AI金融的“静默革命”

当AI极速发展，当认知重塑的大潮汹涌而来，金融科技公司该如何破局？

作为业内同时具备机制灵活、客户导向和充足技术准备的第三方投顾公司，盈米基金旗下投顾服务平台且慢在业内率先突入AI疆域，推出了一批AI相关的数据和投顾服务项目。

与外界预期不同，且慢在AI领域已经跳出了简单的做产品“心态”，而是考虑把既有能力和数据资源“资产化”，这样的思维想法显然不同于其他同行。

他们如何启动AI战略？AI会重塑金融投顾市场么？多年以后，投资者会面对怎样一个既有AI又有真人的金融服务市场？

日前，华尔街见闻·资事堂团队对话了且慢AI相关团队的核心成员：高级技术总监梁仲智和产品总监辜腾玉，听他们聊一聊AI转型背后的深层次想法。

AI的智力最终会超过人类

OpenAI团队在2020年发表了一篇论文《Scaling Laws for Neural Language Models（神经语言模型的缩放定律）》，该篇文章以大量案例得出结论：只要参数、数据和算力匹配的不断增长，那么大模型的智力水平就会不断增加（以幂律规律增长），反之亦然。

这历史性地开启了全球的大模型军备竞赛。

盈米基金且慢高级技术总监梁仲智完全赞成这个判断：他认为，只要上述定律一直有效，AI的智力水平最终会超过人类，到那时，AI主理的投顾可能超过目前的人工投顾。

因此，围绕这个判断，如果一家企业要做三到五年的战略规划，最好的做法就是让AI来主导企业的主营业务，构建人与AI深度协同的组织结构。

对公司进行“再资产化”

而这个思路落到战术层面，在盈米基金的内部提出了一个鲜明的词汇——“再资产化”。

所谓对全公司进行再资产化，就是把公司的资源，尽快按照AI时代的要求重新“做一遍”。

而完成这个目标的前提是：向AI开放企业内部的所有资源和能力，让AI可以方便地接触、读取和操作业务里所有的核心数据和能力。

当然这个过程也是很困难的。困难点在于如何高效、大规模地治理已有资产。

围绕这些挑战，盈米基金内部现在有一个核心系统，它用AI协助治理，以极低的成本将已有资产转化为适应AI调用的接口和格式，包括向外输出的模型上下文协议（MCP）和技能（Skill）的工具。

虽然，外界发现盈米且慢有不少MCP和Skill服务（“产品”），但提供出来的只是冰山一角。

盈米基金内部的AI“再资产化”的步伐更加如火如荼。

金融业的AI“壁垒”何在？

但随着通用大模型越来越强，金融行业在未来AI时代的壁垒在哪？

梁仲智直接坦白，在认知层面没有壁垒。

金融行业发展AI的核心壁垒只有两个：一是持有的私有数据，二是交易闭环。

比如通用大模型厂商没有投顾业务上的交易闭环，这是企业最核心的竞争力。最终，要实现让AI主导交易，比如主导组合策略的调仓和用户的交易行为。有的通用大模型已经在尝试主导外卖等交易了，本质上也是在让交易通道资产化，与AI进行深度协同。

因此，在AI对公司的再资产化过程中，目前且慢最重要的方向有两个，一个是数据和内容（金融数据与投顾内容），另一个是投研和方法论。下一个阶段是交易能力。

优秀的AI，要悦人也要悦AI

富有竞争力的AI，不仅要悦人，也要愉悦其他AI。

梁仲智认为，未来金融机构提供接口和技能，主要服务对象可能是AI。因为最终大概率不是人去调用这个服务。

因此，最终需要让AI觉得且慢最好，而不是让人觉得，才是这轮转型的关键。

为了更好地实现再资产化，盈米基金从2025年就确定：全公司所有研发要转型为“全栈”。

研发会往两个方向走，一部分利用AI直接端到端交付用户价值，他们的角色会跟现有的产品、运营和市场融合；另一部分研发往后走，主要服务好AI，比如做AI的上下文工程和再资产化工作，确保AI能接触到所需数据。

也就是说，现在的产品和运营角色也会发生很大变化，很多角色开始融合。为了适应这种生产关系的变化，公司内部提出了“产品工程师”的概念。这类人的目标就是端到端交付用户价值，解决用户痛点。

AI产品三阶段发展

且慢产品总监辜腾玉表示，盈米基金在财富管理与投顾场景中的AI布局，并不是围绕单一产品展开，而是伴随AI技术成熟度的演进，逐步推进企业能力的“模块化、接口化与智能化”。在且慢看来，AI产品的发展，本质上不是一次应用升级，而是企业底层能力逐步被AI理解、调用与协同的过程。

比如最早，行业里是由AI问答开始兴起的AI应用，它适合用来帮助解决用户的日常问题。随着AI的发展，技术开始逐渐标准化，开始出现一些协议规范，于是开始去做场景化的智能体。同时，也开始做能力的沉淀，就是把过去积累的业务经验和知识进行沉淀，从而更好地反馈到服务生产中。

