在2011年那句“软件正在吞噬世界”之后，十多年里，科技巨浪不断冲击传统行业。而今，大模型似乎正沿着相似的轨迹，以更强的力量和更快的速度，吞噬的不只是流程和岗位，更是原有的权力结构与商业模式。尤其在金融数据行业，这种变革的张力被推至极致。
本文不仅深入剖析了全球五大金融数据巨头面对AI浪潮所采取的防御策略，还借助SVTR AI创投数据库，从60家聚焦投资研究赛道的初创企业中，精选出Fiscal AI、Quartr、Koyfin等代表性公司，对比其不同的发展路径，揭示出AI在金融场景中落地的核心逻辑与现实挑战。
根据硅谷科技评论（SVTR）的观察，我们看到两个世界正迅速汇聚：一是以数据质量和工作流为本的传统堡垒，另一是以模型能力和产品敏捷著称的新势力。但这场对决，并非简单的“旧被新替代”，而是一次对“专业工具与AI融合方式”的重新定义。最终，不是最强的模型胜出，而是最懂流程、最能解决痛点的团队脱颖而出。
2011年，Marc Andreessen提出“软件正在吞噬世界”的名言，预测软件公司将取代传统产业巨头。十余年后，大模型正走在同一条路径上——只不过这一次，它吞噬的可能不仅是行业逻辑，更是岗位本身。
在企业服务端，LLM首先革新的便是“人力密集型、流程重复性高”的岗位。客服支持就是典型场景。
- Intuit：部署生成式AI后，人工客服负担下降15%；
- 伦敦证券交易所集团：80%以上客户询问由AI处理；
- Lyft：AI助手让问题处理时间缩短87%，每日自动应答上千请求。
这些案例不仅说明AI可以“补位”，而是已经在逐步“接管”某些流程的主导权。
当然，替代并非唯一模式。更普遍的路径是“效率增强”：程序员借助AI工具编码产能提升25%；文档写作、数据分析、产品构思等工作也都因AI辅助而变得更快、更轻。但可以肯定的是：最剧烈的冲击，必然发生在那些依赖“信息处理”的行业。尤其是金融数据产业，既是大模型最容易发挥作用的场景，又是既得利益分布最复杂的领域，势必将成为这场智能变革的主战场之一。
金融数据巨头与新挑战者
在全球金融数据领域，有五家公司堪称巨头：伦敦证券交易所集团（LSEG）、标普全球（S&P Global，代码SPGI）、FactSet（代码FDS）、彭博社（Bloomberg）和晨星公司（Morningstar，代码MORN）。我们姑且称之为“金融数据五巨头”。它们掌握着核心数据资源，涵盖全球股票、基金、ETF、分账户管理（SMA）、信用评级、债券信息、财经新闻等关键内容。对下游金融机构而言，若想合法获取这些数据开展业务，通常离不开与其中一家甚至几家签订高昂的授权协议。
整个金融数据与分析市场可粗分为两层：底层是上述原始数据供应商；上层则是面向专业或个人投资者的平台，这些平台整理数据、提供分析工具、生成图表，帮助用户研究市场、管理投资组合等。五巨头本身也经营这类终端产品，如晨星的Direct、标普的Capital IQ、彭博终端、FactSet工作站，以及LSEG的Workspace。
除此之外，还有不少独立平台在五巨头的数据基础上开发产品，如Quartr、Koyfin、TradingView、YCharts，FiscalNote旗下的Fiscal AI等。这些产品定位各异，有些面向普通投资者，有些服务专业用户。比如TIKR几乎只是对巨头数据的重新打包与销售；而Koyfin、Quartr、YCharts等平台则努力加入自有功能，减少对单一数据源的依赖。它们通过投资组合分析、报表导出、可视化等增值服务来吸引用户，不再仅靠“低价数据转售”取胜。
更有创业公司选择另辟蹊径，从头建立自有数据体系，试图摆脱对五巨头的依赖。FiscalNote旗下的Fiscal AI就是一个典型案例。乍看之下，它也是一家提供股票、基金信息的平台，早期大概率使用了几家主流数据源。但近年它积极推进“去巨头化”，逐步构建自己的数据资产。例如，它开始自主采集上市公司业务分部数据与关键指标（KPI），并反向授权给其他平台（YCharts和Perplexity就是其客户）。更进一步，它还通过大型语言模型（LLM），从财报、公告等公开资料中提取标准财务数据，用于填补数据库内容，减少对标普Capital IQ的依赖。换言之，Fiscal AI正通过AI抓取公开数据，构建自有API，从数据转售平台向垂直整合数据供应商转型，向传统巨头发起正面挑战。
整个行业参与者可按角色划分如下：
