週刊

Morningstar Direct AI 與 MSCI SignalLab：資料巨頭同日把內容做成 Agent

Morningstar Direct AI

三個 Agent：產品開發（選品類）、分銷（進組合名單）、管理人研究（盡調），上線即面向全球使用者

資料出口

Morningstar 資料同時接入 Claude、Microsoft Copilot 和 ChatGPT，客戶可以不開啟 Direct 也能用

底座

數百萬只證券與實體、1,100 多名分析師的評級與研究框架

MSCI SignalLab

同日釋出，600 多個研究級訊號每日更新；Risk Premia 區由 AI 讀經濟金融文獻生成候選訊號，MSCI 研究員逐條驗證

Morningstar 的三個 Agent 對應三種實際工作。產品開發 Agent 把資金流向與產品類別放在一起，幫助團隊識別需求較強、競爭相對有限的類別，並參考同類產品的資產增長軌跡。分銷 Agent 從目標機構的模型組合出發，識別組合缺口、評估基金加入後的變化，再準備稽核會議的溝通要點。管理人研究 Agent 則用晨星分析師的評估框架，檢查基金交易行為有沒有改變、哪些市場環境有利或不利。

MSCI SignalLab 解決的是訊號比較與接入問題。首批覆蓋 Risk Premia、Micro-Industries、FactorLab 與 Crowding，統一不同來源的定義、標準和文件。Risk Premia 由 AI 閱讀文獻並生成經過測試、評分的候選訊號，再由研究員驗證；Micro-Industries 則先用專有語言模型聚類，再由大模型細化行業定義和分配股票，結果還要經過模型驗證團隊檢查。

兩條路線的共同點，是把研究框架放進產品，而不只提供檢索入口。Morningstar 同時把資料送進 Claude、Copilot 和 ChatGPT；MSCI 則允許團隊把自有資料放到同一環境，並透過 API、Snowflake 接入工作流。以上為兩家官方釋出的功能描述，不能據此推定使用效果或投資表現。

延伸閱讀：Morningstar 官方新聞稿（英文） ↗
延伸閱讀：MSCI SignalLab 官方新聞稿（英文） ↗

LSEG：110 萬億行 Tick History，GPU 加速到秒級

資料規模

Tick History 共 110 萬億行、1 億隻工具、跨 30 多年、580 多個交易所與場所

加速效果

基準測試顯示多年資料用 NVIDIA cuDF + Polars 分析，從小時級降到秒級（廠商基準）

許可權

不另存完整資料副本，原有許可、許可權和訪問控制保持不動

需求背景

2026 上半年實時網路流量同比增 29%，6 月峰值 2,600 萬條/秒；Tick History 的 API 請求量增 48%

這項合作改變的是歷史行情的處理方式。LSEG 把已獲授權的 Tick History 資料帶到 GPU 加速分析環境，由 NVIDIA cuDF 與 Polars 處理大規模資料；客戶不必為分析再維護一份完整副本，既有許可、訪問許可權與控制仍然適用。官方特別強調，不應為了縮短處理時間而先把資料降取樣，丟掉細粒度資訊。

新聞稿列出三類工作流：量化團隊可用更長曆史、更多交易場所和不同市場條件檢驗策略；交易團隊可重建訂單簿，分析價格、流動性與執行質量；風控和研究團隊可加快情景分析、歷史市場回放，並在受治理的資料上應用自己的分析模型或 AI 模型。

接近全天候交易的市場，使“等收盤、裝載資料、隔夜分析”的流程越來越吃緊。LSEG 希望把深度歷史分析推到交易日內，更靠近實際決策。小時降到秒的數字來自廠商基準，新聞稿沒有列明測試硬體、完整任務配置或客戶實測結果，機構仍需按自己的查詢與資料量評估。

延伸閱讀：LSEG 新聞稿（英文）

Omega Point：組合分析 MCP 獲 Anthropic 驗證，進 Claude 應用市場

驗證含義

Claude 應用市場的聯結器都過自動檢查，“Verified”表示 Anthropic 對質量與安全做了直接評估

使用歷史

Omega Point 的 MCP 今年 5 月起已在 Claude 內被投資團隊生產使用

計算方式

按客戶自己的持倉、授權範圍和資料實時計算：因子暴露、what-if、壓力測試、歸因，與其正式風險報告同一引擎

Omega Point 把對話入口與投資計算引擎分開：使用者在 Claude 中表達問題，實際風險、壓力測試與歸因由 Omega Point 的確定性引擎計算。它強調與機構正式風險報告使用同一套模型，避免對話助手給出一組數字、風險系統又給出另一組近似結果。

