金融行业靠信息、判断和执行赚钱，看上去最该被通用人工智能率先改造。但现实并未如此：华尔街至今没有被OpenAI、Anthropic这类通用模型厂商主导。Rogo联合创始人Gabe Stengel在参加Invest Like The Best播客、与主持人Patrick O'Shaughnessy对话时，对个中原因给出了一套颇为务实的解释——决定胜负的并非模型聪不聪明，而是一家公司对金融业务理解得够不够深。
模型能力够用，行业准入门槛才是真正难关
在Gabe看来，金融AI的瓶颈不在技术指标，而在能否获得机构放行。OpenAI与Anthropic追求的是把千亿美元级收入推向万亿美元级规模，因此选择横向覆盖尽可能多的场景；金融业的需求方向恰好相反。金融机构要求完整呈现每一项决策的来龙去脉，留存经得起监管审查和法庭调证的合规记录，并且对每一个数字出自何处都能交代清楚。通用模型目前给不出这套东西，更谈不上让金融机构愿意签字承担责任的版本。
他举了虚拟数据室的例子。并购交易中数据室这类业务琐碎、受监管约束、标准化程度低，利润并不算诱人。Gabe的原话是："OpenAI永远不会想建立数据室业务。"（"OpenAI will never want to build a data room business."）可这类并不光鲜的工作，正是金融流程里无法跳过的组成部分。
聊天界面只是冰山一角，一半工作量藏在水下
Rogo大约有一半的工作发生在用户看不见的地方。表面上客户只是在界面上聊几句，背后系统要自动对接会计系统、CRM、投资组合监控以及LP分发系统等多个后台。决定产品能否真正投入使用的，不是对话框，而是这些水面之下的集成。
这也能解释Rogo团队为何配置了100多名曾在投行或顶级机构任职的人员。缺少这支队伍，产品团队根本弄不清交易流程涉及哪些系统、每个环节在什么时点需要何种数据。模型会写代码，可它并不知道该接入哪一个系统。
金融业最昂贵的资产存在于资深专家的头脑中——那些从未被写下来的非结构化判断、经验与推理逻辑。Gabe认为，AI在金融领域最核心的任务，是把这类隐性知识搬进企业自己持有并管理的系统中，使之成为组织化、可长期留存的资产。Rogo内部的做法是将会话100%记录，过滤后纳入所谓"公司大脑"，把会议、决策和历史案例整理成结构化资料。个人直觉一旦沉淀到系统里，就不会再因人员离开而消失，这才是垂直应用的真正壁垒。他对此的表述是："我们需要搞清楚如何将你最优秀专家的隐性知识转移到你拥有和管理的系统中。"（"We need to figure out how to transfer the tacit knowledge of your best experts into the system you own and manage."）
入局太早反成劣势
应用型AI存在一种先发劣势：模型尚未成熟时产品就抢先上市，用户试用后往往只留下"太难用"的评价。负面印象一旦形成，品牌就背上负担，等到模型能力终于达标，市场早已把这家公司排除在外。
Rogo自己有过教训——团队早期尝试在GPT-3问世前解决金融计量问题，得到的结果完全不可用。由此得到的经验是：看准方向不代表可以提前进场，时机判断出错，正确的判断也会导向失败的结果。
按结果收费，销售标的从软件转向结果
金融软件长期按坐席计价，原因在于客户已经习惯Bloomberg和FactSet的定价方式。Gabe判断这套模式难以维系：按人头收费无法覆盖AI带来的成倍效率提升。金融客户愿意为一个有价值的投资思路支付5万美元，而不愿为每月100美元的软件授权买单。
他倾向于转向按绩效计费——针对每一个成功的投资想法、每一个搭建完成的财务模型收费。工具属性在退潮，结果交付属性在增强。销售的标的从软件使用权变成结果本身，定价逻辑也从成本定价转向价值分成。
通用巨头会不会反手吞掉垂直层
反方观点很现实：假如OpenAI推出能力足够强的行业微调接口或Agent商店，垂直应用的价值可能只剩销售渠道。模型能力每提升一步，垂直层就薄一层，这是所有应用型公司都要面对的降维压力。
Gabe的回应是，深度不是靠接口就能获得的。合规审计链路、与几十个后台系统的对接、已经系统化的隐性知识，都需要一支懂行业的团队在现场逐项完成。通用巨头能提供更强的模型，却不会替你去承担这些苦活。护城河不在模型层，而在模型层之下，那恰恰是巨头最不愿意涉足的地方。
他对行业走向还有一个更激进的判断："10年内，世界顶级投资公司和银行90%的价值将不再由人构成，而是软件、数据和系统。"（"In 10 years, 90% of the value of the world's best investment firms and banks will not include people, but software, data, and systems."）
小结：按Gabe Stengel的逻辑，通用大模型厂商进不了金融业的核心岗位，原因在合规追溯、后台系统集成与专家隐性知识这三道门槛，而非算力或模型分数。对垂直AI公司而言，短期机会来自把这些枯燥工作做扎实，并考虑把收费方式从坐席转向按结果分成；对通用模型厂商而言，即便推出Agent商店，也未必能替客户消化掉这些线下整合带来的成本。