- 数据供应商（Vendor）：自行采集、清洗、维护原始数据并授权使用，如晨星、标普、彭博等。
- 增值分销商（Value-added Distributor）：从多家供应商授权数据，开发分析工具和可视化产品提升附加值，代表如 Koyfin。
- 数据转售商（Reseller）：低价采购数据，几乎无改动地转售给终端用户，如 TIKR。
需要指出的是，这三类并非泾渭分明。多数巨头自身也提供终端产品、分析工具，甚至采购他人数据以弥补短板。但不变的是，对关键数据的掌控依旧构成它们的核心壁垒。
然而，大语言模型的兴起正在松动这道壁垒。企业与个人如今可以直接从公开文档中提取结构化信息，绕过昂贵的官方数据接口。Fiscal AI的案例正说明了这种模式的可行性：从转售者变成数据源提供者，既经营平台，也卖API。作为一名与数据供应商频繁合作的产品经理，我也观察到不少初创公司正在复制Fiscal AI的路径——用LLM自动提取财务信息，建立自有数据库，然后要么做终端平台，要么成为数据提供方。这种模式正在吸引风险资本的关注，也引发市场对五巨头未来的担忧：自2024年以来，金融数据上市公司表现不佳，FactSet股价自高点回调逾40%，LSEG也下跌了约25-30%。部分市场观点认为，这正是投资者对AI重塑行业格局的预期反映。
从用户角度看，竞争加剧未尝不是好事。正如彼得·蒂尔所言，“只有失败者才热衷竞争”，垄断意味着高价与停滞，而新入局者带来的则可能是更低的成本和更好的体验。当然，股价表现背后也有宏观经济等多重因素，但不可否认的是，金融数据巨头正面临一场前所未有的挑战。
巨头的防线：数据质量与工作流不可替代
以LSEG（伦敦证券交易所集团）为例，这家拥有伦交所与Refinitiv数据业务的老牌机构，正在主动适应AI时代。尽管传统印象中，像LSEG Workspace、彭博终端这类“大型终端”被认为界面陈旧、技术负担重、产品更新缓慢，但事实正在发生变化。如今的Workspace已采用模块化设计，界面更为现代；而在AI方面，LSEG的投入也早已展开。
2025年上半年财报会议上，CEO David Schwimmer详述了公司在AI方向的多项布局，包括智能代理分析（Agentic Analytics）、为投顾与分析师打造的AI共驾工具（Co-Pilot）、自然语言数据库搜索、自动新闻摘要等新功能。他明确表示，AI不会取代金融终端，而将“嵌入桌面、增强桌面”——未来不是一个全新的AI界面，而是现有平台的智能升级。
在回应关于AI Fintech新玩家“颠覆”可能性的提问时，Schwimmer的回答耐人寻味，以下为其观点要点：
- 数据质量胜于华丽界面 “再酷的界面，也比不上高质量的数据。”他强调，LSEG拥有行业内最广泛、最深入、最可靠的数据集。这正是金融数据巨头的核心壁垒所在：对于专业投资者而言，准确、全面、实时的数据才是真正的刚需——因为错误数据可能造成严重损失。
- AI应融入工作流，而非空有炫技 “用户不需要一个华而不实的聊天机器人，他们希望AI真正嵌入现有工作流程。”LSEG的Workspace已覆盖从新闻整合、图表生成、交易执行到风险管理等关键场景，AI功能正逐步内嵌其中。LSEG的重点，是将AI无缝接入客户熟悉的工具和系统，如Excel、Teams、Office套件等，而不是逼迫用户转向一个完全陌生的AI平台。
- 可信度与可追溯性才是金融领域的底线 “我们看到一些AI财经应用，表面炫目，实则底气不足。某产品自称在金融领域的回答准确率仅51%，在市场分析上的准确率更低至14%。这种产品也许能引发好奇，却远远达不到金融行业对准确率的基本要求。”Schwimmer虽未点名，但言辞犀利。他指出，LSEG的数据源皆可追溯、经校验，可审计。这种可验证性，是很多新AI产品尚无法提供的——尤其是在金融这种对细节精度要求极高的场景下，“幻觉”问题几乎是致命弱点。
他最后总结道：“新兴金融科技产品或许酷炫好玩，但无法满足金融行业的核心需求。我们的战略很明确：拥抱AI，把AI深度融合进我们的高质量数据和专业化工作流中。我们对此充满信心。”
这番表态透露出一个清晰信号：五巨头并非被动挨打，而是深知自身核心优势，并正以技术革新强化护城河。在专业投资者看来，数据的可靠性、全面性，以及工作流的严密性，仍是无法轻易被取代的价值所在。换句话说，金融领域拼的不是谁的AI“更聪明”，而是谁的数据“更靠谱”，谁的工具“更扎实”。
