- Bối cảnh AI cho dịch vụ tài chính đang chuyển mình mạnh mẽ từ giai đoạn thử nghiệm sang triển khai thực tế, tập trung vào việc tự động hóa các tác vụ thủ công và tẻ nhạt.
- Claude for Finance khác biệt nhờ khả năng truy xuất, phân tích dữ liệu quy mô lớn thông qua mã, và tạo ra các tài liệu tài chính chất lượng cao, từ đó thúc đẩy chuyển đổi công việc thay vì chỉ tăng tốc.
- Thành công trong việc áp dụng AI đòi hỏi một nền văn hóa doanh nghiệp khuyến khích thử nghiệm, cùng với việc xây dựng các mô hình có "bộ nhớ" và khả năng duy trì ngữ cảnh để đảm bảo độ chính xác và khả năng kiểm toán.
How Claude is transforming financial services
- Tự động hóa quy trình phân tích tài chính: Sử dụng AI để kết nối trực tiếp với các bộ dữ liệu tài chính lớn (ví dụ: S&P, FactSet) và tạo ra bảng điều khiển động (dashboard), loại bỏ việc cập nhật thủ công trên Excel.
- Triển khai hệ thống tác nhân AI tự chủ: Xây dựng các tác nhân AI có khả năng thực hiện toàn bộ quy trình từ truy xuất dữ liệu, phân tích chuyên sâu bằng mã, đến tạo ra các báo cáo và mô hình tài chính hoàn chỉnh (ví dụ: DCF, PowerPoint).
- Ưu tiên an toàn, độ chính xác và khả năng kiểm toán: Đảm bảo các mô hình AI được đào tạo để cung cấp thông tin chính xác, đáng tin cậy và có thể kiểm chứng được, đặc biệt quan trọng trong môi trường tài chính được quản lý chặt chẽ.
- Tích hợp AI vào công cụ làm việc hàng ngày: Nhúng khả năng của AI (ví dụ: Claude) trực tiếp vào các nền tảng và ứng dụng mà nhà phân tích sử dụng thường xuyên như Excel, tiện ích mở rộng trình duyệt, để tối ưu hóa quy trình làm việc.
- Phát triển khả năng lý luận và tạo mã của AI: Khai thác thế mạnh của AI trong việc tạo ra mã có cấu trúc (ví dụ: Python) để xử lý các phép tính phức tạp, xây dựng mô hình tài chính và tự động hóa việc tạo bảng tính.
- Xây dựng khả năng "bộ nhớ" và quản lý ngữ cảnh cho AI: Cho phép mô hình AI lưu trữ và học hỏi các ưu tiên của người dùng, ngữ cảnh công việc và các mẫu tương tác để liên tục cải thiện hiệu suất và độ chính xác theo thời gian.
- Nuôi dưỡng văn hóa thử nghiệm và hỗ trợ từ cấp cao: Khuyến khích nhân viên thử nghiệm các công cụ AI mới từ dưới lên, đồng thời có sự ủng hộ và định hướng từ lãnh đạo để giảm thiểu rào cản và thúc đẩy áp dụng AI trong toàn tổ chức.
- Hợp tác với đối tác ngành để mở rộng tích hợp dữ liệu: Liên kết chặt chẽ với các nhà cung cấp dữ liệu tài chính và sử dụng các giao thức như MCP để đảm bảo các tác nhân AI có thể truy cập và xử lý hiệu quả nhiều nguồn dữ liệu khác nhau.
