金融智能体会写结论后，证据该跟着走

一份投研摘要最怕的，不是语言不够流畅，而是结论写得像真的、数字却找不回去。9月10日，OpenAI发布 ChatGPT for Financial Services：将金融数据、推理能力和研究、建模、客户材料等工作放进面向金融团队的体验里。发布中最值得企业关注的不是“更懂金融”，而是它把细粒度引用作为产品能力，让分析者能在结论形成时追溯数字和判断的来源。

引用不是脚注，而是交付的一部分

金融、销售、采购和战略团队都在做同一种高风险动作：把分散信息压缩成一页建议。以往，证据常在分析完成后才被补上；于是汇报里有漂亮的结论，却没有来源版本、筛选条件和适用时间。OpenAI称，该产品整合了 Daloopa、PitchBook 和 LSEG News 等数据，并以细粒度引用支持团队在分析过程中检查依据。产品如何实现并不等于结果天然正确，但它把一个正确的工作顺序摆在了台面上：先让结论带着出处走，再讨论能否采纳。

能被复核的答案，才有资格进入业务决策；不能定位来源的答案，最多只是下一步调查的线索。

企业应给每个结论配一张“证据随附单”

这套方法不只适用于金融。企业可从高频决策开始，为智能体输出固定五项随附信息：来源链接或内部文档版本、取数时间、关键口径、推理或筛选步骤、需要人工确认的假设。它不像一份冗长的审计报告，而是让接收结论的人能在一分钟内判断：这句话是事实、推断，还是建议。

这会改变智能体的验收方式。过去大家常验“摘要像不像人写的”；现在应额外验三件事：关键数字能否回到原始来源，来源更新后旧结论会否被标记，人工不同意时修改会否成为下一次的可用规则。这样，证据不是事后追责材料，而是智能体协作的一部分。

星盒视角：让BOX保存结论与依据的关系

在星盒的组织→BOX→智能体结构中，组织层定义哪些结论必须有证据、谁有最终判断权；BOX层保存来源、口径、确认版本和已被推翻的旧假设；智能体层才按这些规则生成分析。DDABC闭环则让 Define 先写明证据要求，Deploy 进入场景，Analyze 捕捉被质疑的结论，Benchmark 比较返工和复核时效，Calibrate 把有效改写沉淀下来。

我的判断是：当智能体开始参与专业决策，差异不在于它能写出多少份报告，而在于每一份报告能否把“我为什么这么说”一起交出来。明天开始，不妨挑一类高频报告，要求所有AI结论都附上自己的证据随附单。

落地时可把复核做成一条轻量流程。智能体先输出结论、证据和置信提示；业务人员只需核对关键数字、时间范围与反例，再选择确认、退回或补充。确认后的材料进入BOX，退回原因也要被记录：是来源过期、口径不一致、还是判断跳步。连续积累后，团队得到的不只是更快的报告，而是一套知道哪些信息可直接用、哪些必须复核的共同工作方法。

尤其是面向客户的材料，建议把“引用完整度”设为交付闸门：没有来源的事实不能写成确定句；来源只支持部分结论时，应明确限制条件；来自内部预测的数字，要注明预测口径与更新时间。这样并不会拖慢产出，反而能减少汇报之后反复追问“这个数从哪里来”的隐形成本。

来源：OpenAI，《Introducing ChatGPT for Financial Services》，2026年9月10日。产品能力均按官方发布表述，不外推为行业平均。