全球投行业每年处理超过 3.5 万亿美元的交易，但驱动这台庞大机器运转的，是数以万计每周工作超过百小时、从事着高度重复性劳动的初级分析师。Vertical Agent 开始加速很多专业领域的工作流，比如法律领域的 Harvey、医疗领域的 OpenEvidence，而在离钱最近的金融领域迟迟未能出现一款真正的统治级应用。原因在于金融工作对 AI 有着苛刻的三重门槛：零容错的准确性要求、被付费墙重重封锁的私有数据，以及极难被接管的复杂内部工作流。
Rogo，正是那个试图同时跨越这三层门槛的公司。这家公司由两位普林斯顿年轻校友创立于纽约，创始人都有在华尔街一线的经验，对客户需求有足够深的理解。Rogo 的切入点不是再造一个数据库，而是在分析师已有的工作环境里，直接嵌入 AI 能力。打通 Capital IQ、FactSet、PitchBook 等核心数据源的 API，集成进 Excel 和 PowerPoint，并在每一个数据点附带可溯源的原文引用，保证其权威性。
如今 Rogo 已服务超过 50 家顶级金融机构，其中包括 J.P. Morgan、Nomura、Lazard 等大名鼎鼎的投行，日活用户突破 25,000 人，ARR 在两年内增长 27 倍，并在 16 个月内完成三轮、累计超 1.65 亿美元的融资。 7.5 亿美元估值的背后，站着红杉资本、Thrive Capital、Khosla Ventures 等头部基金以及 J.P. Morgan 这样的产业战略方。
当然金融 AI 的竞争远未尘埃落定。Anthropic、OpenAI 等大模型厂商纷纷推出 for financial service 服务套件，Hebbia 等 AI Native 垂直玩家也在各自的优势领域上持续深挖。这个赛道真正的壁垒是谁能真正嵌入金融机构那套根深蒂固、差异化极大的工作流，以及真正拿下关键的客户赢得信任。我们看好在金融这个高度专业化的行业，有独立的 Vertical Agent 成功产品出现。
01.
行业痛点
每年高达 3.5 万亿美元的全球投行业务交易额，维持其运转的底层引擎并非什么高深莫测的尖端科技，而是大量被当作 “Excel Monkey” 使用的 Junior Banker 们。那些从全球顶尖名校毕业、拿着数十万美元年薪的年轻人，在进入投行后，却发现自己深陷于每周超过 100 小时的高压运转中。根据彭博社和华尔街日报在 2024 年至 2025 年的连续报道，由于严重的 Burnout，JP Morgan 和 Bank of America 等华尔街巨头近期被迫实行了严格的“每周 80 小时工作上限”及工时追踪系统。
然而，导致他们过劳的并非极具挑战性的商业洞察，而是极其单调、重复且低附加值的苦力活——在深夜将文件中的数据复制进 Excel（Comps & DCF）、无休止地调整 PowerPoint 里公司 Logo 的对齐方式、以及在海量的电话会议记录中扒取零碎信息。
放眼整个专业服务赛道，生成式 AI 已经在其他高门槛领域大放异彩：在法律界，Harvey 帮助顶级律所处理合同与案卷；在医疗界，OpenEvidence 正在为医生提供精准的临床医学决策支持。然而，在离钱最近、数据最密集的金融投研领域，至今却迟迟没有出现一款真正统治级的 AI 杀手级应用。
造成这种“金融 AI 落地迟缓”的根本原因在于，金融工作流对 AI 提出了三个极其苛刻的跨界要求：
1. 对容错率的低容忍： 投行的财务模型直接关乎数十亿乃至上百亿美元的并购定价与交易执行，如果 AI 在提取利润率或假设条件时出现哪怕一个小数点的编造或错位，都会导致最终 DCF 估值的灾难性偏差。这种级别的信任成本，是目前绝大多数通用大模型无法跨越的鸿沟。
2. 坚固的数据壁垒： 金融从业者依赖的核心数据并不在公开的互联网上，而是极度分散在财报电话会议录音、内部历史 PitchBook，以及被极高“付费墙”围蔽的专业数据库中。为了获取这些高质量的底层数据源，投行们都需要交价格不菲的“过路费”：例如，Bloomberg 终端的年费高达 2-3 万美元； AlphaSense 单账号年费也达到 1-2 万美元。普通的互联网 AI 搜索工具根本无法穿透这些付费墙进行检索，但这恰恰是银行家每天赖以生存的“生产资料”。
3. 协作摩擦与内部文档的接管成本： 真实工作环境中的 DCF 或 LBO 模型，往往是由前任或多位同事历经数月共同搭建的庞大资产。这些模型中充斥着错综复杂的跨表链接、个人习惯的格式以及 Hardcodes，目前的 AI 尚无法直接解析并接管这种高度非标准化、缺乏文档注释的复杂逻辑。
02.
