AI时代最需要工作助手的人，除了代码工作者，可能就是金融从业者了。

一位金融分析师的经典工作场景是这样的：打开彭博或万得终端扫一遍隔夜公告，切到交易所网站下载PDF格式的财报，把营收、毛利率、经营性现金流等数据敲进Excel模板，再去翻三四家可比公司的最新研报核对口径。这套动作做完，通常已经过去两三个小时，而真正的分析还没开始。

与这种纯人工的工作效率不对称的是，金融市场要求分钟级的响应，全球市场结构的变化需要被即时吸收；而且，市场上的信息越来越碎片化，除了常规财报、法律文件、研报和公告，可能影响金融市场反应的信息还可能出现在社交媒体或其他工作软件里——作为数据密集与信息最为密集的行业，金融行业的生产力长期受限于两件事：数据处理的速度，以及信息来源的广度。

国内头部大模型Kimi看中了这个不对称场景。

9月17日，Kimi发布面向金融行业的AI解决方案，方案涵盖：9个金融专业技能（Skills）、10余家权威数据源，以及数据建模、报告和演示文稿生成工具，覆盖持仓早报、财报点评、项目筛选、深度研究和组合复盘。

金融可能超过编程，成为Anthropic最大收入来源

OpenAI和Anthropic今年也开始押注金融行业。今年5月，Anthropic在纽约举办的金融专场上一次性发布了10个金融智能体，覆盖搭建pitchbook（项目推介书）、财务建模、财报审阅、估值分析、报表审计、总账对账、月末结账、KYC（了解你的客户）筛查、信用备忘录撰写和市场研究综合等功能。同一场发布上，Anthropic称金融已经是其企业收入的第二大行业，仅次于科技；前50大客户里约40%是金融机构。

7月来自投资人披露的数据显示，Anthropic的收入结构中，编程与软件工程（含网络安全）占ARR（年度经常性收入）的36%，金融服务与保险占25%，医疗与生命科学18%，法律8%。按7月底650亿美元ARR计算，Anthropic从金融行业获得的ARR约达到160亿美元。并且，这份材料称，Anthropic的内部判断是，金融有望在2027年超过编程，成为其AI应用最大的垂直市场。

从场景看，一份行业调研给出的金融AI调用结构显示：投研与基本面分析占AI调用的35%，实时宏观与市场情绪监测15%至20%，量化模型建设10%至15%，合规文档审查10%，信贷风控8%至10%。

Kimi此次给出的AI金融解决方案与这项市场调研高度匹配——持仓早报、财报点评、深度研究、组合复盘，都与投研相关。

目前，中信建投、中金公司、国寿股权、人保资本、易方达、红杉资本、工商银行等数十家机构已经在实际业务中接入Kimi这套AI金融解决方案。

不同数据源，同一个工作台

借助大模型的推理与工具调用能力，Kimi的金融解决方案实现了从单点辅助，到完整金融工作流的端到端交付：理解工作目标，搜索专业数据，执行分析与建模，并做成机构级的交付成果。

数据源上，Kimi的金融解决方案在中国本土市场接入了Wind万得、东方财富、恒生、iFinD同花顺等金融数据平台，全球市场则接入了标普S&P、Crunchbase、IMF（国际货币基金组织）、世界银行、FRED（美联储经济数据库）宏观，官媒信源是新华财经、财联社、财新数据，垂类生态是易方达、alpha 派、天眼查、邓白氏、Stripe 和中信建投。

Kimi通过MCP将这些数据直接接入金融从业者的研究任务，关键数字可以回到原始出处核对，来源、口径清晰可查。研究人员无需在行情终端、公司公告、宏观数据库及企业信息平台中反复检索、下载和整理，省去了跨平台查找与搬运的工作量。进行公司研究时，研究人员还可以通过天眼查、元典法律补充工商、司法、知识产权及法规信息，把维度拓到财务报表之外。

