01.
AI开始进入金融行业最难的一类任务
Hebbia是一家金融AI产品公司，它主要服务机构金融客户，包括全球前50大资产管理公司中的三分之一以上，以及大型投资银行和律师事务所。
客户需要处理的通常不是几页公开信息，而是数百甚至数千份高度复杂的文件，包括上市公司公告、信贷协议、补充协议、内部材料、CRM数据以及交易数据室中的非结构化文件。
在这些场景中，AI面临的难题不只是“能不能找到答案”，而是：
-
能不能找对信息； -
能不能理解信息之间的关系； -
能不能同时处理一个请求中的多个子任务； -
能不能把每个结论准确地对应到原始出处。 -
一个数字或条款理解错误，都可能影响一笔交易的估值、风险判断和最终决策。
Hebbia没有简单地把Claude接入一个聊天界面，而是开发了一套名为Matrix的工作平台。
用户可以用自然语言提出任务，Hebbia的meta-prompting系统先把任务拆解成多个具体步骤，再由Claude在数百份文件中分别执行检索、分析和综合。
每个问题的答案都会进入Matrix中的一个独立单元格，并保留对应的证据和引用来源。（如上图）
这使整个分析过程能够被查看、追溯、调整和重新运行，而不是只得到一个无法解释的最终答案。
02.
新模型上线前，先过业务自己的考试
案例中另一个重要细节，是Hebbia并不直接相信通用模型排行榜。
每当Anthropic发布新模型，Hebbia的应用AI研究团队都会让新模型与现有模型进行正面对比，使用的是公司自己建立的金融专业评测体系。
其中一类测试，是要求模型阅读金融文件、回答问题并找到准确引用；另一类测试，则让模型进入Hebbia的智能体系统，完成真实客户常见的开放式、多数据源分析任务。
在Hebbia的内部测试中，Claude Fable 5在金融文档问答与引用任务上的准确率，相对上一代模型提高约20%，是该团队记录到的最大单次提升。
引用匹配水平基本保持稳定，这意味着提升主要来自模型对证据的理解和综合能力，而不是简单找到更多相似文本。
在多任务测试中，Fable 5还表现出一个对智能体非常关键的能力：它能够持续记住一个复杂请求中的所有组成部分，调用不同子智能体和工具获取信息，分别回答问题，并为每项结论提供出处。
这可能比单项问答准确率更重要。
很多模型能够完成一个问题，却容易在长任务中丢失部分要求。真正的专业工作通常不是一次问答，而是一条由十几个甚至几十个步骤组成的任务链。
只有模型能够长期保持目标、上下文和约束，AI才可能从工具升级为工作流的一部分。
需要说明的是，20%的相对准确率提升来自Hebbia内部评测，由Anthropic客户案例披露，并非独立第三方测试结果。
但它仍然说明一个趋势：企业评估模型的标准，正在从通用benchmark转向“能否完成我们的真实工作”。
03.
从提取条款，到完成信贷审查初稿
以信贷业务为例，一笔交易可能涉及信贷协议、修改文件、附函和其他补充材料，每份文件都可能有数百页。
过去，Hebbia使用早期的Sonnet和Opus模型，已经能够从这些文件中提取并汇总covenants，也就是贷款人为保护自身利益设置的财务和经营约束条款。
到了Claude Fable 5，Hebbia希望把AI的工作向后延伸：
-
先从大量文件中提取完整条款； -
再将条款与实时经营和监测数据进行比较； -
识别可能触发的风险； -
生成信贷条款审查的初稿； -
进一步形成内部研究备忘录。
这类工作过去通常由专业团队手工完成，部分金融机构还会花费较高费用委托外部团队制作。
这同时意味着AI替代的已不再是某一个简单动作，而是在逐步覆盖一段端到端的专业流程。
不过，Hebbia并没有因此把所有任务交给一个模型一次性完成。
相反，它正在采用Claude Agent SDK，将复杂任务拆分成更小、更稳定、可重复执行和可检查的步骤。
因为金融机构不仅关心最终结果，还需要控制哪些文件能够进入分析、每一步使用什么规则，以及结果如何被验证。
Hebbia团队的判断是：无论模型多么强大，工作分解仍然非常重要。
这或许也是这个案例最值得企业学习的地方。高性能模型并不会自动形成可靠的业务系统。真正可落地的AI工作流，仍然需要任务拆解、数据边界、过程控制、结果验证和人工判断。
04.
AI没有消灭投行工作，而是在重新分配专业时间
在传统工作模式下，当一名董事总经理需要准备一份面向企业CEO的交易提案时，初级投行人员可能需要两三天时间了解公司、提取财务数据并制作演示材料。
随着早期AI模型进入流程，初稿时间首先被缩短了12至24小时；采用早期Opus模型后，端到端处理进一步降至约一天。
如今，Hebbia已经把这项工作固化为Matrix中的一套确定性智能体步骤：系统从不同数据源收集信息，完成分析，并在几分钟内生成初步的演示文稿、财务模型和内部研究材料。
被节省下来的时间，并不意味着银行家已经没有工作。
他们仍然需要判断应该接触哪些潜在买家，如何设计交易方案，如何定位一家公司，以及哪些风险值得进一步调查。
这些涉及关系、经验、商业判断和责任承担的工作，暂时仍然主要由人完成。
因此，AI带来的变化更准确地说是：把专业人员的时间，从资料搬运、格式制作和重复分析，转向判断、沟通和决策。
两三年前，Hebbia客户最常问的问题还是：AI会不会产生幻觉？计算是否准确？
现在，客户的问题已经变成：
-
怎样自动化更多工作？ -
怎样把更多步骤连接起来？ -
怎样一次生成10份、15份甚至20份高质量且一致的演示材料？ -
这说明企业使用AI的关注点正在发生明显变化：从“AI是否可用”，转向“多少工作可以被重新设计”。
Hebbia案例并不能证明金融尽调已经可以完全无人化。但它展示了一个越来越清晰的方向：
当模型能力、专有数据、业务评测和智能体流程被组合起来，AI就不再只是一个提高个人效率的助手，而会开始重新定义专业工作的流程、分工和交付周期。
真正拉开差距的，也不只是企业使用了哪一个最新模型，而是谁能够更早把专家经验、数据和工作步骤，沉淀成一套可以由人和AI共同执行的组织能力。
如果您遇到消费AI方面的问题与困惑，欢迎各位与我们一起学习交流！
-END-
📍关注消费AI进化体｜赋能组织AI转型
我们聚焦大消费行业（餐饮、零售、快消）的AI转型升级，坚信人在AI技术变革下起关键作用，以最精炼的方式帮助管理者掌握推动AI组织团队升级的框架、方法、工具，从而更好推动 AI 在团队中的真实落地，提升团队效能和组织上限。
业务合作：贝老师13392164760（微信同号）
媒体·投资·培训·峰会