OpenAI金融服务负责人访谈：金融能力进入共用模型，金融机构版如何证明额外价值

2026年11月1日，OpenAI金融服务负责人Joseph Kim在访谈中解释了一个值得关注的产品选择：金融推理和分析能力被训练进GPT-6 Astra等共用模型，而不是只留给金融机构版。他还估计，他们已经构建的产品中，约95%也可以由创业公司或其他公司做出来。

既然外部公司可以调用同样的模型，也能做出大部分功能，OpenAI为什么还要单独做一款金融产品？ChatGPT for Financial Services的交付内容给出了答案：把部分金融数据的授权与托管、机构文档模板的调用、分析结果的来源引用，放进一个可供企业管理的工作环境。银行采购后，可以少做一部分数据接入和工具拼装，再把自己的模板与工作要求接上去。

OpenAI在做两层布局：把金融推理训练放进共用模型，同时把部分金融数据的索引、托管和检索收进自己的产品基础设施。前一层让自有产品和外部开发者都能获得金融能力，后一层则让金融机构版有机会减少客户接数据、维护连接器和核对出处的工作。专版的采购理由因此更具体了：在模型能力之外，平台替机构完成了多少接入和交付工作。机构自己的分析方法、审批规则和最终判断责任，仍需自己承担。

Kim所说的“95%”，对象是团队已经构建的产品，含义是其中大部分也可以由其他公司实现。他没有给出功能清单、计数方法或开发工时，因此不能把它当成精确的功能占比，更不是“银行95%的工作可以自动化”。这个估计的重要性在于：OpenAI自己也承认，做出类似功能并非只有第一方团队才能办到。真正需要比较的，是谁能把这些功能稳定地交付给机构客户；剩下的5%是什么、价值多大，访谈没有据此划分。

金融能力放进通用模型，让专版必须证明额外价值

过去的一条金融AI路线，是先训练金融专用模型，再围绕模型开发应用。

2023年的BloombergGPT就是这类尝试：把金融语料与公共语料一起用于训练，希望建立金融任务上的能力优势。

OpenAI在这次访谈中说明了另一种安排。据Kim介绍，金融推理与分析训练数据进入了内部称为“big run”的主训练流程，产出的模型包括GPT-6 Astra。这说明金融能力被作为共用模型的能力来建设，不只是在金融应用外面加提示词，也不是训练完成后只授权给金融机构版使用。训练出的能力同时供自有产品、创业公司和金融机构调用；产品材料没有另列一款只供该专版使用的金融模型。

这使外部开发者可以从较高的起点开始做产品，不必先自行完成一次金融大模型训练。它也意味着，OpenAI的第一方产品需要拿出模型之外的采购理由：同一个模型，为什么通过金融机构版使用，会比机构自行接入更方便、更可靠？

这个问题不能只用“更懂金融”回答。需要比较的是，谁负责接入数据、处理访问权限、适配文档格式，以及把结果送到分析人员面前。

OpenAI替客户接住了哪些工作，又把哪些留给客户

金融机构版首先把部分金融数据纳入OpenAI自己的基础设施。

这里与前面的模型训练是两件事：前者让模型学会金融推理，后者解决分析时到哪里查资料、如何取回数据和展示依据。数据由平台托管，并不等于这些商业数据库都被用于训练模型。官方页面列出的内置来源包括Daloopa、PitchBook、LSEG News和Crunchbase。这部分数据由平台负责索引和托管，用户无需分别部署相应连接器。对于S&P Capital IQ、MSCI等机构已有的订阅，产品则通过登录与权限识别接入。两种安排应分开理解：部分数据随产品提供，另一些仍依赖客户已有的订阅和使用权。

为什么已有连接器还不够？Kim给出的理由是稳定性。他称，团队内部测试的一些第三方金融连接器错误率超过40%，因此选择把部分数据接入、检索和呈现放到平台内部控制。该测试没有公开供应商、样本与错误定义，不能用来评价所有连接器；但它解释了OpenAI为何愿意承担更多数据托管工作：接入失败时，不能只依赖外部连接器，平台希望对从数据检索到引用呈现的链路有更多控制。这里的产品押注是稳定性和可维护性，公开材料尚未给出托管后错误率下降多少的对照结果。

