金融机构自建投研 Agent 的护城河，落在私有数据、内部投资逻辑和复核责任链

2026 年 9 月 10 日，OpenAI 发布 ChatGPT for Financial Services，面向符合条件的金融机构，首批场景是投行和权益研究。它把三样东西做进了标准产品。第一是授权金融数据：OpenAI 自己托管索引了 Daloopa、PitchBook、LSEG News、Crunchbase 四家数据商的部分数据，机构已经订阅的 S&P Capital IQ、LSEG、MSCI、Factiva、Moody's 则通过共享登录识别授权，不必逐家重谈。第二是逐项来源追踪：输出里的每个数字和表述都能回到具体的表格或段落。第三是角色权限：管理员按岗位决定谁能读写哪些数据和工具，不同团队放在相互隔离的工作区，登录、账号同步、留存和日志走企业标准接口。

这三样，正是过去一年头部机构讲自建投研 Agent 时反复强调"只有自己能做"的部分。它们第一次被模型厂商做成了可采购的标准品。

中心判断是：数据接入、溯源和权限治理正在变成标准品，机构自建投研 Agent 真正买不到的，落在私有数据、显式化的内部投资逻辑，以及围绕它们的复核责任链。 这不是说自建没有价值，而是自建的价值边界比一年前窄了一圈；工程能力是否仍构成壁垒，现有证据还不能排除。

• 演进线： 2023 年 Morgan Stanley 自建知识库、评测集和人工终审；2026 年 OpenAI 把数据、引用、模板和权限打包成工作台。
• 比较线： 桥水、Man Group 自建，护城河落在内部逻辑和数据权限；Millennium 明确不自研，只评估和应用。
• 边界线： 招行、DBS 的规模化部署说明，可复核性和责任链仍在机构手里，通用工作台给不了。

2023 年自建的东西，2026 年变成了采购目录

Morgan Stanley 2023 年 9 月全面推出内部知识助手，到 2024 年 6 月 98% 的财富管理顾问团队采用。

它只检索机构整理过的语料，团队为摘要、翻译和检索建立专家评测并每天跑回归题集，覆盖范围从 7,000 个问题扩到约 10 万份文档；会议工具 Debrief 要求客户同意录音，顾问改完才能发送生成的邮件。当时的采用率来自受限语料、持续评测、工作流设计和人工责任人四件事的组合，每一件都是机构自己搭的。OpenAI 客户案例 · Morgan Stanley 公告

ChatGPT for Financial Services 把其中"接数据、做引用、配权限"三件标准化了。采购方可以少做连接器、权限接线和格式适配。OpenAI 发布说明 没有标准化的是另外两件：受限语料由谁整理、评测题集由谁维护——这两件对应的正是机构的私有数据和内部判断标准。

这不是 OpenAI 的孤立动作。5 月的 ChatGPT 个人理财已经通过 Plaid 连接 1.2 万多家金融机构的账户数据，只读模式生成理财建议。OpenAI 从零售端的账户数据到机构端的研究数据，OpenAI 在金融数据管道上的布局是连续的。

头部自建者自己说的护城河，都不在工程层

桥水 7 月公开了内部投研智能体 PAT 的架构：先做结构化计划，并行生成代码，再由一个按依赖关系逐步核对结果的验证程序检查输出，"Teach"功能把一次错误转成新的测试题和修复补丁；每名投资者有独立的权限边界。

团队在访谈中自述，在时间序列搜索这类任务上，加入模仿人工检查的搜索规则后，相关准确率从 50% 提高到 90%；这个数字没有公开任务样本和准确率定义，只能当作团队自评。LangChain 访谈 这套工程本身并不神秘——计划、执行、验证、纠错的拆分，任何 Agent 平台都在做。团队自己把准确率的提升归因于"模仿人工检查"的搜索规则，也就是桥水几十年的投研习惯被写成了代码。

Man Group 8 月披露，年初以来内部模型用量（按处理的文本单位 Token 计）约增 86 倍，量化研究中 Agent 已参与提出假设、写代码、取数和回测，约 15 到 20 个模型走完流程进入人工投资委员会。它把投研 Agent 的关键条件列为四项：高质量数据、统一语义层（让不同系统里的同一个字段有同一个名字和口径）、内部上下文、可调用的研究交易基础设施。LLMQuant 编译 四项里前三项都是机构自己的东西，第四项是工程。

Two Sigma、D.E. Shaw 的负责人在 8 月的一场讨论里把话说得更直接：AI 大幅降低了研究执行成本，提出研究想法这件事快速贬值，瓶颈转向问题定义、评估和信任；招聘里编程测试和学历权重下降，问题拆解与识别 AI 错误的权重上升。LLMQuant 编译 评估和信任不是买来的，是机构自己的验证体系。

