AI 代理把三天的投資組合建置縮短到幾分鐘——專訪 Apollo 的 Jack McDonald 與 Rowspace 的 Michael Manapat

Jack McDonald 是 Apollo 旗下專屬 CLO 管理公司 Redding Ridge Capital 的營運長，他主張 AI 在金融業的真正價值不在通用型聊天機器人，而在於架設於公司自身已驗證資料之上的平臺——而且回報已經可以量化：過去在 Excel 裡要花兩、三天才能完成的投資組合建構，如今幾分鐘就能完成。這場對談由 McDonald 與 Rowspace 共同創辦人 Michael Manapat 進行，內容大致是一份將代理式 AI 應用於結構型信貸的案例研究：CLO 投資組合如何建構、倉儲購買活動如何對帳，以及要信任 AI 產出足以用於交易，需要具備哪些條件。標題上「把三天的投資組合建構縮短到幾分鐘」的說法確實無誤，但只佔了幾分鐘篇幅；整集大部分時間談的是資料對帳，「黃金真相來源」問題，以及為何通用型 LLM 不足以勝任這類工作。

McDonald 掌管 Redding Ridge，這是 Apollo 旗下獨立運作的實體，管理約 500 億美元的結構型信貸資產，以 CLO 為主；他 2020 年加入 Apollo，歷練過金融機構組與資產擔保組。Manapat 的 Rowspace 打造的是執行資料工程工作的代理——把散落在各系統的碎片化資訊對帳整合——服務物件包括 Apollo 在內的金融服務夥伴。讀者讀完後應該能清楚掌握：在資產管理領域，AI 哪些環節是任務關鍵、哪些只是錦上添花，以及決定 AI 部署成敗的具體營運瓶頸（契約檔案（indenture documents）、銀行帳戶對帳、多來源資料衝突）。

CLO 投資組合建構從數天縮短到數分鐘

本集最具體的「前後對照」是投資組合建構。CLO 是規則驅動的載體，資金流向受特定瀑布式分配規則約束，而這些規則藏在厚厚的契約檔案與多份法律協議裡。投資組合經理若要建構一個涵蓋 200 到 400 檔單一信貸標的的模擬投資組合，過去得在 Excel 裡手動花兩、三天，逐一比對這些檔案。McDonald 說，有了 Rowspace，同一個投資組合幾分鐘就能組出來，即時從檔案庫、交易與法規遵循系統、即時報價拉取資料。PM 接著只需用判斷力微調最後 10% 到 20%，不必從頭到尾手工打造。

| 任務 | 過去 | 現在 |
|---|---|---|
| 模擬 CLO 投資組合（200–400 檔標的） | 2–3 天，手動 Excel | 數分鐘，再由 PM 微調最後 10–20% |
| 倉儲買賣對帳 | 每週一次，2–3 人，各花數小時，手動核對銀行帳戶 | 報告約 1 分鐘產出，自動化，團隊每日做品管抽查 |

第二個例子是倉儲購買活動。Redding Ridge 的業務靠銀行融資運作，持續在固定收益市場買進貸款。過去團隊每週要產出一份交易摘要——買了什麼、賣了什麼——做法是真的進到銀行帳戶裡讀對帳單、確認款項落在何處，再把摘要寄給管理層。現在這份報告直接丟進 Rowspace，約一分鐘就能穩定重複產出，團隊的角色轉為每天做品管核對。McDonald 把這形容成：從兩、三個人每週耗費數小時的手工作業，變成每日「例行公事」般的檢查。

「今天我們能取得最新、最即時的資訊，建構出過去得花好幾天的投資組合，現在只要幾分鐘。」

通用型 LLM 做不到——擁有自己的資料才是差異化關鍵

Manapat 提出顯而易見的反駁：為什麼不直接把檔案丟進 Claude 或 ChatGPT？McDonald 的回答是，通用型 LLM 運作所依據的是一般性資訊，而非公司自身的資料。它們對研究、快速掌握某個產品或投資標的、發想新點子很有用——但無法判斷單一資料點的 20 個來源中哪個才正確。而這個判斷，才是真正的工作。

McDonald 描述的信任機制不在於模型好壞，而在於資料所有權加上人工驗證。Rowspace 團隊每天與 Redding Ridge 的投資組合管理與財務團隊坐在一起，瞭解各項計算、找出黃金真相來源，再寫入覆寫規則，讓正確的來源勝出。資料從交易委託管理系統、績效系統、Bloomberg 與報價指數流入。一旦公司自家團隊驗證過彙總產出正確無誤，這套系統就成為他們依據做交易與管理決策的工具。McDonald 對比指出，公司其他系統仍處於破碎狀態——資訊得靠人工從一處搬到另一處。