新聞稿給出的例子比“問組合風險”更具體：按某個子組合檢視不同行業的因子風險變化；找出貢獻一成風險的股票，同時看這些持倉當月損益；把擬交易清單貼上進去，一次比較交易前後的風險、暴露與壓力情景；也可以上傳完整持倉檔案，不必逐個輸入證券。

團隊還能把自有研究與訊號帶進同一分析環境，減少各自維護表格、再核對口徑的工作。回答範圍按使用者原有許可權限定。“Anthropic Verified”指聯結器質量與安全經過直接評估，不等於投資結論獲背書，也不能替代機構對資料授權和計算結果的複核。

延伸閱讀：Omega Point 新聞稿（英文）

中證協：超七成券商研究部門已用 AI，研報總量回落

AI 滲透

2025 年超七成券商研究部門已運用 AI：基礎層做資訊蒐集、校對、紀要轉錄；深度層做大模型本地化部署和自研投研系統

人員

100 家券商設研究部門，研究人員 7,591 人（同比 -3.68%），其中分析師 5,886 人（+4.38%）

產出

98 家券商全年釋出研報 205,503 份，同比 -11.54%

收入

機構客戶交易佣金 158.94 億元，佔研究所總收入 85.98%

這份統計不只反映工具採用，也反映研究部門的收入與人員調整。2025 年研究人員總量下降，但登記分析師人數增長，佔研究人員的 77.54%；全年離職 1,972 人次、新招聘 1,644 人次。研報總量減少，同時業務集中度繼續提高，說明“報告寫得更多”已經不是唯一的競爭方向。

AI 使用被分成兩個層級。基礎事務包括資訊蒐集、校對、格式核查、會議紀要轉錄和文字潤色；深度應用則包括大模型本地部署、自研智慧投研系統，以及研究方法創新、專題分析和合規管控。超過七成是“已運用 AI”的機構比例，不能理解成七成研究任務已自動化，也不能直接說明模型具備獨立研究能力。

收入結構也在變化：44 家研究部門已產生內部協同收入，佔總收入 3.57%；82 家產生其他收入，主要是諮詢服務費，佔 7.29%。協會因此把研究服務轉型與資訊來源管理放在一起，提出差異化發展、改進估值方法、規範專家諮詢費及加強職業道德等建議。這裡的資料來自協會統計，經媒體披露，不是 AI 投入產出的對照實驗。

延伸閱讀：證券日報報道

券商財富管理的大模型底座：從單點工具到全鏈路

樣本

財聯社與中證協聯合專題，已刊發 30 餘篇券商高管訪談

自研路線

東方財富證券“妙想”大模型支撐研報解讀、持倉診斷；中金財富建“投顧助手、投研、財富數字員工、對客”四大智慧體群

共建路線

中泰證券與阿里雲共建“千問千泰”投顧品牌，累計落地 700 多個服務場景

邊界延伸

AI 從投研投顧延伸至合規：事前適當性篩查、事中違規薦股實時監測、事後全程留痕

行業基數

全行業註冊投顧接近 9 萬人

財聯社梳理的轉型路徑，已經延伸到“研究如何進入賬戶”。東方財富證券用自研模型做研報解讀、資訊分析和持倉診斷，並計劃走向賬戶級服務、連線外部智慧體生態。中泰則同時建設自有數智底座與智慧中臺，並與阿里雲共建應用；中金財富按投顧助手、投研、內部數字員工和對客服務劃分四類智慧體。

服務流程裡，人機分工也更具體。國金證券把 AI 放到投前研判、投中跟蹤與投後覆盤，人工顧問處理個性化需求；華源證券提出由技術處理標準化資訊、賬戶監控與常規服務，專家集中於複雜判斷、風險溝通與信任建立。民生證券則明確，相關 AI 首先服務一線員工和投顧團隊，而非直接面對客戶。

合規側的投入與業務擴張同步。中銀證券介紹，事前以客戶畫像和適當性規則篩查風險，事中監測投顧溝通、營銷和市場解讀中的違規薦股、收益承諾與不當推薦，事後儲存電子記錄與行為軌跡。報道還提到長期留存、客戶體驗等考核指標的變化：工具能擴大覆蓋，但組織如何激勵員工、如何留痕問責，決定了服務能否長期執行。上述做法為受訪機構自述。

