财联社5月18日讯（记者 赵昕睿）估值9000亿美元的AI公司Anthropic推出的10个专属Agent正影响着华尔街金融从业者的饭碗，对数据服务商也造成打击。

今年5月，Anthropic CEO 达里奥・阿莫代伊（Dario Amodei）在纽约华尔街举办的金融服务专场闭门发布会上，正式发布10个金融专用AI智能体，覆盖投行、研报、PE、财富管理、基金运营等全链条工作流，从投行前台到基金后台实现全面覆盖，重构华尔街工作流。

市场对此反应产生分化。该消息一出，美国金融数据服务商暴跌，FactSet盘中跌超8%，晨星跌近3%；银行股价反而稳定，高盛、摩根大通、美国银行未跌，市场认为AI是工具，不是威胁，反而能提升利润率。

Anthropic的10个智能体对金融从业者影响究竟有多大？这是市场最关心的问题。本质上讲，这些智能体并非抢饭碗，是由AI做80%的体力活，金融从业者做高价值判断，释放精力专注客户沟通、战略判断、风险决策、创新业务。在国外市场看来，“只会做重复工作的人”才会面临实业风险。

部分券商高管对AI技术革新则抱着开放协作的积极态度。国金证券首席信息官王洪涛认为，“你如何用AI，AI便如何成就你。你为它赋予意义，它为你照亮前路。”AI将从“后台工具”进化为与员工并肩工作的“AI数字同事”。

中信证券首批上线的18名数字员工核心诉求更是持有相同理念。公司首席信息官、信息技术中心行政负责人于新利明确提出数字员工必将重塑金融业态，但提升全体员工的工作体验，推动证券行业在未来实现人员能力提升与创收增长的双重突破才是最终目标。

可以看到，AI技术革新对海内外金融市场都正产生深刻的影响。Anthropic的10个智能体会如何影响金融业务与从业者？对国内券商和基金AI进程又有哪些启示？

问题一：10个AI智能体能做什么？

Anthropic此次发布的10个智能体，是面向具体金融业务场景的端到端工作流自动化系统。从功能分布来看，这10个智能体分别覆盖研究与客户、基金运营与财务，各自分工明确：

1.Pitch Agent（路演材料制作）:负责生成融资路演册（Pitch Deck），通过整合可比公司数据（Comps）、杠杆收购模型（LBO）等信息，快速生成品牌化的路演材料，帮助投行团队准备客户会议或融资提案。
2.Meeting Prep Agent（会前准备）:在客户会议前，自动整理客户背景信息、市场动态、对手方情况等，生成简报包，为会议提供结构化参考，节省团队准备时间。
3.Market Researcher（行业研究）:根据行业关键词或标的，从多个数据源获取信息，生成行业概览、竞争格局分析、同业对比及投资想法清单，辅助研究人员或投资者进行市场调研。
4.Earnings Reviewer（财报分析）:分析财报电话会议记录或财报文件，实时提取关键信息，更新财务模型，并生成研究笔记草稿，帮助分析师快速理解财报变化及潜在影响。
5.Model Builder（财务建模）:支持构建多种财务模型，包括现金流折现模型（DCF）、杠杆收购模型（LBO）、三表联动模型等，从数据输入到模型搭建提供自动化支持，方便分析师进行估值和预测。
6.Valuation Reviewer（估值复核）:读取普通合伙人（GP）提供的估值包，运行估值模板，进行交叉验证，生成有限合伙人（LP）报告，确保估值结果的合理性和合规性。
7.GL Reconciler（总账核对）:负责总账（GL）与明细账的对账工作，自动找出差异项，追溯差异根因，并生成签核材料，帮助财务团队完成对账和审计准备。
8.Month-End Closer（月末结账）:执行月末关账流程，包括计提、滚存、差异说明等操作，生成关账报告，确保财务数据的准确性和完整性。
9.Statement Auditor（报表审计）:在LP报表分发前，对报表进行审计检查，验证报表的一致性、完整性和审计就绪度，确保报表符合合规要求。
10.KYC Screener（客户尽职调查筛选）:解析新客户开户文档，通过规则引擎检查合规性，标记缺失或异常项，生成合规报告，辅助合规团队完成客户尽职调查（KYC）流程。

