OpenAI 如何為銀行家與分析師打造 ChatGPT——專訪 OpenAI 的 Joseph Kim

Joseph Kim 主導 OpenAI 的「ChatGPT 金融服務版」產品，他主張：AI 模型能做到的事，與金融專業人士實際從中獲得的價值之間存在落差，而這是產品問題，不是模型問題——補上這個落差，正是開發者眼前的機會。在 18 分鐘的分享中，他 demo 了與 Morgan Stanley、Evercore 共同打造的產品，說明背後的資料與範本基礎架構，後半段則談模型規模化趨勢、他的「可用性門檻」框架，以及對 2027 年金融業的三項預測。標題名副其實：建構歷程與金融專屬路線圖佔了大部分時間，2027 年預測則是收尾的高潮。

Kim 是從內部視角發言——他的團隊正推動 OpenAI 直接在金融工作上對模型做後訓練（post-training），而他 demo 的產品，大致上就建在外部開發者也能使用的同一個外掛平臺上。讀者讀完應該帶走幾件事：具體的架構選擇（以自架授權資料取代第三方 MCP 聯結器、公司範本、引用檢視器）、Kim 用來論證「介面釋放能力」的 Codex 採用資料，以及他對 2027 年底模型水準的具體說法。

能力落差是產品問題，不是模型問題

Kim 的核心論點是：模型能力早已跑在工作場域價值之前，缺的那一塊是產品體驗——資料存取、介面，以及符合各公司格式的輸出——而不是原始智慧。他把多出來的部分稱為「能力過剩」，把不足的部分稱為「能力落差」：模型能做到的事，與專業人士實際榨取到的價值之間的距離。他的證據是一張 OpenAI 內部按職能劃分的 Codex 使用率圖表。工程師最早採用、穩定成長；金融、法務、招募等職能直到 2026 年初都還接近零，到 2026 年 6 月卻已達到約 90% 的佔比。Kim 回頭去找 2026 年 2、3 月那個轉折點附近是否有模型發布，結果什麼都沒找到——當時上線的是 Codex 桌面應用程式。他的結論：讓能力在工程領域之外變得可用的，是產品，不是模型。

「我個人相信，我們會看到很多十億美元級的事業，單純只是靠 ChatGPT 外掛做出來的。」

他直接把這個論點延伸到開發者身上：他 demo 的內容，大多建在聽眾也能使用的同一個 ChatGPT 外掛平臺上，因此獨家資料、既有工具，或對工作流程的深入理解，都能包裝成一個 ChatGPT 體驗。金融只是他舉的例子，他說這個模式可以推廣到其他領域。

產品：可信資料、金融原生介面、公司範本

ChatGPT 金融服務版是改編版的 ChatGPT，初期鎖定大型機構的投資銀行與股票研究業務，與設計夥伴 Morgan Stanley、Evercore 共同打造，圍繞三大支柱。

| 支柱 | 提供什麼 | 實作細節 |
|---|---|---|
| 金融資料 | 財務報表、損益表、市場資料、未上市公司資料，全部在 ChatGPT 內 | 直接取得授權；自架並索引於與 OpenAI 網頁索引相同的基礎架構；透過 MCP 對外提供 |
| 金融介面 | 來源查證、互動式圖表、可控制底層資料來源 | 引用中介資料（metadata），以及用於引用檢視器與互動式股價／指標圖表的 MCP 應用 |
| 公司格式 | 輸出符合公司標準 | 針對 Excel 模型與 PowerPoint 簡報的公司專屬範本；以 skills 加上通用產出工具管理工作流程 |

Kim 明確表示，OpenAI 檢視過市面上既有的第三方金融資料 MCP 聯結器，發現延遲、錯誤與搜尋品質都有問題——這就是為什麼他們選擇直接授權資料、自建代管與搜尋索引，而不是依賴聯結器生態系。他點出的取捨是：自架能掌控品質與可靠性，也讓團隊有彈性用這些資料集對模型做後訓練。

他把模型知識分成兩層。MCP 聯結器與 skills「像是給初階分析師的操作手冊」——提供存取許可權與指示。後訓練過的模型則「像是做了二十幾年資料、對每個功能都熟到不行的資深分析師」——它本身就懂這些資料。產品兩層都提供。

規模化一向可預測；下一個突破口是常駐型代理

Kim 把模型進展拆成三個重疊的驅動力——擴大算力、更好的演算法，以及「解鎖」，也就是找出方法從既有能力中榨出更多有用的工作——並主張這些趨勢線出乎意料地穩定，即使個別突破事先無法預測。

