Chatham Financial 借助 OpenAI 扩展资本市场咨询:Codex 将交易验证从 30 分钟压缩到 4 分钟以内

发生了什么

2026年10月2日,OpenAI 发布了一篇客户案例,讲述资本市场咨询公司 Chatham Financial 如何用 OpenAI 的产品扩展自身的专业能力。Chatham 为客户的复杂资本市场决策提供咨询,在这个领域里,准确性和可审计性是第一位的。案例的核心数字很直接:借助 Codex 构建的交易验证应用,把单笔交易的复核时间从约 30 分钟压缩到 4 分钟以内。

需要先说明一点。这是一篇由厂商发布的客户案例,数字来自 Chatham 的早期测量,并非独立第三方评测。Chatham 自己也强调,他们正在用真实交易和资深复核人员的结果来检验这个应用,验证完成之前不会扩大自动化范围。读这篇报道时,应把「30 分钟降到 4 分钟」看作一个值得关注的早期信号,而不是已经定论的结论。

三条产品线,一套方法

Chatham 的 AI 工作可以分成三块。第一块是员工自建应用,依托内部平台 Chatham Vibes。第二块是新一代资本市场操作系统 Chatham Onyx。第三块是面向客户的流程再造咨询服务 Process Zero。三者共用同一个底层思路:先定义想要的结果,找出哪些环节真正需要人的判断,再决定如何用 AI 和 AI 构建的工具来交付。

OpenAI 在这里扮演两种角色。Codex 是开发工具,用来构建内部和面向客户的软件。GPT-5.6 系列模型则是应用内部的 AI 引擎,负责分析、总结和检索。

CEO Matt Henry 的表述很能说明态度:公司并不把 AI 看成「让每个流程跑得更快」的手段,而是从目标结果出发,识别判断发生在哪里,然后用现有能力设计最合适的交付方式。

Process Zero 与交易验证的运作机制

Process Zero 围绕结果重新设计工作流。对每个流程,Chatham 先确认所需的最少输入和证据,再确定哪些步骤必须由人判断,最后决定 AI 和 AI 构建的工具承担什么角色。 交易验证是第一个范例。Chatham 的控制与数据完整性团队负责保证交易数据的准确,即核对系统里的每条记录,是否与客户授权的内容和实际执行的内容一致。过去这是靠人工逐笔完成的,每笔大约 30 分钟。

Chatham 用 Codex 开发了一个交易验证应用。它做三件事:收集支持该交易的证据材料,比对关键条款,标记出差异供人复核。注意最后一步:应用只负责标出差异,是否有问题仍由人来定。这种设计让审计链条保持清晰,因为每个结论都能追溯到具体的证据和比对结果。 Co-head of AI Advisory 的 Alex Nordlinger 说,早期测量显示复核时间从约 30 分钟降到不足 4 分钟。他同时强调,同样重要的是,他们正在拿真实交易和经验丰富的复核人员做对照,验证表现之后才会扩大自动化。Chatham 计划把这个应用扩展到更多交易类型,在保持适当控制与专业监督的前提下自动化更多环节。

员工自建应用:Chatham Vibes

Chatham 面向客户的 AI 工作源于自身的运营经验。员工在研究、分析、起草和软件开发等日常活动中使用 ChatGPT 和 Codex。进一步,员工通过 Chatham Vibes 成为构建者。这是一个内部平台,让员工为自己的工作创建定制应用。

员工可以用多种模型构建,但 Vibes 应用内部的 AI 功能默认运行在 GPT-5.6 Terra 上,并可按每个应用的配置升级到 GPT-5.6 Sol。这是一种常见的分层思路:默认用成本更合适的模型,需要时再向上选。

这些应用越来越多地支持面向客户的工作流。案例里列出的有:帮助团队复核即将到期的利率上限(maturing-cap)交易,并准备定价工作簿和客户沟通材料;制作固定收益利率表;准备对冲仪表盘;复核交易确认书。市场背景、客户理解和判断仍由 Chatham 的专业人员提供,他们评估成果、必要时修改,并决定哪些内容送达客户。

Chatham Onyx 的模型路由

Chatham Onyx 把资产、债务和衍生品放进同一个环境,客户和顾问可以基于互联、受治理的数据工作,使用 AI 时仍可追溯到底层来源。 Chatham 在 Onyx 的整个开发周期里使用 Codex,包括规划、构建、测试、编写文档和代码评审,缩短了从概念到可持续产品能力的路径。CTO John DeGuenther 的说法是,Codex 帮助团队更快把产品愿景变成可用能力,而对准确性、安全性和责任的标准保持不变。

Onyx 平台使用 GPT-5.6 Sol、GPT-5.6 Terra、GPT-5.4 和 GPT-4.1 四种模型。简单分析和非生产环境测试被路由到最具成本效益的模型,复杂且需要最大化准确性与价值的任务则使用 GPT-5.6。ChatFIN 是一个例子:它总结历史市场数据中的规律,帮助用户理解自己的投资组合,并定位、链接到债务、衍生品和租赁条款的法律文件。 这种多模型路由对企业开发者有参考价值。它把「用哪个模型」变成一个按任务风险和成本做出的工程决策,而不是一刀切的选择。

对企业与开发者的意义

第一,受监管、重审计的行业有了一个可参照的落地方式。Chatham 没有把 AI 当作黑箱替代专家,而是让它做结构化比对、整理证据、识别例外,把人留在判断环节。COO Mike Noonan 说得很清楚:公司的约束从来不是专业能力,而是专家花在抵达「可以运用专业」那一步之前的时间。

第二,代码生成工具正在进入金融软件的完整生命周期。Codex 不只用于写代码,还用于规划、测试、文档和评审。这对工程团队意味着流程要随之调整,比如评审标准、测试覆盖和责任划分不能因为工具变快而放松。

第三,员工自建应用带来治理问题。Vibes 让业务人员自己造工具,速度提升,但也需要模型选择、数据权限和上线审查的约束。案例中没有披露 Chatham 具体的治理机制,这一点读者应当留意。

局限与展望

有几点需要谨慎看待。30 分钟到 4 分钟是早期测量,样本规模、交易类型和对照方法没有公开。案例也没有给出错误率、漏报率或成本数据。「更易审计、更准确」目前是目标,而非已公布的结果。

下一步,Chatham 计划把交易验证扩展到更多产品,继续完善员工自建应用,并用 Codex 帮助开发 Onyx 的新能力。值得关注的是,验证数据何时公布,以及自动化范围扩大后,人工复核与自动结果之间的分歧如何处理。

对行业而言,这个案例代表一个趋势:企业不再只问「AI 能让现有流程快多少」,而是问「如果从结果出发,这个流程应该怎么设计」。能否把这种思路复制到别的金融流程,取决于数据质量、控制框架和对人工判断边界的清晰界定。