Anthropic 近期推出金融服務專用 AI agent，瞄準投資銀行、資產管理、保險、信用分析與企業財務等場景。根據 Anthropic 公告，這批 agent 模板可用於 pitchbook 製作、KYC 審查、月結關帳等金融業高耗時工作，並可整合 Claude Cowork、Claude Code 與 Claude Managed Agents。
但要說這取代金融研究員可能言之過早，Podcast《Hardcore 財經通識》在臉書上表示，Anthropic 的確切中金融研究產業的一個痛點：大量重要但重複性極高的資訊更新工作。但金融資料往往不是顯性錯誤，junior analyst 會隨時間進步培養出 data sense。很多資訊不只是「抓得到」就好，還必須知道公司這次改了什麼口徑、哪些指標不能和前期直接比較、哪些數字只是管理層包裝。
Anthorpic 能幫助金融研究產業的資訊更新工作
Anthropic 此次推出 10 款金融服務 agent，可執行建立簡報、審查財報、撰寫 credit memo 等任務。
曾任國內大型金控交易室的《Hardcore 財經通識》主持人 Paku 則指出，市場對這類工具的反應很容易走向兩個極端：一邊是「金融業末日」、「AI 破解投資聖杯」，另一邊則是大量使用者炫耀自己用幾小時 vibe coding 出回測績效驚人的投資引擎。但他認為，這兩種敘事都過度簡化了金融研究的真實工作。
Paku 表示，Anthropic 的確切中金融研究產業的一個痛點：大量重要但重複性極高的資訊更新工作。在基本面研究中，無論買方或賣方，財報、earning call、資料庫、簡報、模型與客戶匯報都彼此相連。分析師要建立模型前，資料必須先到位；而公司特質差異極大，研究過程幾乎不可避免需要跨資料庫、跨文件整理輔助資訊。
尤其在財報季，賣方分析師若 cover 一整個 sector，就必須同時更新大量財報、earning call、關鍵指標、財務模型與研究報告。即使有 junior analyst 支援，整個流程仍然像一場地獄：每家公司關注的 metrics 不同，模型調整方式不同，客戶又多是時間極度昂貴的大型基金，分析師必須在短時間內萃取出真正有價值的 best idea。
金融研究最大的荒謬：80% 時間花在低價值工作
Paku 認為，金融研究真正弔詭之處在於，成果往往高度取決於一開始的判斷方向，例如應該看哪些關鍵指標、聚焦哪些趨勢、如何處理遺失資料、如何跨公司比較。但實務上，分析師大量時間卻花在抓資料、拉 Excel、更新報告、做簡報。
換句話說，研究成果可能 80% 取決於判斷，但工作時間卻 80% 被資料整理與格式更新吃掉。
這也是 Anthropic 金融 agent 的切入點。它不是要直接替分析師找出投資聖杯，而是試圖產出一個約 60% 完成度的研究 workflow：先幫分析師抓資料、串資料庫、更新模型、整理簡報與文件，再由人類用自然語言指出哪裡錯、哪裡要補、哪個環節需要新資料。
Paku 形容，這比較像是一個「速度很快，但仍需要一個口令一個動作的 junior」。價值不在於取代資深分析師，而是把大量低價值工時壓低，讓真正的研究判斷回到人類身上。
最大風險：金融資料錯誤通常是隱性的
不過，Paku 也強調，金融 agent 最大挑戰不是能不能寫報告，而是能不能確保資料正確。
他指出，金融資料更新最麻煩的地方在於，錯誤往往不是顯性錯誤。數字可能「看起來都存在」，但其實完全錯置、邏輯不通或定義錯誤。更麻煩的是，錯誤越往下游擴散，追蹤成本會指數上升。模型、簡報、報告、投資 memo 全部建立在錯誤資料上時，最後要回頭查錯，成本遠高於一開始由人類判斷資料來源與定義。
這正是 junior analyst 會隨時間進步的地方，也就是所謂的 data sense。很多關鍵資訊並不在結構化資料庫，而是藏在 management presentation、earning call、財報附註與公司自定義 metrics 裡。這些資訊不只是「抓得到」就好，還必須知道公司這次改了什麼口徑、哪些指標不能和前期直接比較、哪些數字只是管理層包裝。
類似問題也出現在金融 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過，且銀行家評估其輸出有 0% 達到 client-ready 標準。這說明 AI agent 已能處理部分工作，但距離直接交付高風險金融成果仍有明顯差距。
AI 可以寫 SQL，但不能自由發揮 LTV 與 churn rate
Paku 也指出，若只是簡單資料抓取任務，AI 的確可能非常有效。尤其在現代 ETL 工具已經相當成熟的情況下，若搭配好的介面與人工介入系統，金融 agent 確實有機會提升研究工作流效率。
但真正危險的是，當使用者要求 AI 自行計算較複雜或高度依賴定義的指標，例如分群 LTV、churn rate、單位經濟模型時，如果人類沒有先注入清楚公式與 benchmark，而是讓 AI 自由發揮，結果可能非常危險。原因在於，這些指標不是單純數學題，而是依賴商業定義、資料口徑與產業語境。公式錯一點，整個投資判斷就可能歪掉。
Anthropic 金融 agent 不是「AI 投資聖杯」，也不是讓使用者用兩小時 vibe coding 出年化 2000% 回測引擎的玩具，而是一個試圖重組金融研究工作流的產業工具。
它最可能帶來的改變，是把 analyst 從大量資料更新、Excel 整理、報告排版與簡報製作中釋放出來，讓人類把時間放回判斷：哪些指標重要、哪些趨勢值得追、哪些資料不能信、哪些比較方式會誤導。
這篇文章 Anthorpic 推金融專屬 AI Agent，圈內人曝 Claude 不能取代分析師的關鍵 最早出現於 鏈新聞 ABMedia。