- bảng tính — spreadsheet
- mô hình AI — AI model
- tích hợp — integration
- an toàn — safety
- độ chính xác — accuracy
- Tác nhân AI — AI Agent
- truy xuất — retrieve
- phân tích — analyze
- tạo — generate
- bộ nhớ — memory
Tự động hóa và Chuyển đổi Quy trình làm việc tài chính
Các nhà phân tích thực hiện việc này một cách tĩnh trong một bảng tính Excel mà họ làm mới thủ công mỗi tuần, mỗi quý. Thay vì làm như vậy, BCI sử dụng tính năng sản phẩm/vật phẩm của chúng tôi để kết nối trực tiếp với các bộ dữ liệu S&P và FACSET, để sản phẩm/vật phẩm trở thành một dashboard trực tiếp về cách các chỉ số này so sánh với nhau, và chỉ với một câu lệnh đơn giản gửi đến Claude, bạn có thể dễ dàng cập nhật nó. Các sản phẩm/vật phẩm này cũng được chia sẻ với các giám đốc điều hành của họ, những người trực tiếp tương tác với các nền tảng này. Vì vậy, tôi nghĩ chúng ta thực sự đang chứng kiến không chỉ sự tăng tốc công việc mà còn là cách để công việc thực sự chuyển đổi. Xin chào, tôi là Alexander Brickin và tôi lãnh đạo nhóm kỹ thuật Trí tuệ nhân tạo ứng dụng của chúng tôi cho dịch vụ tài chính. Hôm nay chúng ta sẽ nói về Claude dành cho tài chính và tôi có đồng nghiệp Nick đi cùng. Xin chào, tôi là Nick Linn và tôi lãnh đạo bộ phận sản phẩm Claude cho dịch vụ tài chính. Tôi cũng là một chuyên viên ngân hàng đầu tư và nhà đầu tư vốn cổ phần tư nhân đã "phục hồi". Rất nhiều vấn đề chúng ta sắp nói đến rất gần gũi với tôi. Vì vậy, rất hào hứng, Alexander. Tuyệt vời. Vậy Nick, câu hỏi đầu tiên của tôi dành cho bạn là bạn cảm thấy thế nào về sự thay đổi trong bối cảnh AI cho dịch vụ tài chính hiện nay? Tôi đã ở Anthropic hơn một năm rưỡi rồi. Đó là trước Claude 3. Vì vậy, tôi nghĩ bối cảnh AI doanh nghiệp đã thay đổi đáng kể, đặc biệt trong vài tháng qua. Điều tôi thực sự nhận thấy là có một sự thay đổi cơ bản từ sự tò mò, quan sát từ bên lề, sang việc thực sự bắt đầu xây dựng và triển khai vào sản xuất. Như chúng ta đều biết, mã là một trong những sản phẩm/vật phẩm đầu tiên, một trong những lĩnh vực đầu tiên trong AI có sự phù hợp sản phẩm/thị trường thực sự mạnh mẽ. Tôi nghĩ chúng ta đang bắt đầu thấy điều này thực sự mở rộng sang các ngành dọc khác, bao gồm cả tài chính. Ví dụ, Nbin hoặc Quỹ Dự trữ Quốc gia Na Uy, một trong những khách hàng lớn nhất của chúng tôi, họ có khoảng 9.000 công ty danh mục đầu tư. Điều họ đã làm là tự xây dựng các tích hợp với những thứ như Giao thức Ngữ cảnh Mô hình (MCP) để tất cả các nhà quản lý danh mục đầu tư của họ truy vấn các tích hợp này mỗi ngày để nhận Thông tin chi tiết về danh mục đầu tư của họ. Vì vậy, tôi nghĩ chúng ta thực sự đang bắt đầu thấy các nhà phân tích dành ít thời gian hơn vào các phần công việc thủ công, tẻ nhạt hàng ngày và bắt đầu tập trung vào những gì họ thực sự quan tâm, đó là xây dựng mối quan hệ, gặp gỡ khách hàng và thực sự hiểu các mô hình kinh doanh của các công ty mà họ đang đầu tư.