Rogo 是谁？
Rogo 成立于 2022 年 1 月，总部位于纽约，由 Gabriel Stengel、John Willett 和 Tumas Rackaitis 共同创立。
这家公司的起点，是两张普林斯顿学生宿舍里的毕业论文草稿。Stengel 和 Willett 在校期间研究如何用 AI 构建一个经济计量学聊天机器人，计量经济学是利用统计模型量化经济理论和预测经济趋势的领域。用户可以向它提问，比如一个国家的 GDP 如何与其举办奥运的可能性相关。工具很粗糙，但方向很有前景。
毕业后，Stengel 进入 J.P. Morgan，Willett 加入 Lazard。两人在华尔街亲历了金融分析工作的真实状态：无数小时花在梳理文档、对标 multiples、整理 pitch deck 上。Stengel 曾在工作中写 Python 脚本试图把部分流程自动化，但发现内部系统的限制根本无法支撑他设想的实现方式。
2022 年 1 月，两人同时从各自的投行离职，创立 Rogo。公司的名字来源于拉丁语中"询问"的含义，直接体现了产品的核心理念——让金融专业人士能够以最自然的方式向数据"提问"。
Rogo 最早期的产品定位，是为金融数据提供自然语言查询界面——本质上是一个基于传统 NLP 的数据检索工具，功能有限，缺乏真正的生成能力，在市场上难以形成差异化。
2022 年底，ChatGPT 的横空出世彻底改写了规则。大型语言模型的能力爆发式提升，让 Rogo 的技术路线得到了根本性升级的机会。团队迅速转向，将产品底层从传统 NLP 重构为基于 LLM 的生成式 AI 架构，并在此基础上进行专门的金融领域微调。这是 Rogo 历史上最关键的技术决策之一。它让 Rogo 从一个"会查数据的工具"，升级为一个"能思考、会写作、能推理的 AI 分析师"。
Rogo 最初几个月的遭遇，几乎是所有 2B 企业创业者的噩梦。Stengel 后来坦言，在公司成立后的整整 24 个月里，潜在客户基本上不愿意认真对待他们。
金融机构的采购决策极为保守。银行的合规部门、信息安全团队、法律顾问，每一关都可能叫停一个新供应商。更何况是一家没有任何行业背书、没有历史业绩可查的初创公司，承诺用 AI 处理最敏感的客户数据。
2023 年底，Rogo 签下了第一个付费客户。彼时，ChatGPT 已经发布满一年，"AI 能否用于金融"不再是一个需要证明的问题，而是"哪家公司的 AI 最值得信任"的竞争。Rogo 的时机来了。第一个付费客户的入驻，带来了连锁反应：有了真实的使用数据，团队可以快速迭代；有了真实的客户背书，下一个客户的获取变得容易了一些。
随后，他们相继拿下了 Nomura、Lazard 、 JP Morgan 等大名鼎鼎的投行。如今 Rogo 已服务超过 50 家顶级金融机构，25,000 余名金融专业人士每日在使用这款产品，ARR 自首批客户以来增长了 27 倍。Stengel 和 Willett 双双入选《福布斯》2026 年金融领域 30 Under 30。
从 2024 年 10 月到 2026 年 1 月，Rogo 在 16 个月内完成了三轮融资，累计融资超过 1.65 亿美元，背后站着 Khosla Ventures、Thrive Capital、Sequoia、J.P. Morgan 等机构。
03.
