Anthropic 近期推出金融服務專用 AI agent，瞄準投资银行、资产管理、保险、信用分析与企业财務等场景。根據 Anthropic 公告，这批 agent 模板可用於 pitchbook 製作、KYC 審查、月結关帳等金融业高耗时工作，並可整合 Claude Cowork、Claude Code 与 Claude Managed Agents。
但要说这取代金融研究員可能言之过早，Podcast《Hardcore 财经通识》在臉书上表示，Anthropic 的確切中金融研究产业的一个痛点：大量重要但重複性極高的资訊更新工作。但金融资料往往不是顯性错誤，junior analyst 会随时间进步培養出 data sense。很多资訊不只是「抓得到」就好，还必須知道公司这次改了什麼口徑、哪些指標不能和前期直接比较、哪些數字只是管理層包裝。
Anthorpic 能幫助金融研究产业的资訊更新工作
Anthropic 此次推出 10 款金融服務 agent，可執行建立簡报、審查财报、撰寫 credit memo 等任務。
曾任国內大型金控交易室的《Hardcore 财经通识》主持人 Paku 則指出，市场对这類工具的反应很容易走向两个極端：一边是「金融业末日」、「AI 破解投资聖杯」，另一边則是大量使用者炫耀自己用幾小时 vibe coding 出回測績效驚人的投资引擎。但他认为，这两種敘事都过度簡化了金融研究的真实工作。
Paku 表示，Anthropic 的確切中金融研究产业的一个痛点：大量重要但重複性極高的资訊更新工作。在基本面研究中，无論买方或卖方，财报、earning call、资料庫、簡报、模型与客戶匯报都彼此相连。分析師要建立模型前，资料必須先到位；而公司特质差異極大，研究过程幾乎不可避免需要跨资料庫、跨文件整理輔助资訊。
尤其在财报季，卖方分析師若 cover 一整个 sector，就必須同时更新大量财报、earning call、关鍵指標、财務模型与研究报告。即使有 junior analyst 支援，整个流程仍然像一场地獄：每家公司关注的 metrics 不同，模型调整方式不同，客戶又多是时间極度昂貴的大型基金，分析師必須在短时间內萃取出真正有价值的 best idea。
金融研究最大的荒謬：80% 时间花在低价值工作
Paku 认为，金融研究真正弔詭之處在於，成果往往高度取決於一开始的判斷方向，例如应該看哪些关鍵指標、聚焦哪些趨勢、如何處理遺失资料、如何跨公司比较。但实務上，分析師大量时间卻花在抓资料、拉 Excel、更新报告、做簡报。
換句話说，研究成果可能 80% 取決於判斷，但工作时间卻 80% 被资料整理与格式更新吃掉。
这也是 Anthropic 金融 agent 的切入点。它不是要直接替分析師找出投资聖杯，而是試圖产出一个约 60% 完成度的研究 workflow：先幫分析師抓资料、串资料庫、更新模型、整理簡报与文件，再由人類用自然语言指出哪裡错、哪裡要補、哪个環節需要新资料。
Paku 形容，这比较像是一个「速度很快，但仍需要一个口令一个动作的 junior」。价值不在於取代资深分析師，而是把大量低价值工时壓低，让真正的研究判斷回到人類身上。
最大风险：金融资料错誤通常是隐性的
不过，Paku 也強调，金融 agent 最大挑戰不是能不能寫报告，而是能不能確保资料正確。
他指出，金融资料更新最麻煩的地方在於，错誤往往不是顯性错誤。數字可能「看起来都存在」，但其实完全错置、逻辑不通或定義错誤。更麻煩的是，错誤越往下游擴散，追蹤成本会指數上升。模型、簡报、报告、投资 memo 全部建立在错誤资料上时，最后要回头查错，成本远高於一开始由人類判斷资料来源与定義。
这正是 junior analyst 会随时间进步的地方，也就是所謂的 data sense。很多关鍵资訊並不在結構化资料庫，而是藏在 management presentation、earning call、财报附註与公司自定義 metrics 裡。这些资訊不只是「抓得到」就好，还必須知道公司这次改了什麼口徑、哪些指標不能和前期直接比较、哪些數字只是管理層包裝。
類似问題也出现在金融 AI benchmark。近期 BankerToolBench 研究指出，即使最好的前沿模型，在投行 junior analyst 端到端工作流測試中，仍有近半數評分項目未通过，且银行家評估其输出有 0% 达到 client-ready 標準。这说明 AI agent 已能處理部分工作，但距离直接交付高风险金融成果仍有明顯差距。
AI 可以寫 SQL，但不能自由发揮 LTV 与 churn rate
Paku 也指出，若只是簡單资料抓取任務，AI 的確可能非常有效。尤其在现代 ETL 工具已经相当成熟的情況下，若搭配好的介面与人工介入系统，金融 agent 確实有机会提升研究工作流效率。
但真正危险的是，当使用者要求 AI 自行计算较複雜或高度依賴定義的指標，例如分群 LTV、churn rate、單位经濟模型时，如果人類沒有先注入清楚公式与 benchmark，而是让 AI 自由发揮，結果可能非常危险。原因在於，这些指標不是單純數学題，而是依賴商业定義、资料口徑与产业语境。公式错一点，整个投资判斷就可能歪掉。
Anthropic 金融 agent 不是「AI 投资聖杯」，也不是让使用者用两小时 vibe coding 出年化 2000% 回測引擎的玩具，而是一个試圖重組金融研究工作流的产业工具。
它最可能帶来的改變，是把 analyst 从大量资料更新、Excel 整理、报告排版与簡报製作中釋放出来，让人類把时间放回判斷：哪些指標重要、哪些趨勢值得追、哪些资料不能信、哪些比较方式会誤導。
这篇文章 Anthorpic 推金融專屬 AI Agent，圈內人曝 Claude 不能取代分析師的关鍵 最早出现於 链新聞 ABMedia。
