不能點回源頭。這也是我們做金融數據語義層時一直在盯的問題。Morningstar 的做法提供了另一種形態：數據商把自己的分析框架做進 Agent，再把數據同時交給第三方模型。
從單次回答走向持續研究
AlphaSense 稱 SuperAnalyst 是常駐運行的 Agent：用戶給的是目標，由 Agent 規劃任務、查找並核對證據、計算、寫並運行代碼，再把成果掛在“會自己刷新”的文檔裡。組合監控、並購盡調、市場評估是官方點名的場景。
新聞稿引用了兩位買方用戶的評價：Aberdeen Investments 的投資總監稱它做出的估值模型數據來源一致、層級清楚；Talos Eurisko 的研究總監說，它不是替代分析師，而是讓他在幾分鐘內判斷自己該把時間花在哪。這些均為廠商新聞稿內的客戶引述。
它並不取代分析師的工作，而是讓我在更短時間內覆蓋更多內容、更有把握。
Ian Lieberman，Talos Eurisko Asset Management 合夥人兼研究總監（新聞稿引述）
Jump 的 LLM 研發負責人 Lucas Baker 描述的工作方式：研究員定義問題、環境和評價標準，一個或多個 Agent 長時間運行，自己分析發現、對照最初提案的標準來判斷，並調整方向，而不是每一輪都等人審。
風險控制講得比效率更具體：給 Agent 一個可以自由產出的安全環境，末端設置人工驗收；Agent 產出的交易信號，與其他信號一樣被限定範圍、被審查，再進入受嚴格管控的執行環境。這是 OpenAI 發佈的客戶案例，並非 Jump 的獨立披露，文中沒有給出業績或收益數字。
如果 Agent 可以自由產出任何結果，但最後有人工審查和驗收，我們就有信心。
Lucas Baker，Jump Trading LLM 研發負責人
Man Group 在半年度業績中表示，將在全公司推進跨職能的 Agent 工作流。該公司 CFO 兼 COO Antoine Forterre 在 9 月 29 日的 Bloomberg 峰會上介紹：自主投研、量化研究和運營幾個團隊都在重做流程，運營團隊正在測試與外部行政管理人和托管人之間的 Agent 對 Agent 流程。
他舉了兩個例子：一位研究歐洲中盤股的基金經理，把五年的決策筆記整理成 Agent 流程，由它調取結構化和非結構化數據並建議向管理層提什麼問題，Forterre 稱其覆蓋的股票數量翻了一番，同時表示樣本太小，未必全歸功於 AI；另一個信用團隊用自建工具發現了藏在年報腳注裡的授信條款變化。他強調護欄很關鍵，主要靠治理、培訓和 Gen AI 政策下的訪問控制。
以上為管理層在會議上的表述，未見具體業績或成本數據，也未直接核對公司業績公告原文。
兩個案例的共同點是“持續”：AlphaSense 讓 Agent 持續盯住假設，Jump 讓 Agent 持續跑數日。時間拉長以後，投研 Agent 的問題不再是單次答案準不準，而是中間過程能不能被復盤。要評估這類系統，建議問三件事：證據鏈留不留、更新觸發條件是什麼、誰在最後簽字。Man Group 的例子補充了一點：權限可以按任務設期限，讓 Agent 的授權跟著任務走。
從單點用例走向組織協作
BBVA 在分析師與投資者溝通會上發佈 The Frame：一套創建、部署、管理和治理 AI Agent 的統一標準。過去一年銀行專注於具體用例，下一步是把這些能力在集團內複製。BBVA 還披露，面向個人與企業客戶的多模態助手 Blue 計劃於 2027 年逐步推出。
以上數字均為 BBVA 官方披露口徑，其中語音 Agent 的 90% 是生產試點結果，不代表全面上線後的水平。
Barclays 擴大與 Anthropic 的合作，把 Claude 用於軟件開發、遺留系統現代化和運營效率。已落地的兩個例子：服務英國 2,000 多萬零售客戶的員工知識助手（基於檢索增強，自 2025 年上線），以及全球市場部門對來信做分類、補全信息並確定處理路徑。
這是 Anthropic 官方發佈的合作說明，效果數字是使用量，而非財務回報。銀行方面強調治理、安全控制與人工監督。
ABN AMRO 創新負責人 Yorick Naeff 在 LinkedIn 上列出試點要回答的三個問題：Agent 能否真正減少重複工作？行動能否被追蹤、人是否仍能控制？結果好的話，規模化需要什麼條件？
這條的價值在於對照：前兩家銀行講規模，這一家只講評估標準，且尚無結果。我們不把它當作“已驗證效果”，只當作一家銀行如何給 Agent 試點設門檻的公開樣本。
挪威最大銀行 DNB 在公告中說，集團已在多個環節採用 Agent 式 AI，用來替代以往人工處理的任務；在客戶數據與 KYC 工作、技術開發與編碼上，銀行已看到 AI Agent 帶來“可觀的效率提升”，因此將調整技術與服務部門的組織和技能結構，減少約 400 個全職崗位。
