当大模型从“写文案、做客服”走向“看财报、比观点”，金融机构对AI的使用正在进入更敏感的腹地。
发生了什么
据OpenAI披露，资产管理公司Franklin Templeton正在用OpenAI的模型能力支持投资研究，起点是股票研究。具体做法是开发一套AI工作流，帮助组合经理（portfolio manager）比对不同的研究观点、审视投资风险。
需要说明的是，公开信息只给出了方向性描述：应用场景是股票研究，功能指向“观点比对”和“风险审视”，并未披露模型选型细节、部署规模、覆盖的资产范围或上线时间。因此，把它理解为一项正在推进中的能力建设，比理解为已全面铺开的系统更准确。
为什么重要
投研是金融业里最难被工具化的一环。它依赖大量非结构化信息——研报、纪要、财报附注、行业访谈——并且高度依赖人的判断。过去这类工作的“提效”主要靠数据终端和搜索，本质上仍是把信息摆到人面前，由人做归纳和对照。
大模型带来的变化在于，它可以承担“初步归纳与交叉比对”这一层。组合经理面对的核心痛点往往不是缺少信息，而是信息过载且彼此矛盾：不同分析师对同一家公司给出方向相反的结论，卖方与内部观点分歧，风险点散落在多份文档里。让模型把这些观点结构化、把分歧点标出来，属于典型的语言处理任务，也正好落在当前模型能力较有把握的区间。
另一个值得注意的信号是买方机构的姿态。相比把AI用于营销物料或内部知识库，直接接入投资决策的支持环节，意味着机构对输出质量、可追溯性和合规审查提出了更高要求。这类项目通常不会追求“全自动”，而是把AI放在人之前的一层，做筛选和提示，最终判断仍由人完成。
影响与看点
对行业而言，这是一个可复制的模板：不从最难的择时或组合构建切入，而从研究观点的整理与比对切入，风险可控、价值可感知。若这类工作流被验证有效，接下来可能向合规审查、尽调材料整理、客户报告生成等相邻环节延伸。
对开发者来说，真正的门槛不在模型调用，而在数据治理与评测。投研场景对“引用来源”“观点归属”“是否遗漏反面证据”极为敏感，工程重点会落在检索、溯源和一致性校验上，而不是提示词技巧。
需要冷静看待的是，公开信息尚不足以判断实际效果。观点比对做得好不好，取决于模型能否准确区分“事实陈述”与“分析师判断”，以及在信息冲突时是否敢于呈现分歧而非强行给出结论。这是此类系统最容易失分的地方。
一个独立判断：金融机构采用大模型的节奏，正在从“能不能用”转向“敢不敢把哪一步交出去”。Franklin Templeton这个案例的价值，不在于它用了哪家模型，而在于它划出了那条界线——AI做信息的整理者，人做判断的承担者。