总的来说，就是在现有的业务主线之下，结合AI的发展趋势阶段性地进行整合。回顾盈米且慢对内或对外的产品线，大致可以分为三个主要阶段。

第一个阶段，且慢对外输出了一款面向C端的大型语言模型投顾服务产品，也就是“AI小彼”。它直接面向客户，结合当时行业内AI问答的普及趋势，用这种交互形式，解决了原有投顾业务场景的核心问题，包括客户多元化投资场景的需求、实时的问答答疑，以及长尾客户原本无法获取的投顾服务。

第二个阶段，开始进行底层能力沉淀，将构建出且慢AI小彼的能力进行多层的拆解与抽象化。在这个阶段，且慢做了模型上下文协议（MCP），把现有的工具、数据做了一次转型、储备与输出。可以简单把它理解为一个AI可以调用的接口，链接的是指标、数据、模型、算法或一些测算。所以它其实是将以前供给业务人员和系统研发使用的能力，转化成了AI可用的能力。而沉淀能力将有利于且慢后续可以在各类服务场景下做更高效的服务组装、扩展与稳定复用，能在多条产品线中智能调用。

第三个阶段，且慢将逐步完成业务能力的沉淀与输出。且慢想要做应用程序接口（API）、业务逻辑与服务流程SOP（Skills）和智能体（Agent）的能力输出。在这个阶段，他们已经开始搭建生态。

背后核心的底层逻辑是希望让金融行业不只是“接入AI”，而是真正具备构建AI财富管理服务的能力。盈米且慢希望借助过去在财富管理领域积累的数据、业务和服务经验，对外进行输出，成为AI财富管理与投顾行业的基础设施和能力提供方。

成为AI基础设施提供方之一

而如果要成为提供基础设施提供方，未来盈米且慢可能需要一个投入期较长的阶段，正如上文所说，在第一阶段中，且慢已经把盈米过去十年积累的业务能力和对客服务经验进行了转化和输出。因为这些底层能力原本内部各项产品和系统就能使用，希望它们能更好地作为行业基础设施，让不同的金融参与方都能借助。

这就像是盈米已经备好了几道经典的菜，现在把做这些经典菜系的底层食材和菜谱用一种形式输出给行业，在生态领域提供给金融从业者。这样，他们就可以高效地借助盈米的AI基础设施，去生成和获取所需的服务，构建起服务自己客户的体系。

其中，数据是最源头、最原始的材料。但怎么把这些数据转成因子、信号，其实远不仅是数据的问题。

比如，投研团队分析市场沉淀出的规律或信号，这偏向投研领域。团队有投研领域的沉淀，也有投顾领域的沉淀。投顾领域的沉淀更多，比如在分析用户持仓时关注的维度，其中涉及的算法、测算、判断依据、产出物，以及提供投资建议的逻辑和流程。

也就是说，数据是原材料，在数据上形成结论的模型、固定的解决方案或分析方法，属于菜谱。

此外，还要看具体场景。以前在行业内，技能（Skill）的定位还没有被特别标准化时，有一些流程能力会被归为原始材料，尽量在原始材料层面上就做好加工输出。但随着AI的发展，当技能（Skill）这一层相对标准化之后，就会把更适合作为菜谱的内容抽离出来。刚刚提到的那些规划流程，大概就落在了菜谱之上。

不止于提供数据

业内关于AI的创新，许多机构提到了希望外界能提供该机构AI化所需的解决方案。但且慢认为，单提供数据或构建服务对于一般的金融企业没有优势，在基础数据之上，盈米且慢还在投顾业务和财富管理领域做了大量的数据加工。

例如，他们提供的模型上下文协议（MCP）应用商店共有五个板块，数据只是第一个基础板块。此外还有投顾内容、投研服务、投顾能力和通用服务。其中，投顾是最核心的板块，提供了从售前的持仓分析、财务规划、投资建议，到售后的持仓调仓优化，以及用户在整个投资周期内需要咨询投资顾问的一系列能力，并在MCP基础上，封装了一系列的投顾业务技能（Skills）。

（图片来源：盈米AI开放平台官网）

其他机构或数据商，缺乏对客服务的实际经验与数据积累；也缺乏提供此类投资顾问服务的资质和牌照。这是盈米且慢做这件事的关键差异与专业优势所在。

如何将通用与专业结合

通用大型语言模型本身能力在持续发展，基本能处理大量普遍性的日常资讯。金融机构之间的差异在于使用方法。首先是体系化，其次是它与业务逻辑形成闭环。

比如且慢接入聊天机器人，调用资产观点与投资信号，这是可以跟后续的投资建议推荐形成闭环的。如果没有这种深度的接入，通用大模型虽然也能做大量回复，但金融机构需要思考，如何将已有的观点和能力与现有大模型在服务领域做好分工与协作。