AI 驱动的金融分析工作台
Rogo 的核心是一个为金融分析师重新设计的工作台，将研究、建模、文档处理和数据操作整合在同一界面中。产品体系由研究助手、数据集成层、Office 插件与智能电子表格四部分构成，全面覆盖分析师从信息搜集到模型输出的完整工作流。
研究助手：让全球金融文件随时可查
Rogo 的知识库涵盖超过 5,000 万份专业金融文件，包括 SEC 备案文件（10-K、10-Q、8-K）、公司年报、sell-side research 报告、宏观经济分析文档、会议纪要和行业报告。分析师用自然语言提问，系统自动定位相关文件，提取关键信息，以结构化方式呈现答案，并引用具体来源供核查。
数据集成：打通金融数据孤岛
左右滑动以查看全部内容
Rogo 与金融行业主流数据平台建立了深度合作关系。2025 年 8 月，Rogo 与 LSEG（伦敦证券交易所集团）达成战略合作，接入了 LSEG 的实时市场数据、新闻和分析资源。此外，Rogo 还集成了 PitchBook、S&P Capital IQ、FactSet、Crunchbase 等核心数据来源，底层模型同时接入 OpenAI、Google Gemini、Anthropic 等主流 AI 平台。
这意味着分析师可以在同一界面中同时检索上市公司财务数据、私募交易记录和竞争对手情报，无需在多个系统之间切换。对于投行而言，这代表着研究工作流的根本性重构。在传统工作流里面，可能需要一个 Junior 分析师分别登录好几个网站。他必须要熟练掌握这几个不同软件的使用，并花费很多时间去忍受它们落后的 UI 设计以及漫长的搜索返回时间。
Office 集成：在熟悉的环境中调用 AI
类似于 Cursor 在代码编辑器中嵌入 AI 的逻辑，Rogo 直接集成进了 Microsoft Excel 和 PowerPoint。分析师无需离开 Excel 就能调用 Rogo 的数据查询能力，在工作表中直接填充模型数据；PowerPoint 插件则能自动生成 pitch deck 的内容框架和可视化图表。
产品设计的核心逻辑是降低 AI 的使用摩擦：不是要求用户改变工作习惯，而是把 AI 能力带入他们本来就在用的工具中。这是垂直 AI 应用与通用 AI 工具最关键的区别之一——金融分析师不需要打开一个新的 AI 聊天窗口，他们需要的是在 Excel 里完成的那份建模工作。
Subset 收购：AI 驱动的智能电子表格
2025 年 9 月，Rogo 完成了一项重要的产品扩充——收购由 Index Ventures 支持的 AI 电子表格初创公司 Subset。Subset 由 Jason Chan 和 AJ Nandi 创立，核心技术是让用户通过自然语言驱动复杂的电子表格操作。整合后，Rogo 的 Finance Spreadsheet Agent 具备了从财报 PDF 自动构建金融模型、执行 roll-forward 更新和情景分析、理解跨表公式并检测模型错误、直接连接 S&P Capital IQ/FactSet/PitchBook 数据源，以及将分析结果输出为 slides 和 memo 的完整能力。
技术架构
在模型层， Rogo 采用多模型并行架构，底层部署于 Amazon Bedrock，并集成 OpenAI、Google Gemini、Anthropic 等多个前沿模型。系统根据任务性质和复杂程度进行智能路由：快速的信息检索和标准问答分配给响应速度快的轻量模型；需要多步推理的复杂金融分析任务，则调用推理能力更强的旗舰模型。这种分层调度机制既保证了响应速度，又有效控制了单次查询成本。
不同于通用聊天机器人，Rogo 对这些模型进行了 Fine-Tuning，专门训练模型学习金融领域的“思考方式”、工具使用方法以及特定的输出格式（如 PPT 模板）根据 Patronus AI 的 FinanceBench——业界首个测试大型语言模型在金融问题表现的基准标准——在金融场景中，其准确性比 ChatGPT 高出 2.42 倍。
Rogo 中的每个研究结果都包含答案的各个方面内嵌引用，方便全面审阅。如果找不到来源，就拒绝提供答案，从而限制幻觉的可能性。
在安全架构上，Rogo 采用单租户部署方案——每个机构客户拥有独立的基础设施实例，数据完全隔离，计算资源不与任何其他客户共享。Rogo 明确承诺不将客户数据用于模型训练，并与 FINRA（美国金融监管局）保持合规沟通。
在效能方面，通用 LLM 预计能提升 10%-20% 的基础效率，而 Rogo 在此基础上能再贡献 5%-10% 的增量；在 PitchBook 检索等特定场景下，耗时甚至能缩短至原先的 1/3。这种效率提升不仅节省了工时，更因操作门槛的降低，促使分析师更高频地调取数据，从而由量变产生质变，显著提升了研究洞察的深度。
04.
