Anthropic金融智能体“代理”华尔街

来源 | 零壹智库

于途/文

5月初，Anthropic在纽约宣布推出专为金融服务行业设计的10款AI智能体，覆盖投行研究、估值定价、财务运营、合规尽调、审计风控等核心场景。

同时，公司官宣由由黑石、高盛、阿波罗等全球顶级投资机构联合注资15亿美元成立合资公司，目标是推动AI技术（尤其是Anthropic的Claude模型）在私募股权控股企业中的落地应用。

这些智能体并非通用型，而是‌针对特定工作流或任务类型预先设计和优化的智能体系统‌，开箱即用，可大幅降低部署门槛。

按按业务场景，这些智能体可分为两大类别：

一是研究与客户服务类

二是财务与运营类

01

Anthropic金融智能体架构：

三层模块化设计

Anthropic将每款金融智能体模板封装为技能层、连接器层、子智能体层的标准化架构。

这一架构被The Register评论为“听起来复杂，但本质上只是多步API调用”。批评者认为Anthropic的术语体系存在过度包装之嫌，但支持者则认为这种封装降低了企业部署门槛。

Anthropic 提供两种部署路径：

• 插件模式（Claude Cowork/ Claude Code）：智能体作为助手运行在分析师的桌面环境中。以Pitch Builder为例，一次任务可同时输出Excel可比公司模型、PowerPoint路演材料包和Outlook跟进邮件，三份文件在应用程序间自动传递上下文。

• 托管智能体模式（Claude Managed Agent）：在Claude Platform上实现大规模或定时任务的全自主运行，配备细粒度工具权限控制、凭证保险库和完整操作审计日志。每次工具调用与决策结果均可由合规与工程团队在 Claude Console 中回溯审查。

支撑整套方案的底层模型为Claude Opus 4.7，Anthropic宣称其在Vals AI的Finance Agent评测中以64.37%的得分领先行业。

然而The Register认为：“这个失败率若发生在人类身上，足以被直接解雇”——意指约36%的错误率对于金融专业人士而言仍是不可接受的水平。

02

监管合规：金融 AI 落地的核心前提

Anthropic 明确将人机协同（Human-in-the-Loop）作为所有金融智能体的设计前提：在智能体输出提交客户、提交监管申报或被执行之前，用户必须进行审查、迭代和批准。

具体合规机制包括：全程操作审计、细粒度权限控制、凭证保险库、受治理数据连接、合规自适应性。

当前美国金融监管对AI智能体的要求可归结为三大原则：

• 透明披露：企业必须从泛化的模板语言转向实质性披露，准确反映 AI 的真实技术能力，禁止“AI洗涤”。

• 充分监督： AI 治理须与现有监督框架深度整合，制定技术专项规程，监控第三方供应商，并防止 AI 错误与数据滥用。
  

• 人类主导 ：监督责任不可完全委托给算法，必须保持人类主导、留有文档、可捕获系统性错误的监督机制。

在美国以外，使用 AI 进行信用评分和欺诈检测的系统被欧盟《AI法案》归类为高风险应用，需满足专项文档、透明度机制、人工审查接口和可解释性管道等要求。

Anthropic此次发布的部分连接器（如邓白氏商业身份验证、Moody's信用评级接入）正是为满足此类监管要求而设计的数据治理层。

美国银行业监管机构（SR 11-7）和英国监管机构（SS1/23）要求对 AI 模型进行正式模型风险管理，包括独立验证、性能监控和文档记录。

然而当前市场上大多数智能体框架并未自带此类治理基础设施——企业必须在购买后自行构建，这在实际操作中形成了显著的合规摩擦。

03

华尔街欢迎智能体

华尔街对智能体应用是欢迎的。

摩根大通是当前金融AI部署规模最大的机构之一，其 2026 年技术预算为198 亿美元，增量AI专项支出约12亿美元。核心系统包括：

• OmniAI平台：运行450+生产模型，统一管理特征定义、模型版本和部署管道；
  

• LLM Suite：面向20万+全球员工提供统一的生成式AI入口，同时访问OpenAI GPT和 Anthropic Claude；
  

• IndexGPT：结合大语言模型与自然语言处理的主题投资工具，面向财富管理客户。

摩根大通每天处理近10万亿美元跨境支付所积累的专有数据，被认为是其在欺诈检测和风险管理领域建立竞争优势的核心护城河。

CEO杰米·戴蒙在Anthropic发布会上透露，他个人在20分钟内用Claude Code创建了一个综合仪表盘。

摩根大通公开披露预计AI将产生15–20 亿美元的年度业务价值。

高盛通过与Cognition Labs合作部署自主编程智能体Devin，在超过1.2万名开发者中实现了较GitHub Copilot3–4倍的生产率提升。

高盛CIO马可·阿尔真蒂提出“混合劳动力”框架：“这是第一次你购买的不再是基础设施，而是‘智能’本身……它更深层次地渗入我们的运营方式、思维方式。”

04

部分机构的实践

越来越多金融机构将 AI 智能体投入实际业务，并在准确率、效率、成本等方面取得可量化成果。以下为国际代表性机构的应用案例：

美国银行的Erica案例揭示了一个重要区分：Erica使用的并非生成式AI或大语言模型，而是基于自然语言意图分类从预定义答案集中选择响应。

Gartner预测，到2026年底，30%的大型金融机构将在核心业务流程中部署至少一种生产级AI智能体。

银行CIO们正面临将AI智能体、自主运营和可编程货币纳入战略优先级的压力，但监管不确定性、数据治理复杂性和人才缺口是三大核心障碍。

-End-