Sự dịch chuyển trong bối cảnh AI và Mô hình thông minh
Đúng vậy, điều đó cũng rất phù hợp từ quan điểm của tôi với tư cách là một người AI ứng dụng. Bất cứ khi nào tôi đi tương tác với khách hàng, rất nhiều lần vào năm ngoái, chẳng hạn, họ sẽ bắt đầu bằng cách xây dựng một tính năng cuộc trò chuyện AI. Họ sẽ có một loạt mô hình AI được đại diện và họ sẽ chọn một, có thể là một người dùng doanh nghiệp ngẫu nhiên, và họ sẽ cố gắng làm việc với nó và chỉ trò chuyện với nó. Cuối cùng, bây giờ chúng ta đã thấy những thứ như MCP ra đời, nơi cuộc trò chuyện đã trở nên mạnh mẽ hơn rất nhiều, bạn có thể tương tác với các hệ thống bạn quan tâm. Và tôi nghĩ điều đó thực sự thú vị đối với tài chính vì thường có rất nhiều bề mặt sản phẩm mà mọi người phải tương tác. Nếu bạn cung cấp cho một mô hình AI một công cụ ngày nay, thường thì mô hình AI đủ thông minh để biết công cụ đó làm gì dựa trên mô tả công cụ và tên công cụ, nhưng đồng thời mô hình AI cũng có những yếu tố nguyên thủy nhất định được tích hợp sẵn, giống như bảo mật mà chúng tôi cố gắng tích hợp vào cách mô hình AI tương tác với thế giới. Vì vậy, chúng tôi đào tạo mô hình AI của mình để hữu ích, không gây hại và trung thực. Và thường đó là sự phản ánh của dữ liệu mà chúng diễn giải và kết quả đầu ra mà chúng tương ứng. Nhưng tôi nghĩ đó có lẽ là điều bạn cũng đang đề cập, rằng mô hình AI thường thông minh. Và vì vậy, nếu bạn cung cấp cho nó những lớp khác nhau này, bạn thực sự có thể thấy một số kết quả thú vị. An toàn là điều bạn đã đề cập. Điều đó rất cơ bản đối với mọi thứ chúng tôi làm. Đó là về việc triển khai an toàn các giải pháp này vào môi trường doanh nghiệp. Đó là về việc đảm bảo rằng các mô hình AI có thể trả lời chính xác các câu hỏi với mức độ hiểu biết đúng đắn về các vấn đề đó, và độ trung thực. Và thứ ba là thực sự mang lại cho người dùng của chúng tôi sự tin cậy, xác minh, khả năng kiểm toán để hiểu các kết quả này. Vì vậy, tôi nghĩ chúng tôi xem xét cả ba thành phần đó của an toàn.
Từ nghiên cứu đến sản phẩm tài chính tiên tiến
Vâng, nói về điều đó, Anthropic được thành lập dựa trên các nguyên tắc về an toàn AI. Đó là một tổ chức nghiên cứu từ đầu. Tôi tò mò làm thế nào chúng ta đã đi từ một tổ chức nghiên cứu đến việc phát hành một sản phẩm nổi bật trong dịch vụ tài chính? Theo tôi, Anthropic thực sự nhằm mục đích xây dựng các mô hình AI có thể được triển khai an toàn để giải quyết các vấn đề phức tạp và khó khăn nhất trên thế giới. Đúng không? Chúng tôi là tiên tiến nhất khi nói đến mã. 0,5% dân số thế giới là kỹ sư phần mềm. Vì vậy, đó chỉ là một phần nhỏ của những vấn đề thực sự phức tạp, khó khăn này mà chúng ta thực sự có thể bắt đầu giải quyết. Đúng không? Chúng thực sự tồn tại ở mọi nơi khác trên thế giới. Mã rất cơ bản đối với mọi phần của một công ty, đúng không? Đó là cách một công ty được điều hành. Vì vậy, điều đó có nghĩa là Claude thực sự tuyệt vời trong việc tương tác với các hệ thống phức tạp hơn, có thể bộc lộ tư duy và logic của nó. Và đó cũng là điều tuyệt vời trong tài chính, đúng không? Tài chính là những vấn đề phức tạp được triển khai vào các ngành dọc được quản lý cần xác minh, khả năng kiểm toán. Và cuối cùng, độ chính xác thực sự quan trọng. Các nhà phân tích tài chính ngày nay dành rất nhiều thời gian để đạt đến mức độ hoàn hảo từng pixel, chẳng hạn như một bài thuyết trình PowerPoint hoặc một mô hình Excel, đúng không? Bạn không thể sai bất cứ điều gì. Và thật buồn cười khi bây giờ chúng ta đang ở trong một mô hình mà các mô hình AI có thể làm điều tương tự, nhưng sử dụng các khả năng mà chúng có để viết logic có cấu trúc thực sự. Và đó thực sự là điều chúng tôi đã thấy các mô hình ngôn ngữ giỏi, điều chúng tôi đã đào tạo chúng về, và khả năng làm điều đó. Có vẻ như nó chỉ đang được trừu tượng hóa thành rất nhiều lĩnh vực khác, như tạo bảng tính Excel hoặc tạo PowerPoint. Và vì vậy, vâng, thật là ấn tượng đối với tôi khi thấy có bao nhiêu lĩnh vực mà logic và lý luận của các mô hình AI này thực sự chạm tới. Cuối cùng, đây là các hệ thống kỹ thuật số mà chúng ta tương tác mỗi ngày, đúng không? Việc Claude giỏi về mã mang lại cho nó một kỹ năng linh hoạt và một lối tắt để thực hiện tất cả những điều thú vị, tuyệt vời này, đúng không? Tính năng tạo tệp của chúng tôi đã được ra mắt vài tuần trước, cho phép Claude tạo tài liệu Excel và PowerPoint về cơ bản là Claude truy cập vào một máy ảo mà trong đó nó có thể chạy mã Python ở quy mô lớn để chỉnh sửa, phân tích và tạo tài liệu Excel và tạo ra các mô hình DCF hoàn hảo này, điều mà tôi nghĩ là siêu thú vị đối với chúng tôi. Đúng không? Vì vậy, tôi nghĩ có rất nhiều lĩnh vực khác mà mã có thể thực sự bắt đầu mở khóa.