延伸閱讀：財聯社報道

資產所有者調研：AI 成首要戰略優先，治理明顯落後

樣本

全球 20 家資產所有者，合計管理超 5 萬億美元

優先順序

67% 把 AI（含代理式工具）列為首要戰略優先，高於通脹環境（44%）、流動性壓力（33%）、私募市場（28%）

預期

技術對投資結果的貢獻佔比，從當前約 17% 升至未來 3-5 年的 30%

治理缺口

僅 25% 把 AI 列為董事會或投委會固定議題，60% 只是偶爾審議

首要約束

四分之三受訪者認為資料質量與標準化是最大障礙

這份調研真正值得展開的，是 AI 將改變哪些投資工作。報告認為，資料平臺、分析工具和 AI 正從後臺支援，進入投資研究、組合監測與決策流程。受訪機構普遍認可方向，但現有技能、系統和運營模式還沒有準備好。人的判斷、解釋與責任仍然要保留，變化的是研究、技術和管理團隊如何共同完成工作。

資料障礙也不只在“有沒有資料”。舊系統、部門孤島和依賴電子表格的流程，已經佔用大量資源；當 AI 需要穩定、可信、可訪問的資料時，這些問題會被進一步放大。研究指出，能夠獨立完成這類轉型的機構並不多。外部平臺可以補足能力，但如果行業集中依賴少數平臺和工具，也可能增加分析與行為趨同的風險。

報告給出四項優先工作：董事會和管理層明確 AI 戰略、風險與問責歸屬；培養能連線投資專業與技術的複合人才；圍繞投資決策重新設計工作流，保留人工判斷；把 AI 當作持續投入，建立能夠衡量價值的成本機制。它討論的是組織能力建設，不是再採購一批工具。

樣本只有 20 家、合計資產超過 5 萬億美元，具有大型資產所有者視角，不能當作全球機構的普查。67% 的優先順序資料來自披露該項指標的參與者；25% 的固定議程比例反映治理安排，也不能與其他行業的 AI 使用率直接相減。

AI 正在變成一個組織問題，而不是一個技術問題。

Roger Urwin，Thinking Ahead Institute 聯合創始人（據官方新聞稿）

延伸閱讀：Thinking Ahead Institute 新聞稿（英文）

Itaú：ia.i 面向全部客戶，IARA 管模型、成本和許可權

ia.i

全行統一的對話層，文字或語音，覆蓋賬戶、信貸、卡、保險；首階段約 30 萬客戶，目標 2026 年底覆蓋全部約 7,000 萬

IARA

內部治理與編排平臺：按政策給團隊開通不同模型，管 token 成本、可觀測性和負責任 AI 執行

法務場景

9,000 多萬份文件庫，每月執行 200 多萬項任務，部分環節效率提升 20%-80%

內部目標

客戶關係時間增 3 倍、服務速度快 2 倍（預期值）

ia.i 的前臺體驗與 IARA 的後臺治理是兩條相互支撐的工作線。客戶可以用文字或語音處理賬戶、信貸、卡與保險相關需求，必要時連線專業人工支援。案例還介紹了 Customer DNA：把客戶的財務情境、習慣與人生階段作為個性化服務的上下文，在治理約束下由包括 GPT 在內的模型維護和豐富，而不是讓每次對話都從零開始。

IARA 為不同團隊按內部政策開放不同模型，把模型呼叫、可觀測性、token 成本和負責任 AI 要求放到同一層。簡單問題選成本與延遲合適的模型，複雜問題再使用推理能力更強的模型。法務部門的大規模文件閱讀和分析，是檢驗這套治理與編排能力的具體場景；相關效率數字只針對部分流程，不代表全行統一收益。

同一能力也供關係經理和客服團隊使用，例如會前摘要、客戶問題梳理、方案與備選路徑準備。首批約 30 萬客戶用於學習真實使用行為；年底覆蓋全量客戶、未來增加產品模擬和持續收支分析，是後續目標。案例中的“關係時間增加三倍、服務更快”仍屬預期，應與已經披露的部署規模區分。

挑戰是讓技術消失。簡單、直接、有用，把直接的好處給到客戶，讓技術幾乎不被注意。

Carlos Eduardo Mazzei，Itaú CTO（據 OpenAI 官方案例）

延伸閱讀：OpenAI 客戶案例（英文）

瑞穗：吉祥物“あおまる”變成對話式 AI 代理，初期不看賬戶

定位

官方吉祥物“あおまる”化身 AI 代理“あおまるバンク”，第一階段回答銀行服務與手續諮詢

知識基盤

以 1,700 多項官方 FAQ 和官網資訊為檢索基礎，回答附依據來源，必要時引導至人工電話視窗

語音

上線即支援實時語音對話，採用 OpenAI 語音技術

安全設計

輸入輸出多層檢測與控制；上線初期不讀取賬戶資訊和交易記錄；客戶資料不用於 OpenAI 模型訓練

“あおまるバンク”的第一步，是把使用者自己翻 FAQ 的過程變成對話。使用者描述問題後，助手繼續確認情況和需求，再從官方 FAQ 與網站資訊中組織適合的說明。回答附上依據，使用者可以回到原始頁面檢查；問題超出範圍時，引導到電話等人工渠道。這裡的 Agent 主要承擔資訊整理和服務引導，並不是自主操作賬戶。