这10个智能体并非孤立运行。Anthropic同步推出了办公软件插件，使得一项在电子表格中启动的任务可以无缝流转至演示文稿生成报告，且上下文保持一致。此外，通过模型上下文协议，这些智能体已接入包括穆迪、邓白氏、晨星、标普全球、FactSet等在内的11家主流金融数据提供商。

这意味着，一个典型的投行分析师工作流可以被重构为：通过自然语言指令调用智能体，自动从多个数据源拉取数据，在电子表格中生成分析模型，再自动转移至演示文稿生成材料，全过程保留审计追踪。据Anthropic披露，其底层大模型在金融智能体基准测试中的得分达到64.37%，位列当前行业第一。

问题二：对金融从业者真实影响是什么？

Anthropic这10个智能体的发布，在金融从业者群体中引发了复杂反应。一方面，效率提升的诱惑显而易见；另一方面，“AI是否会取代分析师”这一老生常谈的额话题被赋予了新的紧迫性。

据国外投行人士阐述，海外初级分析师岗位招聘正遭遇寒冬，许多来自顶尖学院的毕业生，都无法获得一份初级分析师岗位的实习机会。Anthropic的介入对这些需要花费大部分时间在手动分析数据、制作幻灯片等繁琐、重复工作的初级分析师影响最深，AI已然能替代这部分工作。这意味着，初级研究岗位的需求下降这一趋势或更加确定。当研究团队负责人及资深分析师可以借力智能投研助理完成基础性工作时，对初级分析师的需求自然减弱。

但与此同时，资深首席分析师和机构销售两类角色的重要性反而可能上升。前者凭借专业知识和行业经验，在确定关键数据来源、分配数据权重等方面拥有不可替代的作用；后者在推动业务发展和客户关系维护方面的价值，在AI时代或许更为凸显。

有业内人士指出，过去分析师的核心竞争力在于数据整理、信息归纳和基础建模，而AI现已在这些环节实现高效赋能，使得分析师更需要专注于逻辑推理、因果分析、市场预判和策略制定等高附加值任务。与此同时，跨领域的综合能力，如对AI技术的理解、跨学科分析框架的构建也将成为未来分析师的重要竞争力。

分析师借力智能体的目标，是努力从“信息处理”中解放出来，更多参与价值判断与价值分发。

一个更具前瞻性的视角来自东方证券研究所所长黄燕铭。他曾在公开访谈中，将研究业务分成收集信息、加工信息、创造思想和传播思想等4个步骤，并指出在前两个环节中，AI可以大幅提升效率，但是如何在掌握大量信息的基础上，实现人的思考和创新的想法，AI的作用是有限的。

问题三：海外传统金融数据服务商面临冲击，国内同类公司有哪些优势？

美国数据金融商股价下跌正反映出Anthropic对其业务的冲击。反观国内，有哪些类似FactSet、晨星的数据商，他们又该如何巩固好自己的护城河？

万得（Wind）或是国内最接近“中国版Bloomberg”的存在，几乎垄断了国内机构投资者的金融终端市场，其护城河来自多年积累的数据覆盖度和口径稳定性、机构用户长期形成的使用习惯，以及在债券估值、期货数据等行业标准层面几乎无法替代的专业地位。万得Alice也在不断升级优化，于5月15日全新上线的Agent蜂群模式直接变成一支可被调度的金融AI项目组，使AI像项目组一样干活。

同花顺的优势则在个人投资者端流量和部分场景的数据积累，但在机构业务智能体化方向上尚未形成完整布局。东方财富从财经门户网站切入到金融数据终端，再到拿下券商牌照，核心优势在于散户流量市场的变现能力。

还有像金融IT服务商恒生电子，虽不是数据公司，但长期服务券商、基金等机构的交易系统，其优势在于离业务流程最近，多种工程化能力恰恰是智能体进入金融核心流程最难的部分。

