基金公司正在经历一轮新的AI应用升级。

如果说早期的大模型更多承担的是问答,纪要整理,文案生成等辅助工作,那么如今,Skill,Agent以及多智能体协作开始进入基金公司的日常业务。

更重要的变化在于,AI正在从“少数人会用的工具”变成“越来越多人需要掌握的工作能力”。

近期多家基金公司的实践显示,AI应用已经从单点工具逐步深入投研,交易,风控,运营,营销和研发等核心流程。围绕Skill和Agent形成的内部AI基础设施,也正在成为基金公司数字化建设的新方向。

从“AI工具”到“人人都能创建Skill”

基金公司AI应用快速扩张的一个明显特征,是业务人员开始参与AI工具生产。

市场此前曾流传易方达基金内部拥有“上千个Skill”。不过,业内人士表示,这一说法并不准确。能够上传至内部工作台并供员工公开安装使用的Skill并没有达到网传规模,还有大量Skill由员工个人或小组根据实际工作需要创建,只在特定范围内使用。

相比Skill的具体数量,更值得关注的是其覆盖范围。

目前,易方达EWork平台上的公开Skill已经覆盖投研,交易,运营,销售,市场,合规,IT等核心业务条线。同时,不少员工也会根据自身岗位需求自主搭建Skill,具有较高复用价值的再上传至平台供其他员工使用。

这意味着,企业内部AI工具的生产模式正在发生变化。

过去,数字化工具往往由IT部门统一设计和开发,业务部门更多承担使用者角色。如今,业务人员对自身工作流程最熟悉,他们可以直接把重复性任务,岗位经验和业务规则转化为AI可以调用的Skill。

在这一过程中,IT部门的角色也从“包办开发”逐渐转向提供底层能力。

易方达采用的模式是,IT团队负责底座,模板和技术支持,业务员工根据实际痛点自主开发Skill,再通过内部平台进行分享和复用。

AI工具由此开始呈现出明显的“去中心化生产”特征。

Skill和Agent,正在成为基金公司新的AI底座

多家基金公司的实践进一步表明,AI应用已经不再停留在简单聊天机器人阶段。

富国基金目前已经搭建智能办公平台,并依托AI中台复用算力调度,MCP中心和Skill中心等基础能力。平台内已经部署20余个Agent,60余个Skill,并接入50余个MCP,覆盖数据分析,办公辅助,报告总结等高频场景。

在具体业务中,AI正在承担过去需要多个系统和岗位协同完成的工作。

例如,在反洗钱风险交易分析场景中,过去工作人员需要分别调取客户信息和交易数据,再经过多个审核环节形成报告。如今,多个专家角色Agent可以协同分析交易风险,并生成标准化的反洗钱报告。

AI因此不再只是“帮员工写一段文字”,而开始参与完整业务流程。

在投研领域,富国还建设了独立的投研工作台,并进一步推出多智能体平台。研究人员可以定制研究员Agent,通过“学习技能”沉淀Skill,再由研究专家Agent进行任务规划和拆解,最终由多个Agent协同完成研究课题。

这种模式的核心变化,是把一个人的工作能力拆解成多个可以被AI调用的环节。

过去需要一个研究团队共同完成的任务,未来可能由一个研究人员负责提出问题和判断方向,再由多个Agent承担资料搜集,数据分析,信息整理和初步研究等工作。

“1+N”的工作方式由此逐渐成为AI投研探索的重要方向。

基金公司的AI竞争,开始深入投研核心环节

在基金行业,AI真正的竞争力最终仍要落到投研。

相比办公场景,投研不仅需要处理海量数据和信息,还涉及长期积累的方法论,研究框架和投资经验。因此,如何让AI真正理解一家基金公司的投研体系,成为下一阶段的重要课题。