而研究报告产出后，还能直接生成可交互的HTML（超文本标记语言），一个链接即可传播，读者还能拖动参数检验假设；Kimi Work里的看板由可自由安排的组件构成，把专业信源、组合持仓和覆盖公司关联起来，打开页面就是最新变化，不用每天重新检索；图表上右键唤起轮盘菜单，能直接标注合计括号、CAGR（复合年均增长率）与差值箭头，数据像Excel一样直接编辑。办公协同一侧，Kimi接了飞书、邮箱、腾讯文档、Notion、钉钉、企业微信和Office套件。

从直面数据到直面Kimi，Kimi给了金融人一个统一工作入口。而且，其金融解决方案提供了9个专业技能（skills），对应9类有稳定分析步骤和交付标准的工作：机构财务建模、机构研究报告、机构PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、HK IPO透镜。在这之外，金融投研套件覆盖二级投研、一级deal全流程与企业财务关账，一共118个业务skills。

这些skills使得不同金融工种的工作效率提升5到10倍。比如投行与私募股权机构使用「机构财务建模」skill，基于管理层报表、审计报告和尽调资料给一家尽调公司搭财务模型，过去，这种建模工作需要5至7人/天才能完成，Kimi的AI解决方案可以让这项工作的工时缩短至0.5至1天；「机构研究报告」skill结合专家访谈与业绩说明会材料生成量子科技行业深度报告，则能让二级研究的工作周期从10至20天缩短到约2天。

与工作效率一同提升到还有质量。在一项内部基准测试里，用户财报点评使用Kimi金融skill后分数能提升8至9分；财务建模从69分提升到77分，超过opus 5的75分。

工序被压缩后，判断和速度变得重要

过去，卖方研究员八成以上的日常工作是看公告、整理数据、写点评、做模型，这部分工作被AI快速接管后，留给金融从业者的核心工作就变成定义问题、做出判断、提供差异化观点。

此前，最早转换工作模式的是量化金融机构。包括DeepSeek、宽德、念空、鸣石、九坤等百亿量化私募都在2025年前后陆续成立了AI Lab，用AI技术栈重新构建了量化研究平台，把因子挖掘、回测、执行优化等原本就跑在机器上的流程进一步大模型化——从结构化的价量和财务数据，延伸到研报、公告、新闻等非结构化文本。这类机构研究员的工作因此不再是手工测试一个个因子，而是设定目标、约束和评价标准，让AI去完成大量人工不可能完成的搜索和分析。

量化金融机构的核心竞争力正从资金规模转向模型与算法的迭代速度。同等因子产出目标下，传统手工投研需要90至180天，头部机构用AI智能体系统7天走完闭环；一位高水平因子研究员用上AI之后，单周高质量因子挖掘数量从一至两个提升到4个。

这些机构的人才结构因此也在改变，统计数据显示，近5年中，这类机构新招聘的研究员90%以上有AI研究背景。

今年下半年，银行、券商等大量传统金融机构也跟进了类似变革。8月，宁波银行总行财富管理部曾挂出一份社招启事，招聘市场投研部高级经理／策略分析岗，职责要求包括大模型投研经验、智能体机制和AI内容审核。不只是宁波银行，招商银行上海分行2027届秋招也设了“数字金融岗（AI应用方向）”，职责包括大模型后训练、提示词工程、RAG（检索增强生成），以及开发AI Agent、基于MCP（模型上下文协议）实现工具调用、Skill开发、多Agent协同调度与任务规划等。这些要求都与AI直接相关，工商银行2027年度校招则直接设立科技菁英岗，按研发经理与产品经理两条线培养。

中信建投也已经接入了Kimi“金融投研”智能体，采用1个主Agent（智能体）加13个专职子Agent的架构，分别承接晨报编制、定期复盘等周期性重复工作，以及同时覆盖多个标的的复杂研究。如果之后再开拓新场景，双方可以沿用同一套合规检查机制就能完成接入与上线评审。

此外，为保证数据安全，中信建投还与Kimi共建了“风险评估网关”。通过5项可以检查的机制——数据分类分级、个人信息保护、数据源与工具访问授权、生成内容核验与人工复核、审计与责任追溯——保证数据安全。这套网关已经在中信建投的真实业务里跑通。

AI改变的不只是投研效率，还有投研范式。接入AI的金融机构和没有被AI武装的机构，将是两类公司。