商业模式与客户
按席位收费的企业级 SaaS
Rogo 采用基于席位的年费订阅模式，面向机构客户。一个 10-12 席位的套餐大概在数万美元（大约一个席位在每年数千美元）。对于团队来说，只要能减少半个初级分析师的 headcount，就能够把这笔成本填补上（毕竟，顶级投行应届生年薪一般在 15 万美元）。
WSO 上关于投资银行家年包薪酬的估算
标杆客户与口碑效应
Rogo 的客户名单非常豪华：JP Morgan、Rothschild & Co.、Jefferies、Lazard、Moelis、Nomura——这些名字本身就是最强的背书。
对于一家想要进入金融机构的 AI 公司而言，早期客户的品牌溢价至关重要：当一家投行看到同行业中这些名字已经在使用 Rogo，采购决策的摩擦会大幅降低。
另外，它的投资人名单同样豪华，不仅包括 JP Mogan、Wells Fargo 等投资银行，还吸引了 Tiger Global、Sequoia、Thrive、Khosla Venture 等顶级私募基金。这些投资方无疑能帮助 rogo 在数量庞大的 PE/VC 中积累客户。
Rogo 投资人名单（部分）
增长速度
• 2024 年 10 月（Series A）：已被 25+头部金融机构采用，达到 multi-million ARR。
• 2025 年 4 月（Series B）：客户覆盖美国前 10 大投行中的 6 家，并提及 Apollo、Tiger Global、Raymond James、Moelis、Nomura 等机构。
• 2025 年 6 月（OpenAI 官网报道），公司在一年内实现 ARR 约 27 倍增长，平台服务 5000+日活用户，单位用户每周可节省 10+小时分析时间。
• 2026 年 1 月（Series C）：日活使用规模扩展至 25,000+金融专业人士，客户包括 Rothschild & Co、Jefferies、Lazard 等。
05.
这个市场有多大？
目前，由 Bloomberg、S&P Capital IQ、FactSet、AlphaSense 等组成的“核心金融数据与研报检索”市场，每年的纯软件订阅营收规模在 $250 - $300 亿美元。
而 Rogo 的野心并不是赚取纯粹的 SaaS 软件费，而是将极其昂贵的人力运营成本（OpEx），转化为边际成本极低的 AI 基础设施支出。 只要能切下这数千亿美元薪酬池中哪怕 10% 的低效浪费时间，其背后的 TAM 就深不见底。
McKinsey 估算 2024 年全球资管行业总成本基座约 $167B
人力薪酬一直是各大投行的金融机构的最大支出项目，以两家顶级投行为例，Morgan Stanley 2024 年的薪酬与福利支出高达 $26.17 Billion，占据了总营收的 42%（整个公司总人数约在 8 万人左右）。而高盛的 Compensation Ratio 也常年在净营收的 30% - 35% 区间。
欧美共有多少金融人？
2024 年，美国 SEC 注册投资顾问（RIAs）带动的从业人数超过 100 万级别。而在欧洲，约 13 万人直接受雇于资产管理公司的人员。如果算上代销、托管、法律等“诱发性就业”，全欧洲相关从业者可能超过 60 万人。
单论欧美地区，从事资产管理行业的人数就超过 120 万，按目前 2.5 万活跃用户计算，Rogo 目前的渗透率仍不足 2%。
06.