中欧基金对此的判断颇具代表性。

在其看来,AI投研的竞争重点并不只是模型更强或者数据更多,关键还在于模型与实际投研之间缺少一层“方法论”。

也就是说,如果AI只有数据和模型,却不知道研究员如何分析行业,判断景气度和寻找投资线索,那么它很难真正成为投研人员的助手。

因此,中欧基金开始将多年主动投研经验和内部研究方法转化为AI能够理解和调用的组织知识。

其中,行业景气度Agent就是一个具体案例。

此前研究团队已经形成相对成熟的行业景气度研究方法,公司进一步把相关研究框架和工作流程转化为AI可以执行的任务。目前,这一Agent已经覆盖超过250个细分行业。

过去,研究员需要耗费大量时间逐个收集和整理信息。借助Agent后,行业景气度看板可以在更短时间内完成更新,同时提炼关键信息和潜在研究线索。

这实际上意味着,AI正在从“信息检索工具”向“研究流程参与者”转变。

从数据到知识,基金公司正在搭建完整AI生态

如果把基金公司的AI建设拆开来看,如今越来越多机构正在形成类似的三层架构。

第一层是数据基础设施。

包括结构化金融数据,市场行情,公司财务数据等,为AI提供准确的数据来源。

第二层是知识基础设施。

研报,路演纪要,调研记录,专家观点以及内部研究资料等非结构化信息,经过整理后成为企业知识资产。

第三层则是Agent和Skill能力层。

AI不再只是读取资料,而是可以调用数据,使用工具,执行任务,形成分析结果。

国泰基金已经搭建了“数据基座—知识基座—Agent能力层”的智能投研架构。其自主研究Agent具备任务规划,工具调用和自我反思能力,能够拉取财报,进行财务分析,运行估值模型,交叉验证数据并输出带有证据链的研究结论。

嘉实基金则形成覆盖“AI基础设施—AI能力—AI应用”的内部生态,建设统一模型网关,并进一步完善Agent,MCP,Skill,执行沙箱和记忆等底层能力。

在应用层,AI投资,AI研究,AI合规审核和AI办公等场景已经逐步展开。

研发环节也出现新的变化。嘉实基金表示,科技人员已经全面使用AI辅助编程,并尝试通过“AI审核AI生成代码”的方式形成新的质量控制闭环。

汇添富基金则将2026年确定为“拥抱AI应用年”,围绕投研,投顾,营销,运营和研发等领域推进智能化转型。

从这些实践可以看出,基金公司的AI建设正在形成一个共同趋势:不再单纯追求接入多少模型,而是更加重视模型之外的基础能力。

AI开始进入风控,营销和运营

投研之外,AI也正在向基金公司其他核心业务扩散。

永赢基金目前已经将AI应用延伸至投研,风控,营销和运营等多个领域。

投研端,公司建设智能投研问答系统和投研数据湖;风控端推进托管行事后监控智能管理;营销审核则通过AI自动识别营销材料中的合规风险点,提高审核效率。

运营端,函证管理,定期报告审核和估值差异分析等工作也开始引入AI。

这类应用有一个共同特点:它们往往不是完全替代人工,而是将大量标准化,重复性的工作交给AI处理,让专业人员把更多时间投入判断和决策。

对于金融机构而言,这可能比单纯追求“AI生成内容”更加重要。

因为真正能够创造长期价值的AI应用,最终需要进入业务流程,成为员工每天都在使用的一部分。

“会不会用AI”,可能成为新的职场基础能力

当越来越多业务人员开始自己创建Skill,基金公司内部的AI文化也随之发生变化。

AI不再只是IT部门负责的数字化项目,而开始成为普通员工需要掌握的工作工具。

易方达已经将AI工具使用规范纳入相关培训体系,在推广AI应用的同时强调合规使用和人工复核。

这对于金融行业尤其重要。

基金公司涉及投资决策,客户服务,信息披露和监管合规等多个高敏感领域,AI生成的结果不能简单等同于最终结论。

因此,AI能力越强,治理机制越需要同步升级。

易方达已经建立Skill评价和淘汰机制,通过自动化评测以及线上调用数据,判断Skill的可用性,稳定性和业务价值。对于功能重复或长期无人使用的Skill,则进行合并或下架。

国泰基金也提出了一条清晰原则:需要语言理解和推理的地方使用大模型,需要精确性和合规性的地方仍由确定性程序负责。

例如财务计算和部分归因分析环节,依然需要规则引擎等确定性工具进行兜底。

这意味着,金融机构的AI并不是简单追求“全部交给大模型”,而是在寻找AI能力与传统系统之间更加合理的分工。

基金公司真正要“卷”的,不是Skill数量

从多家基金公司的探索来看,公募行业的AI竞争已经开始进入新的阶段。

早期比拼的是谁更早接入大模型,谁先搭建知识库;如今,竞争逐渐转向谁能够把数据,知识,方法论和业务经验真正沉淀为可复用的AI能力。

Skill只是这种能力的一个载体。

Agent则进一步把多个Skill和工具连接起来,让AI能够完成更加复杂的任务。

而当越来越多员工能够自主创建和复用这些能力后,基金公司的AI建设就不再只是一个个孤立项目,而可能逐渐形成组织级的“AI操作系统”。

从基金经理主动使用AI,到研究员自己创建Skill,再到多个Agent协同完成研究任务,AI正在改变的不只是工作效率,还有基金公司的知识生产方式。

未来基金公司之间真正的AI差距,或许并不取决于谁拥有更多Skill,而在于谁能够把组织经验沉淀下来,把AI嵌入业务流程,并让这些能力持续复用和迭代。

当AI从一个工具变成一种基础能力,基金行业的下一轮竞争也就不再只是“谁会用AI”,而是“谁能让整个组织更会用AI”。