中国这边，蚂蚁数科 9 月 10 日发布的 Agentar 金融版预置十大数字专家团，统一管理模型、Agent、技能和任务流程，内置 2,000 多项金融评测指标和双向安全校验。同花顺财经 2,000 项指标是什么？是蚂蚁把自己的业务判断标准显式化之后的产物。国泰海通 8 月发布的 Nova 投研智能体矩阵，"答案可追溯到原文段落"曾是自建亮点；一个月后这项能力出现在 OpenAI 的标准产品里。国泰海通证券研究

四家头部机构，四种说法，指向同一件事：工程和溯源正在被标准化吃掉，剩下的是数据、语义层、判断标准和验证体系。

不自研已经是头部机构的明确选项

Millennium 管理资产超千亿美元，6 月通过内部备忘录宣布成立 AI 实验室，定位是更早接触和评估前沿 AI 产品、直接与 AI 公司建立合作渠道，重点是应用而非自研模型。

今天看啥编译 全球最大的多策略对冲基金选择不自研，说明"自建"从来不是资管机构的默认答案。

高盛 8 月 18 日至 19 日走访硅谷后的报告给了行业层面的判断：产业价值落在专有数据、业务上下文和领域专业能力，而不在模型本身；企业部署 Agent 的最大障碍是可控性，在法律、风控、保险和审计领域，错误责任、过程追溯和及时纠正可能比模型能力更关键。华尔街见闻 这两句话把本文的判断说完了：价值在专有数据和业务上下文，障碍在可控性——前者是护城河，后者是边界。

边界：可复核性和责任链不能外购

招商银行披露，2025 年 AI 在全行 856 个场景替代 1,556 万人工小时，日均模型处理量同比增长 10.1 倍，大模型应用迭代周期从 32 天缩到 8 天；资金交易、信贷审批等高风险场景仍是"人 + Agent"并保留人工干预。

客户世界机构 星展银行的 Joy 已向新加坡 35 万企业用户开放智能体能力，香港 10 万用户 9 月跟进。Tech in Asia 规模一上来，谁对错误负责、错误怎么追溯、多久能纠正，就是机构级的问题。

ChatGPT for Financial Services 给了溯源，但溯源只回答"这个数字从哪来"，不回答"这个数字能不能进估值"。后者需要机构自己的复核流程和责任人。9 月 11 日那篇洞见已经讨论过：细粒度引用缩短找证据的时间，角色权限减少治理接线，两者都不证明结论正确。本文关心的是它的另一面——既然找证据和配权限都能买，自建还剩下什么。

下表按能力层拆开看。左列是各家机构自建时的做法，来自不同机构、不同年份；中列是 ChatGPT for Financial Services 这类标准品目前是否覆盖。两列不是同一对象的前后对照，只回答"这一层今天能不能买到"。

判断的边界

把六层分开看，上三层的标准化已经有一手证据：OpenAI 的产品说明列出了托管数据商、授权识别、逐项引用和角色权限；国泰海通一年前的自建亮点出现在标准产品里。

下三层"不能外购"目前只有机构自述：Man Group 把语义层和内部上下文列为关键条件，桥水把准确率提升归因于"模仿人工检查"的搜索规则，Two Sigma、D.E. Shaw 把瓶颈放在评估和信任。这些自述一致，但都没有披露工程投入与数据投入的比例，也没有第三方对照；工程能力是否仍构成第三道壁垒，还不能排除。

因此当前能成立的判断只到这里：投研 Agent 的数据接入、溯源和权限层已经有可采购的标准品；头部机构自己描述的护城河集中在私有数据、内部投资逻辑和复核责任链。若同一模型下"通用工作台 + 机构语义层 + 机构评测集"与"通用工作台裸用"的差距主要来自语义层和评测集，判断成立；若差距主要来自连接器和权限配置，说明标准品还不够标准，自建工程仍有价值。

反证条件

• ChatGPT for Financial Services 目前只说托管数据商和识别订阅授权，未说明能否接入机构私有研究数据。若它始终接不了私有数据，"打包"只覆盖了自建成本最低的部分，判断需收窄为"公开数据层已标准化"。
• 桥水、Man Group 的公开材料都是自述，没有披露工程投入占比。若后续材料显示核心难点在智能体工程（验证程序、纠错回路）而非数据与逻辑，判断需改写。
• 若通用工作台一年内能在客户侧接入私有数据并满足审计台账要求，第三层"复核责任链"也可能部分外购，届时自建只剩投资逻辑本身。