实际使用感受
我们接触并访谈到了正在使用 rogo 的员工，我们发现 rogo 的用户满意度和使用黏性都非常高。并观察到了以下现象：
1. 金融行业风控极其严格，非公司指定的 AI 软件禁止使用。
在金融行业的软件采购中，往往只会采用自上而下模式（Top-down），由公司高层主导采购决定，员工没有自己使用其他软件的话语权，这与软件开发行业非常不同。
在一个案例中，员工所在的银行自 2023 年开始尝试自行搭建内部 AI 系统，但实际效果并不理想。这种情况导致许多员工会私下在外部使用其他 AI 工具。然而，银行的风控体系非常严格，严禁将工作资料上传至外部平台，因此这种私自使用的行为其实是不被允许的。直到 2024 年年中，该行正式引入了 Rogo 进驻内部并对员工进行了统一培训。员工在实际上手后发现，Rogo 的使用效果非常出色。于是员工纷纷放弃了原先的 AI 工具，开始全面转向使用 Rogo。
2. 公司内部的 AI 使用习惯靠 Rogo 逐步养成，会出现“rogo 一下”这种名词。
我们还了解到，在 Rogo 到来之前，其实部分员工（尤其是高层）对 AI 缺乏了解，也没有使用 AI 的习惯。但在 Rogo 推行的这大半年里，不少员工甚至他们的上司，都开始习惯于对部分工作进行“Rogo 一下”，以此来进行资料搜索和确认。这说明 Rogo 的权威性和准确性，已经得到了银行内部老板们的认可。
3. 可溯源非常重要，让 rogo 区分于一般的 Chatbot。
在银行系统内部，AI 的可溯源性比一切都重要，因为他们非常看重来源。Rogo 打通了 Capital IQ 和 FactSet 等金融核心数据库的 API，也成为了受到好评的理由。分析师可以直接调用实时、准确的金融数据。其每一个数据点或结论通常都附带明确的引用来源和原文链接。这种“无幻觉”的检索能力是金融等严苛行业的刚需。
4. Rogo 确实能省掉不少 Dity work 的时间，但完全取代分析师为时尚早。
用户坦言，银行内部部门团队众多，且互相之间划分严格。不同部门之间的 AI 参与度有很大区别。比如 ECM 团队的 Origination 阶段 ，Rogo 能帮上很多忙。以及涉及 Company Profile、Industry Primer 以及 Commentary 的工作，都可以用 Rogo 显著提升工作幸福感。
但是涉及复杂的 model，以及一些本身银行内部高度成熟的 workflow，AI 还是难以处理。并且这些 workflow 可能属于某个团队独有，跨个团队可能又完全不同。因此 AI 的实际参与度可能并没有外界猜测的那么大。
07.
Rogo 的融资时间线
公司早在 2021 年 10 月，便获得了 AlleyCorp 的 350 万美元 Pre-Seed 轮支持。进入 2024 年，Rogo 的资本节奏显著加快：2 月由 AlleyCorp 领投 700 万美元 种子轮后，短短 8 个月内便在 10 月完成了 1850 万美元的 A 轮融资，领投方为 Khosla Ventures，并吸引了包括前 Google CEO Eric Schmidt 和 Jack Altman 在内的顶级个人投资者。这轮融资后，Khosla Ventures、Square、Opendoor 的早期关键人物 Keith Rabois 加入了 Rogo 的董事会。
进入 2025 年，Rogo 迎来密集融资，4 月份由 Thrive Capital 领投的 5000 万美元 B 轮融资将其估值推高至 3.5 亿美元，J.P。 Morgan Growth Equity 的加入标志着其在主流金融市场的深度整合。 2026 年 1 月，Rogo 更是获得了由全球风投巨头红杉资本（Sequoia Capital）领投的 7500 万美元 C 轮融资，投后估值达到 7.5 亿美元。
08.
