在金融行业数字化转型加速的当下，一场关于人工智能革命的深度对话正在CFA协会引发关注。近日由高级研究主管Rhodri Preece主持的圆桌会议中，多位专家围绕Agentic AI（智能体AI）对工作流、投资流程和治理结构的重塑展开探讨，揭示出这场技术变革如何从工具层面升维至行业范式重构。
技能驱动：AI工作流构建路径
过去金融从业者依赖Python库搭建AI系统的时代正在落幕。Brian Pisaneschi指出，"技能（Skills）"这一新标准通过Markdown文件描述工作流程，使分析师无需编程即可创建智能体应用。这种转变不仅降低了技术门槛，更将AI从辅助工具升级为核心枢纽——MCP（模型上下文协议）服务器的普及成为关键推动力。
MCP服务器让大型语言模型能原生对接外部数据API，彻底改变了传统金融分析模式。过去分析师需手动登录彭博终端提取数据再导入Excel，如今只需与AI平台交互即可完成任务。"人工智能会自主判断并启动对话流程"，Pisaneschi强调这种模式的简洁性与可迭代性：通过不断纠错完善技能文件，即使模型未升级也能构建强大工作流。
合成数据突破历史瓶颈
金融数据缺失问题长期困扰行业，但生成式AI带来的合成数据技术正在打开新维度。James Tate展示的应用场景显示，分析师可通过输入通胀、收益率等宏观变量，让AI模拟投资组合的可能路径。这种非线性、无预设分布假设的方法，在压力测试和回测策略中展现出独特价值。
传统插值法依赖历史经验，而合成数据技术能突破这一局限。"模型可以学习宏观经济变量与收益间的潜在关系"，Tate指出这为动态市场环境提供了灵活解题方案。不过他也提醒，这种创新仍需解决如何根据经验收益调整模拟路径的难题，凸显出生成式AI在金融领域应用的复杂性。
模型选择中的成本博弈
开源与专有模型的选择正在重塑行业格局。Pisaneschi坦言，虽然OpenAI等专有模型具备"赢家通吃"的优势——通过并行化和工具框架优化实现快速扩展，但其高昂API调用费用促使机构转向本地小型语言模型（SLM）。"训练高质量数据集后，本地运行SLM几乎免费"，这种成本控制策略正在成为行业新趋势。
不过专有模型的可扩展性优势依然显著。Tate举例说明，通过API批量发送5万次请求24小时内即可获得结果，而开源方案需要大量基础设施投入。这种博弈折射出金融AI应用的深层矛盾：在追求效率与隐私保护、成本控制之间寻找平衡点。
圆桌讨论最终指向一个核心命题——技术革新必须伴随治理升级。当AI展现出"损失厌恶"等人类偏见时，金融机构需建立更完善的红队演练机制来识别和修正模型缺陷。正如Pisaneschi所言："通过持续任务迭代增强系统信任度，是赢得AI时代金融话语权的关键。"这场关于智能体AI的对话，正在为行业绘制一幅充满机遇与挑战的新图景。