从政策环境看，国内金融数据公司的生存土壤与海外同行有着本质不同。一方面，数据主权和安全合规要求将海外巨头的业务边界限定在极小范围内，国内机构采购数据服务时几乎只能在本土供应商之间选择，这为国内公司提供了天然的“防护垫”。另一方面，国内公司在推进智能体产品时，同样需要跨过算法备案、数据安全评估等一系列合规门槛。这些是可以通过投入解决的约束，但同时也构成真实的准入壁垒。

问题四：10个智能体对国内金融机构有何影响？

数据公司的格局变化只是表层，更深层的冲击在于智能体正在改变金融服务的竞争逻辑。Anthropic这10个智能体的发布，对国内券商和基金行业的影响，需从多个维度分开审视。

技术层面路径不同，各有优势。观察来看，国内头部券商在AI领域的布局并不滞后。

华泰证券2025年正式确立“All in AI”战略，推出AI原生金融交易终端，并构建AI驱动的智能投研体系。国泰海通发布了千亿参数多模态证券垂类大模型“君弘灵犀”，其AI客服已替代超过60%的人工咨询。招商证券提出“AI证券公司”战略愿景，目标到2030年实现客户服务、业务场景、员工办公、高频作业AI覆盖率均达100%。东方财富依托自研“妙想”大模型推出“AI研究员”智能体，可自主完成信息搜集和分析流程；中信建投、国泰海通等机构也相继推出研报处理智能工作台。

但两套体系的路径差异，决定了各自的长短板。Anthropic的10个智能体使金融机构可以像搭积木一样组合不同智能体，快速将多个数据源整合进同一工作流。这种模式的优势在于标准化程度高、部署速度快，适合流程成熟的海外投行业务。

国内券商AI布局则走了另一条路，围绕本土市场需求做深度定制。A股信息披露规则、监管审批流程、投资者结构与海外市场存在本质差异，简单复制海外模板很难真正落地。国内券商自研的智能投行平台、投行AI文书系统等，在贴合本土监管要求方面反而更具优势。

从数据生态来看，Anthropic的10个智能体已直接与11家主流金融数据提供商打通，分析师可以在同一工作流中无缝调用不同来源的数据，且每一个结论都可以追溯到原始数据源。国内券商虽然也在建设数据中台，但或仍存在数据采购分散、跨源数据融合的技术门槛较高等数据孤岛问题。

同时，证券行业智能体所面临的合规问题也不可忽视。例如投行业务方面，监管对发行材料真实性和准确性的责任归属有明确要求，承销商和签字保荐代表人对文档承担个人法律责任。智能体生成的内容在法律上如何定性？签字人是否需要对智能体生成的内容承担全部责任？这个责任划分的法律真空，或是智能体进入投行业务核心环节所面临的制度性障碍。

基金行业受到的冲击与券商或有所不同。在公募基金领域，AI的应用集中在量化投资和智能投顾两大方向。但Anthropic此次发布的智能体中，与基金行业关联度最高的是估值复核、总账核对和月末结账。这类面向基金运营后台的工具，瞄准的是公募基金中后台运营成本较高的痛点。若智能体能够压缩相当比例的后台运营支出，对基金行业的商业模式将产生实质性影响。

从渗透路径看，公募基金由于合规要求高、风控体系严格，智能体的落地速度或慢于券商。而头部量化私募机构早在多年前就将机器学习纳入因子挖掘和策略构建流程，对AI技术的掌握甚至超过部分券商研究所。由于这类机构已经自建了更贴合自身策略的AI系统，Anthropic推出的金融智能体对其增量价值或相对有限。

比单点业务冲击更值得关注的是智能体对卖方研究展业模式的根本性挑战。长期以来，分仓佣金是券商研究所最核心的收入来源。若智能体能够替代相当比例的卖方研究服务，例如自动完成财报点评、行业数据跟踪、基础建模等工作，公募基金对卖方研究的付费意愿将走向何方，成为一个值得深思的问题。

从Anthropic实践不难看出，当前金融AI智能体的发展核心趋势，在于深度对接机构现有工具与生态、贯通数据至业务全流程。对国内券商和基金行业而言，这既是压力也是契机。压力在于，海外头部金融机构对AI的拥抱速度正在加快；契机在于，国内资本市场本地化场景与监管要求适配或都是海外竞争对手难以复制的优势。