团队
Rogo 的组织形态围绕“金融 ToB”组建
• Deployment / 落地团队：Rogo 有一支由 ex-bankers & investors 组成的 deployment team，会跟客户一起实时打磨功能。
• 工程与 AI 团队：Rogo 把规模化、检索与索引重建、吞吐与成本控制等作为工程优先级。
团队不仅拥有 Lazard、J.P。 Morgan 的顶尖投行履历，还汇聚了来自 Google Gemini、NASA 以及 Citadel 的技术人才。他们认为，金融 AI 的核心壁垒不在于聊天，而在于对复杂金融逻辑的“零容忍”执行与工作流的深度接管。
初出茅庐的创始人
Rogo 对三位创始人都极其年轻，于 2020 年才离开大学校园步入工作岗位。 Gabriel Stengel 和 John Willett 是普林斯顿大学的校友，毕业后都加入了投行。而 Tumas Rackaitis 则是一位软件工程师，在欧柏林大学毕业后工作于一家对冲基金，2023 年加入团队。
• Gabriel Stengel - CEO & Co-founder
Gabriel 毕业于普林斯顿大学计算机科学系，曾就职于顶级精品投行 Lazard，担任并购分析师及数据分析小组成员。 Gabriel 是典型的“Tech-Banker”复合型人才。在 Lazard 工作期间，他亲历了初级银行家面临的“Excel 地狱”——大量时间被浪费在低价值的数据搬运与格式调整上。不同于普通银行家，他利用自己的计算机背景，曾在行内尝试开发自动化工具来优化流程。这段经历让他确信：金融行业需要的不是一个通用的聊天机器人，而是一个能读懂复杂财报并直接输出交付物的“AI 分析师”。为了解决自己曾深陷其中的行业痛点，他创办了 Rogo。
• John Willett - COO & Co-founder
John 毕业于普林斯顿大学，曾就职于 J.P。 Morgan 和 Barclays 的投资银行部，覆盖 TMT 行业。 John 拥有深厚的一线投行运营经验，深知金融机构在采购软件时的严苛标准。
• Tumas Rackaitis - CTO & Co-founder
Tumas 毕业于欧柏林学院计算机科学与数学系，拥有深厚的 Quant Trading 与高性能计算背景。 在创立 Rogo 之前，Tumas 曾从事对冲基金的量化策略研发，专注于强化学习与算法预测。Tumas 领导构建了 Rogo 专有的“金融推理栈”，确保 AI 在处理复杂的估值模型与跨表计算时，能够像量化交易系统一样精准、可追溯。
Rogo 的未来会是什么？
Gabriel Stengel 曾在一次采访中描述 Rogo 的终极愿景：
一个"完全自主的 AI 分析师"——它了解每一位用户的思维方式，知道他们习惯问什么样的问题，偏好什么样的投资风格，能够主动地发现信息、准备材料，用使用者自己的方式呈现结论。
这远远不是今天的 Rogo，但这是他们正在建造的方向。
09.
行业内竞争对手
AI native 玩家
金融领域的 AI 主要玩家按业务方向划分为三层：
1. Data & Intelligence（数据与智能）
Rogo 所处的 Data & Intelligence 赛道，是整张图谱中技术密度最高、资本最为密集的一层，也是与 AI 基础能力演进关联最直接的战场。除了 Rogo 之外，其中比较有代表性的是 Hebbia 和 Boosted.ai。
2. Accounting & Compliance（会计与合规）
这是 AI 落地最稳健的领域，公司均专注于财务、税务与审计流程的自动化，包括 Abacus（企业支出管理）、Accordance（会计准则合规）、SPRX（R&D 税收抵免识别）、Fieldguide（审计与咨询工作流）和 Anrok（SaaS 企业销售税合规）。目标客户是财务团队、会计师事务所、税务顾问。这一赛道的商业化节奏快于研究工作流赛道，也更早进入稳定的竞争格局。
3. Fintech & Specialty（金融科技与特种应用）
这里的主要玩家有 Salient，一家专门为美国消费贷款机构设计的 AI Agent。它专注于催收、争议处理和还款计划制定。它能模仿人类的谈话节奏和情感，在保持合规（符合美国信贷法规）的同时提高还款回收率。
和 Rogo 竞争相对直接的公司有：
