在阿波罗全球管理公司（Apollo）内部，负责结构化信贷和CLO业务的资产管理公司已在两项核心工作中引入AI智能体，也就是能够自主完成多步骤任务的软件。投资组合经理过去要在Excel中花两到三天搭建的投资组合模型，如今几分钟内就能生成完成度达80%至90%的初稿。原本需要两到三名员工花上数小时的每周交易对账，现在约一分钟即可生成报告。速度固然引人注目，但更有价值的启示藏在背后：在同一个数字可能记录在20个地方、而其中只有一个正确的业务中，自动化之所以奏效，似乎是因为团队先确定了该信任哪些数据。
信贷数据为何难以自动化
CLO即贷款抵押债券，是以一组企业贷款为基础构建的证券。阿波罗旗下的这家CLO管理公司管理着约$500亿资产。它运营着数十个基金实体，以及广泛银团贷款市场（即由众多贷款机构共同参与的大型企业贷款市场）中数千个各有名称的贷款池，每天还会收到数千个新的数据点。
股票和公开交易的债券都有交易所提供的标准化数据，私募信贷和结构化贷款则没有。它们的数据存放在私下协商的文件和定制协议中，包括规定每笔交易的法律合同（即契约文件），以及交易记录和银行对账单。此外，CLO管理非常活跃，要安全地评估风险和执行交易，就离不开团队可以信赖的实时数据。
为了弥补这一缺口，这家管理公司与一家为金融机构开发智能体AI平台的初创公司展开合作。该初创公司的智能体可以自动完成数据工程工作，从文件中提取数字，并在不同系统之间核对数据。目标是从复杂的贷款合同中提取关键计算结果，建立“单一事实来源”，也就是整个业务共同依据的、每个数字唯一的权威版本。
两项工作流程的前后对比
构建CLO投资组合
构建CLO投资组合是一项受规则严格约束的工作。每个投资组合都必须满足其法律契约文件，以及预先设定的现金流瀑布，即流入现金的支付顺序。过去，投资组合经理要先通读长达数百页的法律文件，再花两到三天搭建涵盖200到400个单一信用标的的复杂Excel模型。
如今，智能体会收集实时信用数据，在几分钟内搭建出初始投资组合模型，完成度达到80%至90%。剩下的10%由投资组合经理凭借自己的判断和专业知识加以完善。由于初稿不再需要耗时数天，每一轮修改和复核投资组合的周期都大幅缩短。
核对仓储融资交易
在把贷款打包成CLO并作为证券出售之前，这家管理公司会利用被称为仓储融资额度的银行信贷额度买入并积累贷款。每周都必须有人确认这些买入交易是否已正确结算。
过去，这项核对需要两到三名员工花上几个小时。他们要逐一登录银行账户，把交易结算记录与银行对账单逐笔比对，再为管理层撰写邮件摘要。如今，系统会读取银行记录，并在约一分钟内生成结构化的可视化报告。员工的工作则转向每日的质量把关和异常检查。
| 工作流程 | 过去 | 引入AI智能体后 | 仍由人负责的部分 |
|---|---|---|---|
| CLO投资组合构建 | 在Excel中手工建模，覆盖200到400个信用标的，耗时两到三天 | 几分钟内生成完成度80%至90%的初稿 | 判断并完善最后10% |
| 每周仓储融资交易对账 | 两到三名员工花数小时核对银行记录并撰写邮件 | 约一分钟生成结构化可视化报告 | 每日质量检查与异常审核 |
在这两个案例中，智能体都没有把工作全盘接手。它们以初稿或报告的形式完成大部分工作，相关人员则转而承担判断者和检查者的角色。
▲ AI初稿与人工收尾
现成的AI模型为何不够用
一个显而易见的问题是：为什么企业不能直接把文件交给ChatGPT或Claude这样的公开大语言模型（LLM）？这家信贷管理公司的首席运营官（COO）对此划出了一条清晰的界线。基于互联网数据训练的通用模型适合做宽泛的研究和概念探索，但无法运行专有的信贷工作流程，因为它们无法访问公司的内部账簿、定制的契约文件和经过验证的内部余额。交易和投资组合决策依赖经过验证的专有计算，因此在精度上没有妥协的余地。