数据取到之后，产品还要让机构用得上。金融机构版允许管理员发布Excel、Word和PowerPoint模板，分析结果中的数字与主张也能链接到具体表格或段落。前者帮助输出适配机构格式，后者帮助分析人员回查依据，减少在回答与原始资料之间来回寻找的工作。

不过，平台提供模板管理功能，并不等于已经装好了银行的方法论。帮助文档明确说明，模板和风格指南由机构自己提供；产品也不预装现金流折现估值、路演材料制作或财报分析等通用从业技能。机构仍需决定估值如何做、报告如何组织、哪些结果可以交付客户。

企业管理功能也遵循这种分工。平台提供统一登录、账号权限、信息隔离和日志，机构负责配置访问范围与审批规则。OpenAI接住了部分技术接入工作，客户仍需把本机构的使用方式定义清楚。

因此，银行买到的是一部分已经完成的产品集成工作。能省下多少开发和维护投入，还取决于机构原有的数据体系、工具和流程，现有材料没有给出统一的成本对照。

Anthropic也在打包金融工作，竞争要看谁替客户多做了一步

这套产品思路已有直接对手。

Anthropic在2026年5月推出十类金融Agent模板，覆盖路演材料、客户身份核验、估值复核和月末结账等任务。每个模板把任务说明、数据连接器和子Agent组织在一起，客户可以按自身要求修改。

两家都在把模型、金融数据和机构工作组织成产品，比较重点是各自把什么预先做好。按已有产品材料，可以看到两处具体差别：

这里的“模板”并非同一种东西。OpenAI所述模板侧重机构要求的成品格式，Anthropic的参考模板则包含如何执行一类任务。这个区别说明，客户采用两种方案时，需要补齐的内容未必相同。

从公开交付看，OpenAI把部分数据接入与检索更多放在平台内部，Anthropic则突出可修改的任务组织方式。这是产品侧重点的比较，不能推断Anthropic不做数据治理，或OpenAI没有任务编排能力。两家最终都要接入机构自己的数据权限、工作要求和人工审查。

机构也可以自行搭建。共享模型使基础推理能力更容易取得，NVIDIA公开的金融Agent训练任务等资源，又为模型后训练提供了材料。但这些资源并不同时包含商业数据许可、内部权限、机构文档格式与银行审批流程。自建保留了更多定制空间，也把更多集成和维护工作留在机构内部。

因此，比较金融AI产品时，不能只列模型名称与功能清单。还要看同一项工作由谁完成：数据由谁维护，模板由谁编写，失败由谁排查，输出由谁检查。OpenAI金融机构版的采购价值，需要在这些具体环节上与竞品、自建方案比较，不能从模型能力直接推出。

查得到出处，仍不等于银行可以省掉复核

提供检查依据与承接银行审批，是两项不同的工作。

产品能把数字链接到原始表格，也能留下使用日志，这有助于分析人员检查答案；但它不自动证明引用用对了、计算正确了，更不代表已经执行了银行要求的审批步骤。

Kim把这款产品定位为知识工作者的生产力工具，默认仍有人监督。OpenAI帮助文档要求用户核对重要信息、来源与计算，金融服务条款也保留独立专业判断。摩根士丹利与Evercore作为设计伙伴参与产品打磨，但公开材料没有说明它们具体改造了哪些审批环节，也没有披露上线后的漏错率。

一项使用模拟银行任务的研究说明了这种区别：部分Agent虽然给出了看似正确的最终结果，却跳过必要步骤，或执行了未经请求的变更。该研究不能用来估计OpenAI产品的错误率，但提醒机构，检查结果和检查过程是两项工作，来源引用无法替代后者。

OpenAI金融机构版值得关注的，是模型公司开始把更多金融应用的接入工作做成产品。它把部分授权数据、文档格式和检查依据组织起来，让客户少从零搭建一些环节。至于能否减少分析人员的复核时间、降低接入故障、顺利进入银行日常工作，还需要实际使用数据证明。

后续最有信息量的进展，不是又增加多少连接器，而是同一项金融任务采用产品前后的变化：准备数据用了多久，结果检查用了多久，哪些错误更容易被发现，以及机构还需要维护多少自己的代码和规则。这些结果，才能说明“打包交付”究竟为银行省下了多少工作。