Anthropic ra mắt AI Agent chuyên cho tài chính, người trong ngành tiết lộ Claude không thể thay thế nhà phân tích ở điểm quan trọng

Anthropic 近期推出金融服務專用 AI agent, 瞄準投資銀行、資產管理、保險、信用分析與企業財務等場景。根據 Anthropic 公告, 這批 agent 模板可用於 pitchbook 製作、KYC 審查、月結關帳等金融業高耗時工作, 並可整合 Claude Cowork、Claude Code 與 Claude Managed Agents。

但要 nói 這取代金融研究員可能言之過早。Podcast《Hardcore 財經通識》在臉書上表示, Anthropic 的確切中金融研究產業的一個痛點: 大量重要但重複性極高的資訊更新工作。但金融資料往往不是顯性錯誤, junior analyst 會隨時間進步培養出 data sense。很多資訊不只是「抓得到」就好, 還必須知道公司這次改了什麼口徑、哪些指標不能和前期直接比較、哪些數字只是管理層包裝。

Anthorpic 能幫助金融研究產業的資訊更新工作

Anthropic 此次推出 10 款金融服務 agent, 可執行建立簡報、審查財報、撰寫 credit memo 等任務。

曾任國內大型金控交易室的《Hardcore 財經通識》主持人 Paku 則指出, 市場對這類工具的反應很容易走向兩個極端: 一邊是「金融業末日」、「AI 破解投資聖杯」, 另一邊則是大量使用者炫耀自己用幾小時 vibe coding 出回測績效驚人的投資引擎。但他認為, 這兩種敘事都過度簡化了金融研究的真實工作。

Paku 表示, Anthropic 的確切中金融研究產業的一個痛點: 大量重要但重複性極高的資訊更新工作。在基本面研究中, 無論買方或賣方, 財報、earning call、資料庫、簡報、模型與客戶匯報都彼此相連。分析師要建立模型前, 資料必須先到位; 而公司特質差異極大, 研究過程幾乎不可避免需要跨資料庫、跨文件整理輔助資訊。

尤其在財報季, 賣方分析師若 cover 一整個 sector, 就必須同時更新大量財報、earning call、關鍵指標、財務模型與研究報告。即使有 junior analyst 支援, 整個流程仍然像一場地獄: 每家公司關注的 metrics 不同, 模型調整方式不同, 客戶又多是時間極度昂貴的大型基金, 分析師必須在短時間內萃取出真正有價值的 best idea。

金融研究最大的荒謬: 80% 時間花在低價值工作

Paku 認為, 金融研究真正弔詭之處在於, 成果往往高度取決於一開始的判斷方向, 例如應該看哪些關鍵指標、聚焦哪些趨勢、如何處理遺失資料、如何跨公司比較。但實務上, 分析師大量時間卻花在抓資料、拉 Excel、更新報告、做簡報。

換句話說, 研究成果可能 80% 取決於判斷, 但工作時間卻 80% 被資料整理與格式更新吃掉。

這也是 Anthropic 金融 agent 的切入點。它不是要直接替分析師找出投資聖杯, 而是試圖產出一個約 60% 完成度的研究 workflow: 先幫分析師抓資料、串資料庫、更新模型、整理簡報與文件, 再由人類用自然語言指出哪裡錯、哪裡要補、哪個環節需要新資料。

Paku 形容, 這比較像是一個「速度很快, 但仍需要一個口令一個動作的 junior」。價值不在於取代資深分析師, 而是把大量低價值工時壓低, 讓真正的研究判斷回到人類身上。

最大風險: 金融資料錯誤通常是隱性的

不過, Paku 也強調, 金融 agent 最大挑戰不是能不能寫報告, 而是能不能確保資料正確。

他指出, 金融資料更新最麻煩的地方在於, 錯誤往往不是顯性錯誤。數字可能「看起來都存在」, 但其實完全錯置、邏輯不通或定義錯誤。更麻煩的是, 錯誤越往下游擴散, 追蹤成本會指數上升。模型、簡報、報告、投資 memo 全部建立在錯誤資料上時, 最後要回頭查錯, 成本遠高於一開始由人類判斷資料來源與定義。

這正是 junior analyst 會隨時間進步的地方, 也就是所謂的 data sense。很多關鍵資訊並不在結構化資料庫, 而是藏在 management presentation、earning call、財報附註與公司自定義 metrics 裡。這些資訊不只是「抓得到」就好, 還必須知道公司這次改了什麼口徑、哪些指標不能和前期直接比較、哪些數字只是管理層包裝。

類似問題也出現在金融 AI benchmark。近期 BankerToolBench 研究指出, 即使最好的前沿模型, 在投行 junior analyst 端到端工作流測試中, 仍有近半數評分項目未通過, 且銀行家評估其輸出有 0% 達到 client-ready 標準。這說明 AI agent 已能處理部分工作, 但距離直接交付高風險金融成果仍有明顯差距。

AI 可以寫 SQL, 但不能自由發揮 LTV 與 churn rate

Paku 也指出, 若只是簡單資料抓取任務, AI 的確可能非常有效。尤其在現代 ETL 工具已經相當成熟的情況下, 若搭配好的介面與人工介入系統, 金融 agent 確實有機會提升研究工作流效率。

但真正危險的是, 當使用者要求 AI 自行計算較複雜或高度依賴定義的指標, 例如分群 LTV、churn rate、單位經濟模型時, 如果人類沒有先注入清楚公式與 benchmark, 而是讓 AI 自由發揮, 結果可能非常危險。原因在於, 這些指標不是單純數學題, 而是依賴商業定義、資料口徑與產業語境。公式錯一點, 整個投資判斷就可能歪掉。

Anthropic 金融 agent 不是「AI 投資聖杯」, 也不是讓使用者用兩小時 vibe coding 出年化 2000% 回測引擎的玩具, 而是一個試圖重組金融研究工作流的產業工具。

它最可能帶來的改變, 是把 analyst 從大量資料更新、Excel 整理、報告排版與簡報製作中釋放出來, 讓人類把時間放回判斷: 哪些指標重要、哪些趨勢值得追、哪些資料不能信、哪些比較方式會誤導。

這篇文章 Anthorpic 推金融專屬 AI Agent, 圈內人曝 Claude 不能取代分析師的關鍵 最早出現於 鏈新聞 ABMedia。