Claude cho Tài chính: Khác biệt và Cách thức hoạt động
Điều gì khác biệt giữa Claude cho Tài chính so với các sản phẩm khác trên thị trường dịch vụ tài chính? Có ba động từ mà tôi suy nghĩ rất nhiều, chi phối những gì tôi muốn xây dựng cho Claude cho Tài chính. Đó là: truy xuất, phân tích và tạo. Bắt đầu với truy xuất, nhiều Tác nhân AI nghiên cứu trên thị trường đã đạt được sự trưởng thành khá lớn, đúng không? Mô hình ngôn ngữ lớn (LLM) rất tuyệt vời trong việc đào sâu vào các nhóm dữ liệu lớn và thu thập Thông tin chi tiết và có thể đọc nhanh hơn con người có lẽ 5.000 lần. Nhưng điều chúng tôi muốn làm với Tài chính là đảm bảo rằng các hệ thống này có thể kết nối với tất cả các nguồn dữ liệu cốt lõi mà các nhà phân tích tài chính làm việc. Trong Tài chính, khả năng khám phá Thông tin chi tiết nhanh hơn đối thủ cạnh tranh và đồng nghiệp là một lợi thế thực sự quan trọng. Giờ đây, từ đó, thật tuyệt khi chúng ta có thể truy xuất thông tin này và kết nối với nó, nhưng khả năng thực hiện phân tích ở quy mô lớn, thông qua mã hoặc thông qua bảng tính, cũng rất cơ bản. Các mô hình tài chính không chỉ là những bảng tính Excel đẹp mắt, đúng không? Chúng là một cách để các nhà phân tích tài chính đưa ra phán đoán của riêng họ về tương lai trông như thế nào và định giá phù hợp cho công ty đó là gì, đúng không? Vì vậy, với suy nghĩ đó, chúng tôi muốn Claude thực sự giỏi trong việc hiểu các khái niệm tài chính cốt lõi và thao tác các hệ thống như Excel và bảng tính để có thể thực hiện phép tính đó. Và phần thứ ba là tạo, đúng không? Tất cả chúng ta đều là những sinh vật xã hội trong doanh nghiệp, đúng không? Chúng ta làm việc để chia sẻ với người khác. Vì vậy, bản thân các kết quả đầu ra dưới dạng bảng tính, tài liệu PowerPoint, Word, việc thực hiện điều này theo cách sẵn sàng cho khách hàng, sẵn sàng cho hội đồng quản trị là rất quan trọng. Vì vậy, chúng tôi thực sự muốn bắt đầu đẩy mạnh khả năng của Claude để có thể làm điều đó, để nó là một hệ thống tác nhân tự chủ, đầu cuối. Điều đó rất hợp lý. Tôi cảm thấy như chúng ta xây dựng những yếu tố nguyên thủy này và sau đó chúng gần như trở thành một quả cầu tuyết. Vì vậy, bạn có bước truy xuất, đúng không? Bạn xây dựng một máy chủ MCP để kết nối với một hệ thống. Nhưng sau đó, nếu bạn lấy dữ liệu từ hệ thống đó, có thể nó kết nối với một số hệ thống khác theo một cách độc đáo. Giống như bạn nhận dữ liệu từ Snowflake, giả sử bạn tìm thấy một ID ở đó và bạn cần kết nối nó với Salesforce instance của mình. Bạn có thể dễ dàng làm điều đó với một số yếu tố nguyên thủy mà chúng tôi đã xây dựng ở phía truy xuất. Nhưng sau đó nó tiếp tục trở thành một quả cầu tuyết. Bạn có phân tích nơi Claude có thể viết một loạt mã và về cơ bản ghép nối một số thông tin đó. Và sau đó cuối cùng, tạo thậm chí còn đi xa hơn một bước và đưa nó vào môi trường mà ai đó quan tâm. Gửi yêu cầu POST đó trở lại API ví dụ đến một hệ thống nơi một nhà phân tích hoặc một nhà điều hành có thể thấy thông tin mà Claude đã lý giải.