数据本身还带来第二个问题。在私募信贷领域，同一个数字可能被记录在公司内外20个不同的来源中，而其中只有一个是真实、确定的数字。要选出正确的那一个，需要一套系统化的规则。这家初创公司的平台把订单管理系统、业绩计算引擎以及彭博等外部市场定价服务商的数据统一起来，整合成一个自动化系统。
准确性之所以如此重要，是因为一个错误数字可能在整个组织中层层扩散。阿波罗服务于全球400多家机构投资者，因此确保数据准确无误，对管理风险和保护资本至关重要。在未来几个月乃至几个季度里，这位COO的首要任务之一，是让投资者报告无需耗费数小时人工对账也值得信赖。这意味着系统必须保证，任何数字在送达投资者之前都没有任何差异，也没有任何幻觉，即AI模型有时会生成的看似合理却错误的输出。数据管道一旦可靠，投资委员会就能完全信任底层数字，迅速采取行动。
信任在业务一线建立
由谁来决定以哪个来源为准、每个数字该如何计算？在这项合作中，初创公司把工程师直接派驻到交易和运营一线，与投资组合经理、财务人员和风险团队并肩工作。这位COO认为，合作之所以成功，是因为初创公司的CEO和工程师们日复一日地坐在阿波罗员工身边工作。
他给所有为金融业打造AI的人的建议是：深入一线。在外部工程师眼中，金融工作流程常常显得奇怪、不合常规或多余。但这些步骤通常有其微妙的法律、监管或结构性原因。开发者不应想当然地认为某个奇怪的流程效率低下，而应观察前台业务人员的日常工作，弄清每个步骤存在的原因。
▲ 深入金融团队的工程师
金融业仍处于早期阶段
软件开发、法律和客户服务已经因AI发生了巨大变化。而在这位COO看来，机构金融仍处于早期阶段。大型金融机构拥有庞大的中后台部门，流程摩擦多、结构复杂，数据出错的代价也十分高昂。
目前金融业的许多AI应用都集中在工作的前端：起草财务模型、汇编背景研究资料、整理公司概况。他认为，与从头到尾改造整个工作流程的长期潜力相比，这类汇总和整合工作的价值相对较低。他还预计，随着时间推移，传统上由初级分析师承担的常规支持工作将会减少，人的角色将转向监督和创造性的交易结构设计。
阿波罗很早就确定了这一方向。早在Cursor等AI编程工具还停留在Tab补全阶段时，公司就得出结论：与其把彼此割裂的单一功能工具拼凑在一起，不如在AI原生的企业平台（即从一开始就围绕AI设计的系统）上重建整个公司。管理层选择拥抱这项技术，而不是轻视或抗拒它；公司扁平、开放的文化也鼓励员工不断提升技能。眼下的一个重要目标，是让投资团队本能地善用技术，让员工习惯性地追问某个传统工作流程为何存在、能否实现自动化。
金融领域的AI最终会不会像微软Excel那样，成为人人都有的基础工具？这位COO预计，拥有精心设计、量身定制的AI战略的公司，将建立起显著而持久的竞争优势。他认为，最大的机会在于依然不透明且复杂的私募市场，而公开市场已经将大部分定价和流动性数据实现了自动化。
如何用于自己的高风险工作
这个案例背后的规律似乎是：当AI智能体负责快速出初稿，而由人掌控哪些数字算数以及最终决定时，AI智能体就能在对准确性要求极高的工作中站稳脚跟。这一经验很可能远不止适用于信贷市场。如果你的工作一旦出错就会带来实际损失，可以从这个案例中归纳出以下几条原则：
- 从重复性的繁重工作入手。 文件信息提取、初版模型、报告起草以及其他后台杂务，都是自然的首批对象。
- 指定权威来源。 当同一个数字存在于多个地方时，与使用它的人一起决定以哪个来源为准，以及这个数字如何计算。
- 先验证，再信任。 把通用大语言模型用于研究和探索，而专有计算以及任何对外发布的数字，都要经过能发现差异和幻觉的验证环节。
- 最后一段由人把关。 即使AI起草了80%至90%的工作，最后10%至20%的决策和签批也应由人负责。
- 把数据录入变成监督工作。 让员工从录入和撰写报告，转向每日的质量把关和异常处理。
- 在一线人员身边开发。 如果你是工具的开发者，就坐到实际干活的人身边，在删除那些看似奇怪的步骤之前，先弄清它们为何存在。
更广泛的启示似乎是：与其再添一个单一功能工具，不如打造一个拥有经过验证的数据和清晰检查机制的平台，后者能带来更持久的优势。