How OpenAI Built ChatGPT for Bankers and Analysts — Joseph Kim, OpenAI
三句話摘要
ChatGPT for Financial Services的設計理念、技術實現與2027年金融工作的未來預測 現在應該開始設計那些在模型跨越可用性門檻時才能發揮價值的產品與體驗,以便搶在競爭者之前做好準備。 Capability Overhang問題:儘管模型能力進步極快,從解高中數學進展到推翻數十年猜想,金融專業人士在日常工作中獲得的實際價值卻沒有同步提升。正確的產品體驗——而非單純更強大的模型——才能縮小這個差距。
重點整理
Capability Overhang問題:儘管模型能力進步極快,從解高中數學進展到推翻數十年猜想,金融專業人士在日常工作中獲得的實際價值卻沒有同步提升。正確的產品體驗——而非單純更強大的模型——才能縮小這個差距。
數據與後訓練策略:團隊直接授權與托管金融數據而非依賴MCP連接器,透過後訓練讓模型更深入熟悉金融數據的細節,類似從初級分析師讀說明書進階到資深分析師有二十年實務經驗的差異。
用戶體驗設計的關鍵:內建公司特定模板、引用檢視器、互動金融圖表等功能,使模型輸出能直接融入現有工作流程,大幅減少格式調整時間,讓金融專業人士能立即使用模型生成的成果。
模型進展的三大驅動力與「解除束縛」:擴大計算規模、改進演算法,以及未來的持久型代理系統,使AI能記住目標與背景、在背景持續工作,讓人與AI的互動更接近人與人的協作方式。
實用技巧與重點
- 數學能力的進展軌跡
- 2023年:GPT-4在SAT高中數學得700/800分
- 2025年:OpenAI模型在國際數學奧林匹克獲金牌
- 2026年初:內部模型推翻自1946年來的數學猜想
- 2026年近期:內部模型提出Navier-Stokes千禧年大獎問題解決方案,發表719份數學研究論文跨372個結果系列
- Codex使用率轉折
- 2026年初:金融、法律、招聘領域AI輸出幾乎無Codex
- 2026年6月:占比達約90%
- 轉折點:2026年2-3月Codex桌面應用推出
- 產品核心功能
- 整合數據來源:財務報表、盈利電話會議逐字稿、市場與非上市公司數據
- 模板系統:公司核准的電子表格與簡報模板
- 引用檢視器:查看答案背後的來源段落與表格
- 互動金融圖表:直接在ChatGPT內探索股價與財務指標
- 技術構建塊
- MCP工具與連接器提供數據存取
- 引用元數據與MCP應用程式驅動來源檢查
- 技能與共享工件工具指導財務工作流程
- 已解決的技術障礙
- 數據牆:透過合成數據生成技術解決
- 上下文長度限制:透過稀疏注意力與壓縮解決
- 對齊與安全問題:持續進行中
- 2027年金融工作三大預測
- 人們很少或從不依賴Excel和PowerPoint製作財務模型或簡報
- AI財務分析師像人類同事運作:記住偏好與背景、擁有任務所有權、主動跟進、在你忙於其他事務時持續工作
- 模型超越最優秀人類專家:盈利預測、投資理念開發等經濟上重要的前瞻性判斷
結論
現在應該開始設計那些在模型跨越可用性門檻時才能發揮價值的產品與體驗,以便搶在競爭者之前做好準備。
完整解析
Joseph Kim在演講中介紹了OpenAI剛推出一個月的ChatGPT for Financial Services。這個產品針對投資銀行與股權研究等金融專業人士開發,旨在解決一個名為「能力過剩」(capability overhang)的核心問題。儘管大語言模型的性能在過去幾年大幅躍進——從解決高中數學題進展到推翻數十年的數學猜想、提出千禧年大獎問題的解決方案——但金融專業人士在實際工作中獲得的價值卻沒有同步提升。他以Codex的成功案例說明,當產品體驗改善時,使用者採納率會急速攀升。2026年初金融、法律、招聘領域的AI輸出中幾乎無Codex,但Codex桌面應用在2-3月推出後,到6月的占比已躍升至約90%。這個轉折點說明了產品設計對讓非技術領域的專業人士實際應用AI的重要性。
為了縮小能力與應用之間的落差,團隊在三個核心領域投入心力。首先是金融數據的整合:他們不只透過MCP協議給模型簡單的存取權限,而是直接授權並自行托管財務報表、盈利電話會議、市場與非上市公司數據,使用與網頁搜尋相同的基礎設施建立搜尋索引。這樣做不僅提升了品質控制和可靠性,更重要的是透過後訓練讓模型更深入熟悉這些數據——如同從一份說明書進階到一位有二十年經驗的資深分析師。其次是為金融專業人士量身設計的介面,包括引用檢視器讓使用者檢查數字來源、互動金融圖表讓他們直接探索股價與財務指標,以及最關鍵的公司特定模板系統,確保生成的Excel模型與PowerPoint簡報能直接符合組織的格式與工作流程需求,大幅減少額外調整時間。
展望未來,Joseph強調模型進展的多重驅動力與「解除束縛」的重要性。在過去幾年,計算規模擴大與演算法改進是主要驅動力,但2024-2025年來強化學習與推理能力成為新的進展引擎。許多曾經的技術擔憂——如資料牆與上下文長度限制——都已透過合成資料生成、稀疏注意力等創新技術得到解決。他預計到2027年底,模型將在越來越多領域的困難任務上超越人類頂尖專家。解除束縛的下一步是開發持久型代理系統,能記住目標與背景、在背台持續工作,使人與AI的互動更接近人與人的真實協作。
他最後提出對2027年金融工作的三個預測:人們將很少使用Excel與PowerPoint手動製作財務模型或簡報;AI分析師將像人類同事一樣運作,記住偏好、主動跟進、持續工作;模型將超越最優秀人類專家在盈利預測與投資評估等經濟上重要任務的表現。