語音能力也不是附加一個朗讀按鈕。瑞穗把 OpenAI 的語音技術與自建 Agent 功能組合，支援實時往返交流，同時在螢幕保留文字，讓不熟悉打字的客戶也能核對回答。開發過程中，OpenAI 工程團隊提供技術支援與諮詢。

安全邊界被寫得很明確：輸入和輸出均設定多層檢測、控制，降低不當內容或惡意指令誘發異常行為的風險；啟動時不接觸賬戶與交易記錄，銀行記錄、分析對話僅用於改善服務，輸入輸出不用於 OpenAI 模型訓練。後續才會結合客戶反饋、法規要求和監管溝通，逐步評估手續辦理及資產形成諮詢等範圍；公告未給出使用量或準確率。

延伸閱讀：瑞穗新聞稿（日文）

Huntington：給小企業主的“AI 作業系統”，不限本行客戶

產品

The 1866 Studio，基於 Google Cloud Gemini 平臺的小企業經營系統

場景

創業啟動（註冊、許可、生成行動計劃）、營銷物料與廣告文案生成（多模態）、貸款準備度評估與改進建議

開放策略

10 月 19 日起開放早期註冊，明確不限於 Huntington 客戶

The 1866 Studio 把銀行的小企業經驗、AI 助手、專家內容和業務工具放進同一入口。其設計目標是讓系統在不同任務間保留相關經營上下文，幫助企業主協調財務、運營和管理工作，減少在分散工具之間反覆交代背景；企業主仍然控制決策與後續行動。

首批能力圍繞三類任務展開：創業時梳理主體選擇、註冊、許可與運營準備，生成行動計劃；營銷時用多模態 Gemini 模型製作品牌物料、廣告文案與社交媒體活動；融資前識別準備度缺口、解釋貸款方通常關注什麼，並建議補足材料或改善條件。貸款準備度工具不等於授信承諾，也沒有替代貸款稽核。

銀行強調這是一條逐步擴充套件的產品路線，未來希望覆蓋創業、日常經營、增長，乃至繼承、出售或退出。10 月 19 日開放的是早期使用登記，而且不限於 Huntington 客戶，不能寫成已經全面普及或取得經營成效。它更接近銀行把專業服務提前放到企業生命週期前端，而不只在客戶申請金融產品時出現。

延伸閱讀：Huntington 新聞稿（英文）

MAS：金融機構 AI 風險管理指引落地，分階段到 2028

四大期望

董事會與高管對 AI 風險的監督問責；覆蓋全生命週期的風險管理（清單、風險分級、資料治理、測試、人類監督、網路安全、監控與變更）；第三方 AI 的風險管理；按風險相稱原則適用

生效節奏

2027 年 10 月 7 日生效：監督與管理制度兩節須達標；生命週期控制與能力建設兩節可延至 2028 年 10 月 7 日

代理式 AI

MAS 明確將在 2027 年就代理式 AI 所需的補充指引再作行業諮詢。

第三方

機構對外部提供的 AI 仍負全責；風險壓不進胃口內時，應限制、暫停或更換服務

MAS 的要求同時落在企業整體與單個用例兩層。機構需要知道自己在哪裡使用 AI，以適當粒度維護清單，判斷用例風險的重要程度，再匹配資料治理、測試、人工監督、網路安全、持續監控和變更管理。不是所有工具都套同一套重型流程，但也不能因為 AI 嵌在採購的軟體中，就把它排除在管理之外。

第三方管理的重點是取得足夠保證、判斷服務是否適合預定用途，並在供應商證據不足或現實限制存在時增加補償控制。若剩餘風險仍超出機構風險偏好，應考慮限制、暫停或更換服務。這把責任留在提供金融服務的機構，而不是把“模型由外部公司提供”作為免責理由。

實施採用比例原則：若工具表現不佳或不可用，不太可能對機構、客戶或其他相關方造成重大影響，基礎政策與程式可能足夠；風險越大，控制應越細。現有委員會能提供有效監督和跨部門協調，就不必另設 AI 委員會。2027 年先滿足第 3—4 節要求，第 5—6 節可到 2028 年；代理式 AI 的額外指引仍待 2027 年諮詢。

延伸閱讀：MAS 官方媒體稿（英文）