Cấu trúc Giải pháp Claude cho Tài chính (Mô hình, Khả năng tác nhân, Nền tảng)
Vậy hãy nói thêm một chút về Claude cho Tài chính thực sự là gì. Nó hoạt động như thế nào? Điều gì làm cho nó trở nên đặc biệt? Có ba lớp mà chúng tôi suy nghĩ trong giải pháp của mình: mô hình AI, khả năng tác nhân và nền tảng, bắt đầu với bản thân các mô hình AI. Về cơ bản, chúng tôi là một phòng thí nghiệm nghiên cứu, đúng không? Mọi thứ chúng tôi làm thực sự nhằm mục đích biến Claude thành mô hình AI tốt nhất cho dịch vụ tài chính. Giờ đây, tài chính đặt ra một số thách thức thú vị cho chúng tôi, đúng không? Mã là thứ mà chúng tôi có thể thử nghiệm mỗi ngày với tư cách là kỹ sư phần mềm và quản lý sản phẩm. Nhưng có rất ít chuyên viên ngân hàng đầu tư trong bốn bức tường của Anthropic. Vì vậy, đây là nơi chúng tôi thực sự vui mừng được làm việc với các khách hàng ban đầu, như BCI, ProLat Weinberg và MBIM, để thực sự cho chúng tôi biết họ thực sự quan tâm đến những trường hợp sử dụng nào, điều gì được coi là tốt, và sau đó quan trọng hơn nhiều, giúp chúng tôi khám phá những lỗ hổng mà chúng tôi có thể đưa trở lại quy trình nghiên cứu. Điều thứ hai là về phía sản phẩm, đúng không? Khả năng tác nhân về cơ bản là mã mà chúng tôi viết để cho phép người dùng tương tác với các mô hình AI. Chúng tôi đã xây dựng các khả năng như nghiên cứu sâu. Giờ đây, chúng tôi thực sự đang đầu tư vào việc có thể nhúng Claude vào tất cả các bề mặt cốt lõi mà bạn làm việc, không chỉ Claude Enterprise, Claude AI, mà còn cả tiện ích mở rộng trình duyệt, Excel, Chrome và các bề mặt khác mà các nhà phân tích và khách hàng doanh nghiệp của chúng tôi làm việc mỗi ngày. Phần cuối cùng là chúng tôi muốn, một lần nữa, xây dựng một nền tảng thực sự linh hoạt có thể được điều chỉnh và triển khai rất dễ dàng cho khách hàng của chúng tôi. Đó là lý do tại sao chúng tôi đã dành rất nhiều thời gian với các đối tác trong ngành như S&P, FACS, Pitchbook, để xây dựng các tích hợp này để các Tác nhân AI này có thể mạnh mẽ nhất có thể.
Tình hình áp dụng và Văn hóa AI trong doanh nghiệp
Vậy tôi tò mò về tình hình áp dụng, đúng không? Ai đang sử dụng điều này? Tại sao họ lại hào hứng với nó? Hãy cho chúng tôi biết về điều đó. Như tôi đã đề cập trước đây, chúng tôi thực sự đang thấy những nhóm áp dụng trên toàn ngành. Tôi thường được hỏi, bạn thấy AI được áp dụng ở những phân ngành nào trong tài chính? Tôi nghĩ nó ít liên quan đến các phân ngành, mà liên quan nhiều hơn đến văn hóa mà khách hàng của chúng tôi thực sự đã tạo ra, đúng không? Điều này đòi hỏi sự kết hợp tốt giữa khuyến khích và áp dụng từ trên xuống để giảm các rào cản, nhưng cũng là một văn hóa thử nghiệm từ dưới lên, đúng không? Để thử tất cả các công cụ ngoài kia để tìm ra điều gì có ý nghĩa.