• 2022–2023： 前訓練（pre-training）當道——更大的模型、更多資料，規模法則讓研究人員在訓練完成前就能預測 GPT-4 最終的損失值與程式評測表現。
• 演算法進展： 他引用的一項研究發現，語音模型達到某一效能水準所需的算力，大約每 8 個月減半。
• 2024–2025： 透過強化學習與後訓練實現推理，加上更多推論時算力（test-time compute）。
• 2026： OpenAI 解決了拖累規模化的前訓練問題，並訓練出更大的模型——他點名 GPT-5.6 Soul 與 GPT-6 Astra。
• 障礙排除： 2024 年令人憂心的「資料牆」透過合成資料、獎勵式學習與每個 Token 的效率提升獲得解決；上下文長度限制則靠稀疏注意力（sparse attention）與稠密化（densification）克服。

他預期 2027 年會延續這個趨勢：模型更大、更有效率、更強大，對齊（alignment）與安全性仍未解，但會愈來愈多借助模型本身來處理。他認為下一個突破口是主動式、常駐型的代理——能守住目標、記住上下文、不需提示就在背景工作的系統。他主張，常駐性也會改變介面：使用者不必再學怎麼下提示、怎麼串工具流程，而是把一個專案交出去、然後要求更新進度，這更接近人對人交辦工作的方式，也降低了不具備這些技能者的門檻。

門檻現象說明瞭為什麼進展感覺很突然

Kim 最具通用性的框架：任何任務都有一個可用性門檻，也就是模型的能力與可靠度已足以省下的時間，超過查核它所花的成本的那個點。在這條線以下，答案再好、錯誤再少都很難被感受到——如果查核成果的時間跟自己做一樣長，模型實際上就沒用。一旦模型跨過這條線，一點能力提升都可能感覺像三級跳，因為唯一改變的是：進展變得有用了。不同任務的門檻不同，所以這些時刻會在工作流程的不同環節、不同時間點出現。

他給開發者的建議是：問自己，今天有哪些能力因為還不夠有用而被你低估？一年後這些能力會到哪裡？如果它們可靠到可以交辦，你會做出什麼——介面會怎麼變，使用者還需要控制、審閱或核准什麼？目標是在門檻被跨過的那一刻，體驗已經準備好，領先競爭對手。

數學是專家級表現的領先指標

Kim 用數學基準測試來論證：按照目前的速度，各專業領域達到專家級表現只是再幾年的事。

| 年份 | 里程碑（依 Kim 的說法） |
|---|---|
| 2023 | GPT-4 在 SAT 數學考到 700/800 |
| 2025 | OpenAI 的模型在國際數學奧林匹亞達到金牌水準 |
| 2026 年初 | 內部模型推翻了與一道 1946 年懸而未解的問題相關的長期假設 |
| 最近（截至演講時） | 內部模型對納維–史托克斯千禧年大獎難題提出解法；累計 372 個成果族、719 篇協作數學研究論文 |

他的預測：再過一年、進展幅度大致比照過去幾年，到 2027 年底，模型將在愈來愈多複雜任務上超越頂尖人類專家。（以上是 Kim 對 OpenAI 內部成果的說法；逐字稿並未提供外部佐證。）

金融業迎來專屬訓練潮，2027 年瞄準專家級水準

Kim 描述兩股力量把金融工作推向門檻：一股是持續升高的通用浪潮，另一股是疊在上面的金融專屬高峰。過去 OpenAI 很少針對金融投入專門的訓練或算力；進展來自更大的模型，以及數學、程式、推理等可移轉技能。他的團隊現在大幅加碼金融專屬的後訓練，近期（約三個月）聚焦金融思維與產出品質——分析財務資訊、建 Excel 模型與 PowerPoint 簡報——也就是初階分析師每天在做的事。長期目標則是資深判斷力：吸收大量資訊、判斷什麼重要、做出預測——公司獲利、大宗商品價格、哪些事業值得投資。他表明的目標是 2027 年讓模型在這些任務上達到頂尖人類專家的水準。

他最後提出對 2027 年金融業的三項預測：

1. 人們幾乎不會、甚至完全不會再靠 Excel 和 PowerPoint 來做財務模型或簡報。
2. AI 財務分析師會像人類同事一樣——記得你的偏好與上下文、主動扛下任務、主動追蹤進度，在你專注別處時持續工作。
3. 模型將在具經濟重要性的長期決策上超越頂尖人類專家，包括獲利預測與投資標的發想。

這套做法可以複製——而機會視窗就是現在

整場分享的主軸是：OpenAI 的金融產品是給外部開發者的範本，而不是封閉的優勢——用於資料的 MCP 工具與聯結器、用於查證與圖表的引用中介資料與 MCP 應用、用於 Excel 與 PowerPoint 的 skills 與產出工具，以及用於公司專屬體驗的外掛改編層。Kim 留給全場的挑戰——今天該開始為模型明天將跨過的門檻建什麼——正是他論點最務實的落點。尚未化解的張力在於時機：他的 2027 年預測相當激進，而門檻框架本身就意味著確切到來的日期事先無從得知——這也正是他主張要在能力到位之前先把介面做出來的原因。值得持續關注的是：承諾的金融後訓練能否在 2027 年前產出可量測的專家級成果，以及常駐型代理是否會成為下一個平臺上線的解鎖功能。