如果一家投资银行每天早上打开一个聊天窗口，让它读完三份财报、跑一遍可比公司分析、生成路演材料，然后在下班前交出一份可以发给客户的pitchbook，那这家投行还需要招那个每周工作100小时的初级分析师吗？
这个问题，OpenAI用一款产品给出了自己的答案。
不是换皮，是换人
2026年9月10日，OpenAI正式发布ChatGPT for Financial Services。这不是通用版ChatGPT加了几条金融指令，而是专为投资银行家和股票研究员量身定制的AI引擎，集成GPT-6 Astra的推理能力，内置来自Daloopa、PitchBook、LSEG News的权威金融数据，由摩根士丹利和Evercore作为设计合作伙伴参与开发。
按OpenAI产品副总裁Nick Turley的说法，“我们在教ChatGPT像分析师那样开展研究，同时也像分析师一样为自己的结论提供依据。”
这不是一句漂亮的宣传词。该产品能实现细粒度的来源追溯，每一组数字、每一个结论都可以追溯到原始监管文件中的具体表格和段落。从财报解读、P&L归一化分析、调整后EBITDA归因，到可比公司分析、杠杆收购模型、买方筛选、pitchbook制作，这些原本覆盖投行初级分析师入职第一年到第三年全部工作内容的场景，已经被一个AI产品完整覆盖。
Turley在媒体简报会上说：“如果你研究一下分析师或者银行家的工作状态，他们每周工作100个小时。”
这个数字不是比喻。华尔街投行的初级分析师“每周100小时”是一个延续了几十年的行业标签，用极端的工作时长换取高薪、高强度和极速的职业成长。而ChatGPT for Financial Services要做的，正是将这种“100小时工作制”中大部分数据处理和材料制作工作，压缩到几分钟完成。
GPT-6 Astra凭什么
GPT-6 Astra于2026年9月3日发布，OpenAI总裁Greg Brockman在发布会上宣称“欢迎来到AGI时代”。这个说法争议不小，但Astra在基准测试上的表现确实打破了行业认知。
在抽象推理测试ARC-AGI-3上，GPT-5.6 Sol得分7.8%，基本等同于失败。Claude Opus 5得分30.2%。GPT-6 Astra得分99.9%，几乎饱和了整个测试。对于金融场景，更有说服力的数字来自OfficeQA Pro，一个测试AI在近百年美国国债公报、复杂金融表格和附注中定位和分析信息的基准。GPT-6 Astra得分69.9%，GPT-5.6 Sol只有60.2%，Claude Fable 5.1得分62.4%。在信息检索和金融推理这两个最关键的能力上，Astra均领先竞品。
在通用终端操作测试Terminal-Bench 4.0上，Astra得分57.9%，Claude Fable 5.1得分55.8%，差距不大但Astra的每任务API估算成本低约63%。而在更直观的测试场景中——Excel世界冠军赛的Financial Modeling World Cup挑战，GPT-6 Astra用计算机操作完成的速度是人类冠军的四倍。
OpenAI将Astra在金融服务领域的能力定义为三个核心支柱：信息检索、金融推理和文档生成。这三个能力恰好对应投行初级分析师最核心的三项工作：找数据、分析数据、产出材料。Astra不是偶然在某个跑分上领先，而是它的能力设计本身就瞄准了金融知识工作者的工作流。
为什么这次不一样
ChatGPT for Financial Services是OpenAI企业产品ChatGPT Work的定制版本。这款产品的诞生路径本身就说明了问题，它不是OpenAI内部拍脑袋想出来的功能，而是摩根士丹利和Evercore作为设计合作伙伴，向OpenAI提出了他们的核心痛点：数据的可靠获取和高品质材料的生产。
解决第一个痛点的方案是内置数据。与市场上流行的“AI+插件”方案不同，ChatGPT for Financial Services将金融数据直接索引并托管在OpenAI的基础设施上。用户无需与数据提供商分别谈判合同、配置MCP连接器，打开产品就可以直接使用。当前内置的数据集来自Daloopa、PitchBook和LSEG News，覆盖财报电话会、财务报表、公司基本面及私营企业信息。
这看起来是一个技术细节，实际上击穿了企业AI落地的核心障碍，也就是部署成本。过去两年，华尔街大行尝试将AI引入核心业务流，最大的阻力从来不是模型能力，而是“如何让模型拿到对的数据”。OpenAI的选择是直接成为数据管道的一部分，而不是让银行自己去搭。
接下来的合作版图更加清晰。OpenAI正在与S&P Capital IQ、LSEG、MSCI、道琼斯Factiva和穆迪合作开发共享登录与授权集成。用户通过ChatGPT登录后，系统会自动识别其已有的数据订阅权限，无需额外配置。同时，OpenAI优化了FactSet和S&P Global等金融数据提供商的MCP连接器性能，并支持超过60个连接器，包括Datasite、Box、Preqin和Intapp。
解决第二个痛点的方案是企业模板。金融机构可以通过专用管理页面自主发布Excel、Word和PowerPoint模板。管理员设置好企业模板及格式规范后，团队成员只需输入分析参数，即可快速将结果转化为符合机构标准的估值模型与专业文档。这解决了投行多年来在“分析师产出标准化”上的人力成本问题，以前需要高级副总裁逐页核对的格式，现在由系统自动保证。