「同一個資料點可能來自 20 個不同來源，而其中只有一個是對的。」

Apollo 的 AI 佈局早於當前工具浪潮

Manapat 指出，在 Rowspace 接觸過的公司裡，Apollo 算是最「AI 入腦」的幾家之一——甚至在 Claude Code 與這一代代理式編碼工具出現之前，Cursor 還停留在 tab 自動補全的年代，Apollo 的立場就是公司必須以 AI 原生方式重建，要的是平臺而非單點解決方案。McDonald 把這歸因於 Apollo 自我定位為另類資產管理與金融服務的領導者、扁平開放的文化，以及把採用新技術視為必要而非選項的經營團隊。其宣示的目標是釋放量能，讓同仁能更有餘裕思考、取代手工作業，而非以裁員為目的本身。

金融業仍在早期，近期成果並不光鮮

McDonald 認為金融業整體——銀行、大型機構、資產管理、投資銀行——在 AI 採用上仍處於早期，儘管它們龐大的中後臺職能明顯有改善空間。他評價，至今模型建立與快速彙整研究屬於附加價值較低的應用，並預期其中某些職能未來對初階支援的需求會減少。Redding Ridge 價值較高的工作，是將 AI 用於例行任務以釋放量能去做其他專案，而 McDonald 說這類專案「多到做不完」。他明確指出，這個領域並不單純：在這些組織裡看起來新奇或突兀的做法，通常其來源自有。

flowchart TD
    A["破碎的來源——契約檔案、TOM 系統、績效系統、Bloomberg、報價指數"] --> B["Rowspace 代理進行對帳並找出黃金真相來源"]
    B --> C["公司團隊驗證計算並覆寫"]
    C --> D["可信產出——投資組合建構、交易摘要"]
    D --> E["PM 對最後 10-20% 做判斷、每日品管核對"]
    E --> F["為 PM、交易員、投資人帶來更快、更準確的決策"]

AI 是持久競爭優勢，還是像 Excel 一樣人人都有的大宗商品

Manapat 把策略問題點得很尖銳：AI 最終可能像 Excel——人人都有、不構成任何優勢的生產力工具——也可能結構性地強化一家公司的優勢。McDonald 有條件地選擇了後者。他說，在活躍交易的市場裡，關鍵在於流程與你手邊掌握的資訊：知道可取得的流動性、各標的的定價位置，以及任一時點的價值所在。能更快提供準確、經驗證資訊的 AI，就成了競爭優勢。在私募市場，他說這項能力仍在演進，而 Apollo 一直站在推動它落地的最前線。他指出下行風險是依據錯誤資訊行動——公司最不願見到的，就是決策建立在錯位的資料上，然後一路往下傳導到整個企業與投資人基礎。

五年後的成功樣貌：信心，以及科技賦能的心態

McDonald 的前瞻看法有兩個部分。第一，完全有信心流向投資人基礎——超過 400 位全球投資人——的資訊準確無誤，無須耗費數小時人工核對。第二，預設心態就是科技賦能的團隊：不再把科技當事後補強，而是團隊會習慣性地追問某個流程為何存在、如何運作，以及該不該強化、改變，或改用新工具取代。他讚許自家團隊已具備這份資質，但說科技運用向來是次要的；目標是在 Redding Ridge 擴張之際，讓它成為首要。

匯入的教訓：親臨現場勝過遠端工具

被問到技術人員與金融專業人士在把 AI 應用到結構型信貸這類領域時該牢記什麼，McDonald 的答案談的是方法，而非模型。這些都是極度複雜、細膩的組織，花時間與你所要服務的前臺專業人士坐在一起，絕對值得。他說 Rowspace 的進度超前於自身路線圖與預期，明確歸功於 Manapat 的團隊幾乎天天與 Redding Ridge 的人坐在一起、理解工作流程。Manapat 最後補上一則招募訊息：Rowspace 與 Apollo Technology 都在招募想把 AI 應用到金融業的人才。

本集未解的張力，正是 McDonald 點出卻未完全化解的那個：AI 究竟是通用的生產力大宗商品，還是結構性的護城河。他的答案——若能「妥善調適與運用」就會成為優勢——是一個條件句，而這個條件，是資料驗證與每日親臨使用者身邊這些不光鮮的工作，而非模型的選擇。對關注這個領域的公司而言，可追蹤的訊號是：對帳與黃金來源的工作，是否先於投資組合建構的展示完成——因為這個先後順序，正是區分一個交易臺願意信任的工具、與一個被它忽視的工具的關鍵。