Hebbia
Hebbia 是一款专门为金融、法律及 PE 等高门槛行业打造的 AI 知识引擎。不同于通用的聊天机器人，Hebbia 的核心价值在于它能够像一名“资深分析师”一样，深度集成并理解机构内部的复杂私有文档。
Hebbia 构建了一个分布式编排引擎，提升金融和法律领域深入研究任务的准确性。该引擎克服了 RAG 的局限，实际上为 OpenAI 模型提供了“无限”的上下文窗口，为高价值离线数据创造了最准确的深度研究代理。
它的优势在于多文档协同。它的矩阵视图（Matrix View）允许横向对比几十个不同的 Deal，在处理如房地产、私募信贷等极其零散、非标的 PDF 文件时，其推理和提取的准确度目前处于行业领先地位。
用户评价它在处理文档方面非常出色。无论是翻阅文档还是提供我之前提到的搜索功能，节省了团队大量时间。利用 Hebbia，团队可以非常高效地对这些私有文档进行智能检索。
例如，如果想做一笔日元交易，可以直接搜索：“过去投资委员会提到的日元价格关键驱动因素是什么？”它能立刻从某位对冲基金投资者的记录中抓取出：受流量、技术面、日本央行货币政策以及美日利差驱动。
但也有评价认为它在其他场景下表现一般。比如审阅尽调报告并进行格式化，或者协助某些模型输出，它做得并不理想。但在文档搜索功能上，它非常强大。
他们的客户包括私募巨头 KKR、精品投行 CVP，另类资产巨头 Oak Hill Advisors 等。
Boosted.ai
Boosted.ai 是一家专门为机构投资者（对冲基金、资产管理公司）设计的机器学习平台，其核心产品是 Boosted Insights 以及最新的 AI 代理 Alfa。它不仅处理文字信息，更擅长将海量数据转化为可执行的投资信号。
Boosted 有两个主要产品：一个是选股和对冲篮子工具（Stock picking and hedging basket tool），包含股票排名功能；另一个是 Alfa。Boosted 产品用于选股对冲，而 Alfa 产品更像是一个类似 ChatGPT 的创意生成工具。
在对冲方面，他们使用大语言模型构建自定义对冲篮子。它会扫描客户组合中的每一个名字和权重，并给出买入或放空的建议。比如在处理欧洲中小盘股时，券商是否愿意出借股票、流动性如何非常重要。客户可以挑选 Alfa 做空建议，或者让它算一个对冲篮子，它每天运行组合，提醒客户“这里有盈利预警，那里有预警”。甚至可以回溯它之前的预警记录。Boosted 利用的信息量非常惊人，涵盖宏观数据、竞争对手、市场趋势。
Alfa 这一端，客户可以设置“Agent”。假设客户要启动一个波动率策略，需要盯着股息率。想在当前价位上方卖出看涨期权（Sell calls），寻找高股息股票。客户可以把这些信息和投资组合交给 Alfa，它会找出完美融入组合且符合策略的标的。可以设置 Agent 监控关税、纪念日等宏观信息，以及公司个股细节、图表波动率和流动性。
核心竞争力在于其金融算法。它能根据宏观指标、KPI 和用户自定义的 50 多种标准（如借券成本、市值等），对股票池进行实时评分和排名。它能精准识别股价拐点，给出“买入/卖出”建议。
现有客户包括：BMO （蒙特利尔银行）， CIBC （加拿大帝国商业银行）， National Bank （加拿大国家银行），Invesco （景顺），ChinaAMC （华夏基金），以及保险巨头 Manulife。
对比来看，如果说 Rogo 是为了处理投行端到端的日常事务，Hebbia 更像是为了搜索非结构性文档而诞生的，而 Boosted.ai 则更加面向交易而生。他们之间的区别如下：
大模型厂商
另一方面，金融也是大模型厂商发力 to B 的重点领域：
Anthropic for Financial Services
Anthropic 凭借 Claude 模型在处理长文本、逻辑严密性以及极低幻觉率方面的优势，已成为许多投行核心业务自动化的首选伙伴。比如高盛已与 Anthropic 进行了超过半年的深度协作，将 Anthropic 的工程师直接派驻在银行内部。
2025 年 7 月，Claude for Financial Services 发布。它能够像一个经验丰富的资深分析师一样，记住机构专属的 DCF 模板格式或特定的计算偏好，并在网页、Excel 等多个界面中保持上下文连贯。他的优势包括：