Fiscal AI 的教训：当“AI助手”不再是灵药
一边是大型机构稳步推进创新，另一边，小型创业公司则在加速试错。Fiscal AI 的故事便是一个典型案例，它的经历揭示了“通用AI助手”在专业领域中的局限性。
Fiscal AI 最初名为 Stratosphere，是一家提供投资数据的平台，模式类似于“增值分销商”。随后他们推出了一个实验项目 FinChat——一个对接自家数据库的类 ChatGPT 聊天助手。用户可以通过自然语言提问，比如查询公司资料、生成财报摘要、分析文档内容，甚至要求绘图和输出数据表格。
在当时，这无疑是前沿探索。他们大胆将这个“AI共驾”（Co-pilot）定位为主打功能，并直接将平台更名为 FinChat，整体界面也向 Bloomberg、FactSet 等专业终端靠拢，核心交互就是一个对话框，几乎所有功能都围绕AI助手展开。
然而，现实并未如预期般美好。这个AI助手虽然“什么都能做一点”，却没有哪个场景能做得真正出色。用户可以让它筛选股票、撰写报告、解析财报、生成图表，但每项功能都只是“能用”，而非“好用”。更糟的是，聊天式界面虽有趣，但在许多任务中远不如传统图表工具或筛选器来得高效、直观。
一开始，许多用户出于好奇尝试，但实际使用后发现并不比已有工具更好用，长时间留下来的用户极少。团队很快意识到，AI聊天助手带来的不是粘性，而是流失。更名FinChat后的定位，并没有赢得用户的长期认可。
到了2025年，Fiscal AI做出了重要转向：他们“退役”了这位AI副驾驶，将品牌重新命名为Fiscal AI，并将重心转回数据本身，明确定位为一家服务企业客户的数据平台与API提供商。CEO在接受采访时提到，他们曾试图将AI助手打包成独立API销售，初期确实吸引一些客户，但很快也出现高流失——用户尝试后发现，这类助手并未深度嵌入工作流，使用动力自然不足。
这段经历传递出一个深刻的行业共识：脱离具体场景的AI聊天，不足以支撑专业应用的长期价值。再“聪明”的机器人，如果不能切中实际需求，最终仍是昙花一现。专业用户并不追求“什么都能做”，而是要解决“某个问题做得最好”。
Fiscal AI 的试错，也为行业提供了反思空间：AI工具的未来不在于“通用对话框”，而在于精准嵌入、任务导向、数据扎实。正如我们将在下文看到的，另一个初创公司 Quartr 选择了截然不同的路径。
Quartr：专注工作流，AI工具的“精而准”胜利
在众多金融信息平台中，Quartr 是硅谷科技评论（SVTR）AI创投库重点追踪的一款产品。它同样引入了AI聊天功能，但与Fiscal AI早期追求“全能助手”的思路不同，Quartr将AI问答明确定位在一个具体、清晰的场景——帮助用户从公司公告、财报、电话会议纪要等官方文件中提取信息。
比如，用户可以直接在聊天框中提问：“苹果公司去年第四季度的iPhone销量是多少？”系统会自动在苹果的财报或电话会纪要中搜索并返回答案，并标注信息出处。这种设计，恰好击中了金融分析工作中一个长期存在的痛点：从海量PDF中提取具体数据。
Quartr 的产品逻辑有两个值得称道的关键点：
- 功能单一但定位清晰 Quartr的AI聊天不是万金油，也不尝试画图、选股、生成长文分析。它只专注一件事：替用户找数据、查文件、做摘要。因为功能聚焦，用户一开始就知道它“该做什么、不该做什么”，从而减少误用与失望，反而提升满意度。它不是一个试图取代所有工具的全能助手，而是一个专精的工作流助手。
- 数据权威、来源可追溯 Quartr预先集成了超过13,000家上市公司的官方投资者关系资料——包括财报、电话会议记录、投资者简报等一手文件。AI回答仅基于这一可信信息库，不依赖网页爬虫，也不涉及AI“幻想”。对用户来说，无需像在ChatGPT中那样上传文档、祈祷回答靠谱——每个答案不仅准确，还会附上出处链接，让人放心使用。
如果亲自体验过Quartr的文档问答功能，你会被其效果惊艳。过去我们需要在几十页PDF中反复Ctrl+F，如今只需问几句话，答案立刻出现，还清楚标明出处。更有意思的是，Fiscal AI其实也有类似的财报问答功能，但由于它当初试图将AI助手“包打天下”，反而让这一亮点被用户忽略了。
这个对比再次说明一个道理：AI工具的价值，不在于功能多，而在于是否准确契合用户在某个环节的真实需求。只有当产品聚焦、场景明确、流程自然，用户才能真正感受到AI带来的提升。