Turley在接受媒体采访时，将该产品与Excel对华尔街的影响相提并论：“我认为，这就像Microsoft Excel改变了这个行业一样，让他们能够更快地完成更好的分析；你会看到类似的技术发挥同样的作用。”
但Excel和AI有一个本质区别。Excel让分析师的计算更快，但分析师仍然是唯一能做判断的人。而ChatGPT for Financial Services已经在“做判断”，它能够跑财务模型、做归因分析、生成客户材料。Excel改变的是“怎么算”，AI改变的是“谁来做”。
华尔街的AI之战早已打响
OpenAI并非第一个瞄准金融垂直领域的AI公司。
Anthropic在2026年5月开源了Claude for Financial Services，一套包含10个专业AI Agent、41项领域技能和11个金融数据连接器的完整技术栈，覆盖股权投资研究、财务分析、估值建模、投资银行和尽职调查等金融工作流。这套系统采用多Agent架构，不同Agent分别负责产业研究、财报分析、估值建模和报告生成，模拟一家投研机构的内部分工。
更早之前，彭博社推出了基于自研大模型BloombergGPT的终端AI助手。
但与竞品相比，OpenAI的打法有两个核心差异。
第一个差异是产品形态。Anthropic选择了开源路线，将Claude for Financial Services作为开发者工具包发布，意味着金融机构需要自己的工程团队来搭建和运维。BloombergGPT则被锁定在彭博终端生态内。ChatGPT for Financial Services走的是开箱即用加SaaS路线，它不是一个开发框架，也不是一个插件，而是一个可以直接使用的产品。对于没有强大AI工程团队的投行来说，这是门槛最低的选择。
第二个差异是模型能力。在多个关键基准上，GPT-6 Astra领先竞品：OfficeQA Pro（69.9% vs Claude Fable 5.1的62.4%）、Terminal-Bench 4.0（57.9% vs Claude Fable 5.1的55.8%，且API成本低约63%）、ARC-AGI-3（99.9% vs Claude Opus 5的30.2%）。在金融服务场景中，这种能力差异直接转化为更精准的财务数据提取和更可靠的归因分析。
但需要客观指出的是，OpenAI在这些基准上的评测条件并非全部第三方独立完成，部分使用了自家测试框架。ARC-AGI-3的99.9%得分是使用OpenAI自家的Provider Adapter Harness测出的结果，第三方评测给出的数字是98.6%，有差距但依然是前所未有的高度。
当“100小时”变成“100秒”
ChatGPT for Financial Services对华尔街的真正冲击，不在技术层面，而在人力结构层面。
投行的初级分析师培养体系，本质上是一个“高消耗-高回报”的过滤模型。每周100小时的工作时长，意味着极高的人员流失率和极快的人才筛选。留下来的人在三年内成长为能够独当一面的副总裁，没有留下的人则带着“投行经历”进入私募、对冲基金或企业战略部门。
这个模型的前提假设是：初级分析师做的数据整理、可比公司分析、pitchbook制作这些“脏活累活”必须由人来完成，因为机器做不了。ChatGPT for Financial Services正在从根本上打破这个假设。
这不是遥远的预言。据2026年3月报道，高盛的“OneGS 3.0”计划已裁撤逾千个岗位，同时推进以AI能力替代传统人力的结构性调整。OpenAI甚至从华尔街雇佣了前投行人员来训练AI做初级银行家的活。当AI推理成本以指数级下降，这种替代的经济账越来越清晰。
更值得关注的是Anthropic和OpenAI两家公司在金融领域的产品几乎同时密集落地的节奏，这本身就说明了一个信号：华尔街的AI需求已经不再停留在“试试看”阶段，而是进入了“必须用”阶段。金融数据巨头S&P Global、LSEG、MSCI、穆迪争相与OpenAI对接共享登录，不是因为它们看好OpenAI，而是因为它们看清楚了方向：金融机构正在从“购买数据+雇佣分析师”模式转向“购买数据+AI Analyst”模式。
翻过这一页
ChatGPT for Financial Services在技术上是一份优秀的答卷，但它的真正意义不在产品本身。
它标志着一个分水岭：大模型第一次进入华尔街的核心业务流，不是作为一个助手或者副驾驶，而是作为一个能够独立完成分析师级别工作任务的同事。从信息检索、数据分析到材料制作，投行初级分析师的核心能力栈已经被完整映射到一个AI产品中。
对于华尔街来说，这意味着一个根本性的问题。如果生成式AI能在几分钟内完成研究、制作推介材料等多步骤任务，投行将不得不重新思考应该如何培养下一代交易人才，以及究竟需要多少这样的新人。学徒制的底层逻辑正在被改写。
对于整个金融行业来说，这或许标志着一个更大趋势的起点。在AI可以“做分析”而非仅仅是“找数据”之后，白领知识工作中最核心的分析-判断-产出闭环，正在被逐步映射到AI系统中。投资银行是第一个被触及的，但不会是最后一个。
而对于那些正在斯坦福和沃顿商学院熬夜准备投行暑期实习面试的学生来说，一个时代正在他们看不到的地方悄然翻页。
一个每周工作100小时的初级分析师，以前是投行的燃料。
当100小时被压缩成100秒，燃料就不再需要了。
快报