OpenAI 加码企业市场：推出 ChatGPT 金融服务版（GPT-6 Astra + 摩根士丹利/Evercore）与数据智能体 Data agent

【新闻原文】 美国当地时间 9 月 10 日，OpenAI 宣布推出 ChatGPT for Financial Services（ChatGPT 金融服务版），这是 ChatGPT Work 的金融行业定制版本，结合新一代 GPT-6 Astra 模型与专业金融数据，面向投资银行与股票研究团队，用于公司研究、财务数据分析与客户材料制作。产品由 OpenAI 与摩根士丹利（Morgan Stanley）、Evercore 两家投行作为设计伙伴共同打磨。 数据能力是这款产品的核心。产品内置 Daloopa、PitchBook、LSEG News 等专业数据源（由 OpenAI 在自有基础设施上索引并托管，客户无需单独谈判数据合同或配置连接器）；同时与标普 Capital IQ、LSEG、MSCI、道琼斯 Factiva、穆迪合作开发共享登录与数据权限集成——机构用户通过 ChatGPT 登录即可自动获得其已订阅数据的使用权；并优化了标普全球、FactSet 等金融服务中最常用的 MCP 连接器，整体连接器生态超过 50 个（含 Datasite、Box、Preqin、Intapp）。 OpenAI 产品负责人 Nick Turley 表示："我们实际上是在教 ChatGPT 像分析师一样做研究，并且像分析师一样支撑它的结论。"产品支持细粒度引用，用户可以把分析中的每个数字与论断追溯到原始文件；支持图表审计；管理员可发布符合本机构格式与风格的 Excel、Word、PowerPoint 模板，团队可将分析直接转化为估值模型、研报与路演材料。安全方面，产品基于 ChatGPT Enterprise 的 SAML SSO、SCIM 与角色权限体系，商业数据默认不用于模型训练，支持多 workspace 信息屏障以满足 MNPI 与客户保密要求，合规团队可通过 OpenAI 合规平台导出日志。OpenAI 未公布定价、最低席位数、地区限制，也未公布面向外部客户的公开准确率基准。 同日，OpenAI 还在 ChatGPT Work 中上线数据智能体（Data agent）：用户无需编写 SQL 或手动整理多个数据源，用自然语言提问，智能体即可连接企业获授权的数据库与文档，调查数据变化、生成分析与交互式 Dashboard，并在获得用户批准后执行后续行动。支持 Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake、Datadog 等数据平台，并可将 Google Drive 与 SharePoint 中的文件纳入分析。据 VentureBeat 报道，其内部版本已服务超过 3500 名用户、覆盖超过 600PB 数据和约 7 万个数据集。 【企服观察】 OpenAI 同一天打出"金融行业版 + 数据智能体"两张牌，这标志着企业 AI 竞争进入第三阶段：从通用模型，到通用工作台，再到"行业版工作台"。 先看行业版。金融是最高价值的垂直市场，也是最难啃的——数据专业、合规严苛、错误代价极高。OpenAI 的解法值得所有做垂直行业 AI 的公司抄作业：它没有只接一个连接器，而是把"数据接入"拆成了三层——内置托管（OpenAI 自己索引并托管专业数据，保证检索质量与引用一致性）、权限集成（复用客户已有的数据订阅，避免重复采购）、连接器生态（50+ 集成覆盖长尾）。这个分层设计精准回应了金融客户最大的痛点：不是模型不够聪明，而是数据拿不到、拿不全、拿不干净。国内做行业大模型的团队，绝大多数还停留在"接几个 API"的第一层，应该尽快补上权限集成与合规交付这两块硬骨头。 再看 Data agent。它的真正冲击对象不是数据分析师，而是 BI 工具。过去企业"取数"的链条是：业务提需求 → 数据分析师写 SQL → 出报表 → 做可视化，周期以天计；自然语言直接生成分析与交互式 Dashboard 之后，这条链条被压缩到分钟级。OpenAI 内部版本已覆盖 600PB 数据、7 万个数据集，规模上已经不是演示。国内 BI 厂商、数据中台厂商必须在 12 个月内完成"对话式分析"的原生改造，否则会重演搜索引擎被 AI 问答侵蚀的剧本。但要注意 OpenAI 自己留下的那个缺口：它没有公布准确率基准。企业落地对话式分析时，必须建立自己的评测集（标准问答复核集）和"关键决策人工复核"流程——AI 生成的分析看起来总是很自信，错误却往往是静默的。 第三，Wall Street 的组织成本结构会被重写。投行初级分析师的典型工作——拉数据、核对调整项、做 PPT、检查每个数字的来源——恰好是这款产品的能力清单。这会带来两个连锁反应：一是投行的初级岗位需求结构变化，"会用 AI 的分析师"取代"会做底稿的分析师"；二是彭博、Capital IQ 这类金融数据终端的"基础分析"溢价被稀释，数据商被迫向更高价值的服务（独有数据、专有指标、工作流嵌入）升级。中国的金融数据服务商和金融 IT 厂商面临同样的窗口：要么把数据能力变成 AI 可调用的服务（这是个难得的涨价机会），要么被模型厂内置的数据源绕开。 最后一点冷静的判断：OpenAI 没公布定价、席位门槛和准确率，说明产品仍在摸索商业化的定价权。对中国企业的现实建议是：金融行业的核心生产系统短期内仍应以国产模型 + 本地化部署为主，OpenAI 这类产品的价值在于提供"对标样板"——把它的产品分层、引用机制、合规设计拆解成需求清单，交给国内的金融 AI 供应商去实现，这才是这场发布会对中国企业最实际的用法。 对国内企业的现实借鉴还有一层：OpenAI 把"引用可追溯"做成了产品能力，而不是可选功能。这是企业级 AI 最容易被忽略却最关键的设计——金融、法务、医疗场景里，一个没有出处的结论等于没有价值。国内厂商在开发行业 AI 产品时，应把"每个数字都有出处、每个结论可回溯"作为基础能力建设，同时在评测上建立自己的准确率基准并公开，这既是合规要求，也是赢得企业客户信任的最短路径。