Chatham Financial 藉助 OpenAI 擴充套件資本市場諮詢:Codex 將交易驗證從 30 分鐘壓縮到 4 分鐘以內

發生了什麼

2026年10月2日,OpenAI 釋出了一篇客戶案例,講述資本市場諮詢公司 Chatham Financial 如何用 OpenAI 的產品擴充套件自身的專業能力。Chatham 為客戶的複雜資本市場決策提供諮詢,在這個領域裡,準確性和可審計性是第一位的。案例的核心數字很直接:藉助 Codex 構建的交易驗證應用,把單筆交易的複核時間從約 30 分鐘壓縮到 4 分鐘以內。

需要先說明一點。這是一篇由廠商釋出的客戶案例,數字來自 Chatham 的早期測量,並非獨立第三方評測。Chatham 自己也強調,他們正在用真實交易和資深複核人員的結果來檢驗這個應用,驗證完成之前不會擴大自動化範圍。讀這篇報道時,應把「30 分鐘降到 4 分鐘」看作一個值得關注的早期訊號,而不是已經定論的結論。

三條產品線,一套方法

Chatham 的 AI 工作可以分成三塊。第一塊是員工自建應用,依託內部平臺 Chatham Vibes。第二塊是新一代資本市場作業系統 Chatham Onyx。第三塊是面向客戶的流程再造諮詢服務 Process Zero。三者共用同一個底層思路:先定義想要的結果,找出哪些環節真正需要人的判斷,再決定如何用 AI 和 AI 構建的工具來交付。

OpenAI 在這裡扮演兩種角色。Codex 是開發工具,用來構建內部和麵向客戶的軟體。GPT-5.6 系列模型則是應用內部的 AI 引擎,負責分析、總結和檢索。

CEO Matt Henry 的表述很能說明態度:公司並不把 AI 看成「讓每個流程跑得更快」的手段,而是從目標結果出發,識別判斷髮生在哪裡,然後用現有能力設計最合適的交付方式。

Process Zero 與交易驗證的運作機制

Process Zero 圍繞結果重新設計工作流。對每個流程,Chatham 先確認所需的最少輸入和證據,再確定哪些步驟必須由人判斷,最後決定 AI 和 AI 構建的工具承擔什麼角色。 交易驗證是第一個範例。Chatham 的控制與資料完整性團隊負責保證交易資料的準確,即核對系統裡的每條記錄,是否與客戶授權的內容和實際執行的內容一致。過去這是靠人工逐筆完成的,每筆大約 30 分鐘。

Chatham 用 Codex 開發了一個交易驗證應用。它做三件事:收集支援該交易的證據材料,比對關鍵條款,標記出差異供人複核。注意最後一步:應用只負責標出差異,是否有問題仍由人來定。這種設計讓審計鏈條保持清晰,因為每個結論都能追溯到具體的證據和比對結果。 Co-head of AI Advisory 的 Alex Nordlinger 說,早期測量顯示覆核時間從約 30 分鐘降到不足 4 分鐘。他同時強調,同樣重要的是,他們正在拿真實交易和經驗豐富的複核人員做對照,驗證表現之後才會擴大自動化。Chatham 計劃把這個應用擴充套件到更多交易型別,在保持適當控制與專業監督的前提下自動化更多環節。

員工自建應用:Chatham Vibes

Chatham 面向客戶的 AI 工作源於自身的運營經驗。員工在研究、分析、起草和軟體開發等日常活動中使用 ChatGPT 和 Codex。進一步,員工透過 Chatham Vibes 成為構建者。這是一個內部平臺,讓員工為自己的工作建立定製應用。

員工可以用多種模型構建,但 Vibes 應用內部的 AI 功能預設執行在 GPT-5.6 Terra 上,並可按每個應用的配置升級到 GPT-5.6 Sol。這是一種常見的分層思路:預設用成本更合適的模型,需要時再向上選。

這些應用越來越多地支援面向客戶的工作流。案例裡列出的有:幫助團隊複核即將到期的利率上限(maturing-cap)交易,並準備定價工作簿和客戶溝通材料;製作固定收益利率表;準備對沖儀表盤;複核交易確認書。市場背景、客戶理解和判斷仍由 Chatham 的專業人員提供,他們評估成果、必要時修改,並決定哪些內容送達客戶。

Chatham Onyx 的模型路由

Chatham Onyx 把資產、債務和衍生品放進同一個環境,客戶和顧問可以基於互聯、受治理的資料工作,使用 AI 時仍可追溯到底層來源。 Chatham 在 Onyx 的整個開發週期裡使用 Codex,包括規劃、構建、測試、編寫文件和程式碼評審,縮短了從概念到可持續產品能力的路徑。CTO John DeGuenther 的說法是,Codex 幫助團隊更快把產品願景變成可用能力,而對準確性、安全性和責任的標準保持不變。

Onyx 平臺使用 GPT-5.6 Sol、GPT-5.6 Terra、GPT-5.4 和 GPT-4.1 四種模型。簡單分析和非生產環境測試被路由到最具成本效益的模型,複雜且需要最大化準確性與價值的任務則使用 GPT-5.6。ChatFIN 是一個例子:它總結歷史市場資料中的規律,幫助使用者理解自己的投資組合,並定位、連結到債務、衍生品和租賃條款的法律檔案。 這種多模型路由對企業開發者有參考價值。它把「用哪個模型」變成一個按任務風險和成本做出的工程決策,而不是一刀切的選擇。

對企業與開發者的意義

第一,受監管、重審計的行業有了一個可參照的落地方式。Chatham 沒有把 AI 當作黑箱替代專家,而是讓它做結構化比對、整理證據、識別例外,把人留在判斷環節。COO Mike Noonan 說得很清楚:公司的約束從來不是專業能力,而是專家花在抵達「可以運用專業」那一步之前的時間。

第二,程式碼生成工具正在進入金融軟體的完整生命週期。Codex 不只用於寫程式碼,還用於規劃、測試、文件和評審。這對工程團隊意味著流程要隨之調整,比如評審標準、測試覆蓋和責任劃分不能因為工具變快而放鬆。

第三,員工自建應用帶來治理問題。Vibes 讓業務人員自己造工具,速度提升,但也需要模型選擇、資料許可權和上線審查的約束。案例中沒有披露 Chatham 具體的治理機制,這一點讀者應當留意。

侷限與展望

有幾點需要謹慎看待。30 分鐘到 4 分鐘是早期測量,樣本規模、交易型別和對照方法沒有公開。案例也沒有給出錯誤率、漏報率或成本資料。「更易審計、更準確」目前是目標,而非已公佈的結果。

下一步,Chatham 計劃把交易驗證擴充套件到更多產品,繼續完善員工自建應用,並用 Codex 幫助開發 Onyx 的新能力。值得關注的是,驗證資料何時公佈,以及自動化範圍擴大後,人工複核與自動結果之間的分歧如何處理。

對行業而言,這個案例代表一個趨勢:企業不再只問「AI 能讓現有流程快多少」,而是問「如果從結果出發,這個流程應該怎麼設計」。能否把這種思路複製到別的金融流程,取決於資料質量、控制框架和對人工判斷邊界的清晰界定。