公告稱將與員工代表溝通、按規定辦理，更多財務影響將在年內披露。公告沒有給出 AI 帶來的具體節省金額，也沒有說明被替代的具體崗位。
AI 正在改變我們的工作方式和服務方式。我們已經看到可觀的收益，因此要讓組織適應新的現實。
Kjerstin Braathen，DNB 集團 CEO（公告引述，根據公告英文原文轉譯）
據海峽時報報道，高盛亞太區（日本除外）負責人 Kevin Sneader 在 Milken Institute 亞洲峰會上說，“現在年輕人剛入職，就是在管理 Agent”，需要用好這支“虛擬大軍”。他認為管理職責正從中層下沉到一線，而如何重新安排現有中層，是“很多行業的一代人挑戰”，高盛“還不清楚會怎樣”。
同場的新加坡金管局（MAS）董事總經理 Chia Der Jiun 表示，MAS 也看到同樣的變化：運營人員要成為 AI Agent 的管理者和監督者，銀行對用於分析和準備工作的應屆畢業生需求會下降；新加坡正在培訓銀行員工的 AI 技能，並與大學配合。
以上均為公開場合發言，不是披露的數據或計劃；本條依據海峽時報報道，未核對會議原始記錄。
三家銀行的路徑不同：BBVA 先有用例後立框架，Barclays 從工程師工具切入，ABN AMRO 先定評估問題。共同點是都把“治理”寫在了規模化之前。對中國同行而言，更值得抄的是 ABN AMRO 那三個問題：它們能直接變成試點驗收清單。DNB 和高盛的表態則把另一面擺上台面：當 Agent 接手準備性工作，崗位結構與管理層級都要重排，而銀行要回答的問題，是誰來管理 Agent、新人如何成長。
風險分級、責任與監督
MAS 在新聞稿中列出四項核心期望：一，董事會和高管對 AI 風險有效監督，明確職責、風險偏好與制度；已有治理架構只要足夠，可以沿用，不必專設 AI 委員會。二，在 AI 全生命週期識別和管理風險：盤點 AI 使用、評估用例的風險重要性，並按比例採取數據治理、測試、人工監督、網絡安全、監控與變更管理等控制。三，管理第三方 AI 風險：金融機構對第三方提供的 AI 仍須負責，必要時可限制、暫停或替換。四，按風險程度對應：若 AI 服務表現不佳或不可用不會造成重大影響，可以只設基本政策與程序。
新聞稿還提到，隨著具備自主性、能調用工具的 Agentic AI 增多，機構應定期覆核控制措施；MAS 計劃在 2027 年就 Agentic AI 的補充指引再向業界徵求意見。MAS 副董事總經理何赫新在新聞稿中稱，更清晰的監管規則能讓機構“有信心地創新”。
本條依據 MAS 新聞稿，指引正文及配套的反饋回應文件請以 MAS 網站為準。
財政司司長陳茂波在亞投行年會的數字基礎設施研討會上表示，特區政府將檢討現行法律是否足以處理 AI 造成損害的責任問題，“創新需要空間，但受影響的人必須清楚責任與補救渠道”。他還提到，將與業界和專業人士制訂按行業劃分的指引與治理框架，防護措施按應用風險設置，而非一刀切。
他同時提到已推出 5 億美元的人工智能資助計劃，面向合資格的研究機構、初創和企業，以及北部都會區沙嶺（Sandy Ridge）的大型數據設施集群規劃。演講全文見香港政府新聞公報。
新加坡數碼發展及新聞部長楊莉明（Josephine Teo）在書面國會答覆中表示，政府正研究在高風險 AI 用途中是否需要新的安全措施，可能包括更嚴格的測試、可獨立驗證的安全證據、更嚴的部署控制和更強的監管。她強調仍採取基於風險的多層方法：部署 AI Agent 前，先評估其可訪問的系統和數據、被允許的行為，以及誤操作的後果。
她同時表示，目前不強制前沿模型開發商提供模型訪問權限。以上是研究方向，尚未形成新規。本條來自 CNA 報道，未直接核對國會原文。
ACRA 發佈 2026 年第 1 號審計實務指引，圍繞誠信、專業判斷、問責、透明度、數據保密與安全五個方面，為審計師和事務所提供使用 AI 的實用考量，並用真實事件說明問題如何出現，附有供自查的反思性問題。官方強調各所採用 AI 的程度和方式會不同，因此指引偏重日常可用的做法。
這不是針對金融機構的規則，但被審計對象包括銀行和資管，審計方如何對待 AI 底稿，會間接影響機構內部對 AI 產出留痕的要求。
上週是三地給出細則，本週則是責任歸屬：香港要核對法律能否覆蓋 AI 致害，新加坡要看高風險場景是否需要可驗證的安全證據，審計行業開始規定自己如何用 AI。落到金融機構，就是 Agent 的每一步操作要能留痕，並能指到負責人。MAS 的指引把這件事寫成了制度：盤點 AI 使用、按風險分級控制，並對第三方 AI 保留問責。
本期保留原稿 16 條案例與動態及對應公開來源。部分條目依據媒體報道，已在正文注明；廠商新聞稿與客戶案例中的成果為其自述，未經第三方驗證。“鋒睿觀察”為編輯分析。
資料時間以各條原始日期為準；香港 9 月 28 日講話、ABN AMRO 9 月 30 日試點消息為近期背景。鋒睿週刊每週五更新。