在稳定性和安全方面，对于提供接口和技能的服务，且慢主要是保证输出的数据质量，从而最大程度地消除大模型因缺失准确数据信息而产生的“幻觉”问题，辅助大模型给出更优解。

而对于且慢主动提供大模型问答服务的“AI小彼”，标准就不一样了，采取了专门的措施与产品设计，一是增加引用和更好的检索增强生成（RAG）方式来提升回复质量并减少幻觉；二是提供调用MCP数据的交互卡片，保障原始数据准确性，三是提供AI回复的白盒化设计，让用户充分知悉大模型回答问题的路径、方法与结果，让用户可以自行复核结果。本质上无法保证完全解决大模型的幻觉问题，只能通过提升底层数据质量、产品设计和提供便捷的复核机制来保障安全。

需要“菜谱”也能用好了

此前推出的模型上下文协议（MCP）解决的是“能做什么”，把能做的事情和内容以接口形式提供出来。就像一份食材，让大模型知道有哪些工具和能力可以调用。

而最新推出的技能（Skill）解决的是“怎么去做”，更像是菜谱，大模型知道可以用哪些工具，但可能不知道到底先用哪个好，不知道流程顺序和其中的技巧与坑。这就需要技能（Skill）来指导怎么用。

过去行业里技能尚未标准化时，这件事情就只能通过传统的提示词形式零碎地提供，这往往是一次性的，每次使用都需要用户自己去拼接提示词。而技能（Skill）正好提供了一个相对标准化、模块化的载体，来承载“怎么使用”的环节。

对于用户来说，如果他已经是一位经验丰富、有自己的思路、有自己“独家秘方”的“大厨”，比如专业的量化开发者，他可能只需要使用模型上下文协议（MCP）获取食材。

但如果是一个想要快速上手的投资顾问，更可能希望直接获得经典菜系，他就会需要“模型上下文协议（MCP）+技能（Skill）”的组合。这样他不需要输入过多的业务流程，可以直接使用标准化的能力。

金融从业者是且慢相关产品最重要的客群。盈米MCP目前已经提供的70多个金融工具中，用户调用最频繁包括四类场景，第一类是基础的基金与组合的搜索查询，因为很多综合问题最终都会调用到它。第二类是金融资讯和市场行情搜索，用户常问重大的金融事件。第三类和第四类涉及专业领域，也就是最核心的基金诊断与持仓分析能力，很多机构与投顾团队都在调用。

对于其他团队来说，主要有两类人在使用。

第一种情况，早期参与的IT主管或开发者，会在内部平台上搭建一个全新的智能体，调用盈米MCP的服务来解决问题。

此外，业务部门的人通过扣子（Coze）或飞书智能体等平台，做个简单的接口配置，就能自动生成投资规划报告或市场分析。这是一种全新的工作流。

而对于这些金融从业者来说，如果从原有的内部流程去改造，需要经历跟盈米且慢一样漫长的再资产化过程。

AI让“智能投顾”真正可行

据介绍，接下来，盈米基金的核心目标是把AI开放生态搭建起来，会通过模型上下文协议（MCP）、技能（Skill）和智能体（Agent）三层结构进行服务输出。

这三层结构所提供的能力的使用门槛从复杂到简单，不断降低使用门槛，打开受众面，让用户或AI调用的成本逐步下降。用户不仅可以在各种平台调用，也可以直接在生态里获取服务。

目前在用户的使用过程中，提供的接口，需要用户自己在不同场景去搭建智能体或工作流，这对动手能力有一定要求。对于希望“开箱即用”的用户来说，这就存在痛点。

且慢的解决方案是，第一步提供了模型上下文协议（MCP）；第二步推出了技能（Skill）与工作流（Workflow），打包得更省心便捷；再下一步，希望能直接提供智能体形式。用户直接向“AI小彼”提问就能获得解答，甚至完成任务。通过三个阶段，不断降低使用门槛。

对于偏终局的发展，团队认为，最终的AI应用肯定是以结果输出为关键。不管是调用工具、搭工作流还是写提示词，都是为了实现最终产出的中间路径。这些中间产物的形态可能会不断变化，可能下个月又多出一种新形态，但最终解答的问题是一样的，最终形态一定是以直接获取结果为导向的。

过去只有几百万甚至上千万资产管理规模的高净值用户，才有资格配备私人投资顾问。未来且慢希望，平台上的每一个用户，即使只有一百块钱，也能享受到千万级别超高净值用户同样的私人投顾服务，而且用户根本察觉不到背后究竟是AI还是真人。

国内所谓的“智能投顾”提了大概有十年，后来这个词逐渐式微了，是因为过去其实做不到真正的智能。但到了现在的AI技术节点，这件事情已经变得可行，能够真正做到千人千面的个性化智能投顾服务。AI技术的发展，正在加速实现这一愿景的进程。

风险提示：因现阶段科学技术的局限性和生成式人工智能的特殊性，盈米基金不能保证本服务生成内容合规、准确和完整。