Chuyển đổi công việc với Claude và Artifacts
Với những điều đó, tôi nghĩ rằng một số khách hàng chính mà chúng tôi nhận thấy sự chấp nhận mạnh mẽ, ví dụ như BCI, họ đã thay đổi cơ bản cách thức làm việc. Có những điều gọi là Comps Analysis (phân tích so sánh) mà các nhà phân tích thực hiện, về cơ bản có nghĩa là bạn đang so sánh các chỉ số tài chính và hoạt động của tất cả các công ty khác nhau để tìm ra liệu chúng có đang giao dịch ở mức giá trị đúng hay không. Các nhà phân tích thực hiện việc này một cách tĩnh trên một bảng tính Excel mà họ cập nhật thủ công mỗi tuần, mỗi quý. Thay vì làm như vậy, BCI đã sử dụng tính năng artifacts của chúng tôi để kết nối trực tiếp với các tập dữ liệu S&P và FactSet để artifact trở thành một dashboard (bảng điều khiển) trực tiếp về cách các chỉ số này so sánh với nhau. Và với một câu lệnh đơn giản gửi tới Claude, bạn có thể dễ dàng cập nhật nó. Các artifacts này cũng được chia sẻ với các giám đốc điều hành của họ, những người cũng đang trực tiếp tương tác với các nền tảng này. Vì vậy, tôi nghĩ chúng tôi thực sự đang thấy không chỉ sự tăng tốc của công việc mà còn là một cách để công việc thực sự được chuyển đổi.
Vai trò của Bộ nhớ trong Claude dành cho tài chính
Bộ nhớ là một phần cơ bản trong cách con người tồn tại trên thế giới, phải không? Bạn phải ghi nhớ mọi thứ để biết mình đã để chìa khóa ở đâu lần cuối, chẳng hạn. Làm thế nào để chúng tôi xây dựng điều đó vào các mô hình của mình? Và tại sao điều đó lại quan trọng đối với các dịch vụ tài chính? Cách chúng tôi nghĩ về việc hợp tác với khách hàng, như tôi đã đề cập trước đây – có rất ít điều chúng tôi có thể tự kiểm tra nội bộ cho các trường hợp tài chính này – là một lần nữa, làm việc thực sự chặt chẽ với các khách hàng doanh nghiệp để hiểu nơi nào mọi thứ đang hoạt động hoặc không, phải không? Và các hệ thống bộ nhớ là điều thực sự quan trọng để cho phép Claude hiểu và duy trì ngữ cảnh trên tất cả các công cụ và bề mặt khác nhau mà nó làm việc. Claude có mặt trong Claude AI, trong Excel, trong trình duyệt, tương tác với FactSet, S&P. Khả năng hiểu các mẫu, hiểu các tùy chọn cho, bạn biết đấy, mẫu DCF mà bạn muốn Claude ghi nhớ. Tất cả những điều này thực sự quan trọng để đảm bảo rằng Claude là một "thực tập sinh" liên tục trở nên tốt hơn thông qua các tương tác của nó với bạn. Và theo thời gian, bạn có thể tưởng tượng ai đó nhắc nhở mô hình như, "Này, bạn đã tính công thức này hơi sai một chút," và sau đó Claude có cách nào đó để lưu trữ bộ nhớ đó, cho dù đó là một hệ thống tệp hay ngầm định, v.v., điều này khá tuyệt vời. Tôi rất hào hứng với điều đó. Hoặc nếu, bạn biết đấy, người dùng và nhà phân tích thực sự muốn sử dụng S&P cho một phần cụ thể của tính toán EBITDA, Claude nên ghi nhớ những tùy chọn đó, giống như, bạn biết đấy, một thực tập sinh giỏi sẽ làm.