Koyfin：财报电话会议速览的正确打开方式，结构优于简洁
在AI重塑金融信息获取方式的浪潮中，Koyfin 展示了另一种思路：不是追求极致简化，而是优化信息结构，让内容更贴合专业投资者的阅读场景。
许多上市公司每季度都会举行财报电话会议，其逐字稿虽然信息密集，但往往也冗长，充斥着大量寒暄、重复和无关陈述。市场上一些AI摘要工具为了追求速度，只提取极少要点，例如“公司营收增长X%，管理层对未来表示乐观”——这样的内容读起来像标题摘要，用时不到20秒，但却很难支持深入分析。相较之下，完整的电话会议记录可能长达几千字，阅读下来耗时超过20分钟。
Koyfin 认为，“快”不应以牺牲信息含量为代价。与其只保留几个数据点，不如通过合理的结构化组织，使用户能在3分钟内抓住要点、快速理解会议主旨。
他们的做法是将电话会议内容按信息类型进行重组，去除冗余语言，并以清晰的模块呈现，如关键绩效指标（KPI）趋势图、地域市场表现、业务部门拆解、管理层指引、潜在风险，以及精选问答片段等。用户不再需要像过去那样逐页翻阅PDF，而是可以快速阅读一份结构明确、信息密度高的摘要。
更进一步，Koyfin 的摘要结构会根据事件类型自动调整。例如，针对并购类电话会议，系统会聚焦于交易条款、并购动因、协同预期等内容，而非照搬财报会议的模板。这种“按场景定结构”的做法，使摘要更具针对性和可读性，提升了AI工具与用户实际工作流程的契合度。
这种设计理念背后，是Koyfin对用户痛点的精准把握：问题并不是“如何用20秒看完一场会议”，而是“如何在最短时间内提取真正有价值的内容”。电话会议是对话形式的信息密集体，AI的价值就在于能从中剥离杂音、还原重点，并以可读可用的形式呈现。
Koyfin 的做法再次印证一个观点：AI不应只是贴上一个“智能”标签，而是要扎根于具体场景，提升原本耗时的环节。在这个案例中，摘要不只是AI生成的一段文字，而是对专业流程的深度理解与重构。
结语：从工作流出发，而非技术炫技
回顾前文，我们可以提炼出几个关于AI在金融数据及更广泛领域落地的关键原则：
- 从工作流出发，而非技术本位 成功的AI应用，往往不是从“模型能做什么”出发，而是从“用户真正需要什么”倒推回来，再用AI增强那个具体环节。Koyfin 的财报摘要、Quartr 的文档问答，皆源于真实场景下的痛点，并以LLM优化流程。而那些“万事皆可聊”的AI助手，反倒常常泛而无用。
- 解锁新型工作方式 AI不仅能优化旧流程，更有能力开辟全新路径。比如过去分析师要等待媒体或手动整理电话会议重点，而现在AI可实时生成结构化摘要；未来甚至可能通过模型自动监测财务异常并预警，提示分析师关注。这类新流程的诞生，才是真正的生产力革命。
- 可信度是AI能否落地的基石 金融领域对数据质量和逻辑解释的要求极高。再先进的AI，如果输出频繁出错，终究难以获得专业用户信任。因此，不论是新创公司还是数据巨头，能否提供“有据可查、结果可追溯”的数据和分析，才是能否长期立足的根本。
- AI的理想状态，是“隐身”在体验里 真正成熟的AI，不在于用户每次都意识到“这是AI”，而在于功能自然融入流程中，让人觉得“这很好用”。正如我们生成摘要时，用户只关心信息是否到位，并不在意背后是哪种模型。AI最理想的形态，是成为后台能力，支撑前台体验，默默提升效率与质量。
展望未来，金融数据行业的竞争会因AI而变得更加激烈。一边是传统巨头不断升级护城河，一边是新锐玩家借AI切入空白领域。但真正赢得用户与市场的，将是那些理解需求、贴合流程、用技术赋能体验的产品和公司。
我们认为，无论技术如何更迭，专业的判断力与深刻的洞察，始终是这个行业最稀缺的价值。
这是我们在 SVTR 内部孵化AI创投助手的初衷——希望以AI为核心引擎，重新定义一级市场的信息组织与研究方式。项目已完成第一阶段的产品验证，下一步，我们希望找到一位技术负责人，共同推进这场具备长期价值的探索。
如果你具备出色的工程背景，对资本市场和数据系统有深入理解，愿意亲手搭建AI时代的投资基础设施，欢迎加入我们（联系微信：pkcapital2023）。这不仅是一份工作，更是一个与真正“难而有意义的问题”较真的机会。
https://www.investmenttalk.co/p/llm-workflows-in-the-financial-space