• Claude 行业领先的金融能力：Claude 4 模型在 Vals AI 的金融代理基准测试中，作为研究代理，表现优于其他前沿模型，涵盖金融任务。当 FundamentalLabs 部署用于构建 Excel 代理时，Claude Opus 4 通过了金融建模世界杯竞赛的 7 个关卡中的 5 个，并在复杂的 Excel 任务中获得了 83%的准确率。
• Claude Code 和 Claude for Enterprise 扩展使用限制：现代化交易系统，开发专有模型，自动化合规，并运行包括蒙特卡洛模拟和风险建模在内的复杂分析。有了 Claude，分析师能够应对关键市场事件和交易截止日的繁重工作。
• 预建的 MCP 连接器：可以直接挂载标准普尔（S&P）和 FactSet， Morningstar ，PitchBook 等顶级金融数据库。获取全面的市场数据和私营市场情报。
• 专业实施支持：量身定制的入职培训、培训和最佳实践，实现快速价值实现。
左右滑动查看完整图片
比如，NBIM（挪威主权财富基金）管理 1.7 万亿美元，拥有大约 9000 家投资组合公司。
Anthropic 在内部开展为期两周的试点推进，并在两个月内扩展到 600+活跃用户。NBIM 为不同岗位制定了培训路径，并启动了 AI 大使网络，50 名员工接受了专业培训，并定期交流使用案例和最佳实践。随着员工掌握提示技能并在各部门看到成效，最初对 AI 的怀疑很快消退。利用模型上下文协议（MCP）等技术自行构建了集成系统，NBIM 所有的投资组合经理每天都会查询这些集成系统，以获取有关其投资组合公司的深入洞察。
分析师在日常、手动、繁琐的工作上花费的时间大大减少，内部调查显示，员工每周在 AI 辅助任务上节省超过 20%的时间。
除此以外，他们的客户名单还包括：Bridgewater，RBC（加拿大皇家银行），Commonwealth Bank of Australia（澳洲联邦银行）， AIG，citi、Jump Trading 等。
OpenAI for financial services
类似的，另一位大模型厂商也推出了自己针对金融领域的产品。根据 Bloomberg 报道，OpenAI 秘密雇佣 100 多名前高盛、摩根大通、黑石等机构的员工，以 150 美元/小时进行“提示词工程”和“模型构建”。而他们的 OpenAI for financial services 则有以下特点：
• 智能体工作流： 利用最新的 AgentKit，金融机构可以构建能够自主跨应用（Excel、终端、PPT）执行任务的 AI Agent。
• 深度研究： 针对资管和研究员，提供具备超长上下文处理能力的推理模型，能够实时交叉比对数千份财报、监管文件和电话会议纪要。
• 私有化与合规： 通过与 Microsoft Azure 和 Snowflake 的深度集成（2026 年初刚达成的 2 亿美元合作），确保金融数据在受监管的私有云环境中运行，支持企业级密钥管理（EKM）。
左右滑动查看完整图片
使用 OpenAI 的用例包括：
BBVA：西班牙毕尔巴鄂比斯开银行（BBVA）正在将其 ChatGPT 部署规模扩大 10 倍，覆盖全球 120,000 名员工。目前，BBVA 内部已活跃着超过 4,000 个定制化的专属 GPT。这些智能体不仅能自动提取数千份年报和非结构化新闻中的 ESG 指标，还能通过分析交易流和客户历史数据，生成实时的信用风险预警。帮助员工每周平均节省约 3 小时的琐碎工作。
Morgan Stanley：前台智库的全面延伸：作为 OpenAI 的长期战略盟友，摩根士丹利已将其基于 GPT-4 架构的 AskResearchGPT 全面推向投资银行与交易部门。该工具允许交易员和资深分析师在数秒内，从该行每年产出的 70,000 多份海量研报中，精准合成有关商品价格波动、地区宏观政策以及行业交叉趋势的深度见解。通过与 Microsoft 365 Copilot 的协同，这些见解能直接生成带有原文引证超链接的草拟邮件，极大地增强了前端投顾的客户服务响应速度。
另外，例如 BNY（纽约梅隆银行），MIZUHO（瑞穗银行），Stantander（桑坦德银行），对冲基金 Balyasny 等也是 OpenAI 的用户。