Tương lai của Claude trong tài chính: Nghiên cứu, Sản phẩm và Đối tác
Tuyệt vời. Chúng ta đã nói rất nhiều về Claude cho lĩnh vực tài chính. Tôi tò mò, theo ý kiến của bạn, điều gì tiếp theo cho các tổ chức sản phẩm và nghiên cứu của chúng ta liên quan đến việc làm cho Claude tốt hơn cho tài chính? Vâng, bạn biết đấy, nhìn lại một chút, Anthropic tập trung vào doanh nghiệp, ưu tiên doanh nghiệp. Cách duy nhất để chúng tôi mang lại kết quả cho doanh nghiệp đó là tập trung vào các lĩnh vực cụ thể. Tài chính là một trong những lĩnh vực quan trọng nhất đối với Anthropic trên toàn bộ hệ thống: nghiên cứu, sản phẩm và chiến lược go-to-market (đưa sản phẩm ra thị trường). Bắt đầu với nghiên cứu, chúng tôi cuối cùng cũng bắt đầu đầu tư vào cả pre-training (tiền huấn luyện) và post-training (hậu huấn luyện) cụ thể cho tài chính. Về phía sản phẩm, có ba điều tôi thực sự hào hứng: Một là đi sâu hơn vào các phân ngành cụ thể. Quỹ đầu tư tư nhân có những nhu cầu rất khác so với quỹ phòng hộ, các công ty bảo hiểm và ngân hàng đầu tư. Chúng tôi muốn thực sự bắt đầu hiểu và bóc tách những sắc thái của các quy trình làm việc đó và đảm bảo rằng các thành phần chúng tôi đang xây dựng phục vụ đầy đủ các quy trình làm việc đó. Chúng tôi cũng rất hào hứng với khả năng có Claude ở mọi nơi, không chỉ trong trình duyệt, mà còn trong Excel và PowerPoint. Trên PowerPoint và Excel, tôi nghĩ chúng ta vẫn còn nhiều chỗ để cải thiện chất lượng của các kết quả đầu ra đó. Vì vậy, rất vui được làm việc lại thực sự chặt chẽ với nghiên cứu và đưa những khả năng này vào sản phẩm. Về phía đối tác, điều thực sự quan trọng đối với chúng tôi là làm việc chặt chẽ với ngành. Thật đáng khích lệ khi thấy rằng các máy chủ MCP (Model Context Protocol) mới chỉ ra mắt được sáu tháng, và các nhà lãnh đạo ngành lớn như S&P và FactSet đã xuất bản các phiên bản tuyệt vời, đầy đủ chức năng của máy chủ MCP của riêng họ. Chúng tôi muốn tiếp tục gắn kết ngành lại với nhau, bao gồm một số thông báo gần đây mà chúng tôi đã đưa ra. Phần cuối cùng là làm việc thực sự chặt chẽ với các khách hàng doanh nghiệp. Về cơ bản, đó là cách chúng tôi hợp tác – để dịch các nhu cầu của họ và giúp chúng tôi xây dựng các khả năng nghiên cứu và sản phẩm để đáp ứng những nhu cầu đó.
Hợp tác với khách hàng doanh nghiệp và eVALs
Tôi hoàn toàn đồng ý với điều đó vì không phải ai cũng đến từ nền tảng dịch vụ tài chính như bạn ở Anthropic. Tôi cảm thấy chúng tôi học được nhiều nhất từ những khách hàng mà chúng tôi hợp tác sâu rộng, đặc biệt là khi họ thiết kế eVALs (đánh giá hiệu suất) chẳng hạn. Điều đó cung cấp cho chúng tôi rất nhiều tín hiệu về cách mô hình thực sự hoạt động trong môi trường sản xuất. Tôi nghĩ rằng mức độ hợp tác đó là điều chúng tôi đang hướng tới với Claude cho lĩnh vực tài chính. Tôi nghĩ đó là điều chính mà tôi muốn khuyến khích các khách hàng doanh nghiệp của chúng tôi suy nghĩ. Họ biết, eVALs nghe có vẻ là những khái niệm bí ẩn, nhưng chúng thực sự đơn giản: đó là những tác vụ bạn quan tâm và những vấn đề bạn muốn giải quyết, cùng với việc xác định rõ ràng điều gì được coi là tốt cho những tác vụ đó. Điều thực sự quan trọng đối với các khách hàng doanh nghiệp là phải suy nghĩ kỹ lưỡng về những vấn đề này, thay vì nghĩ rằng, "Ồ, tôi cần tích hợp AI vào mọi phần trong doanh nghiệp của mình." Đó là cách chúng tôi có thể hợp tác rất chặt chẽ với các khách hàng doanh nghiệp. Chúng tôi đưa các eVALs đó trực tiếp vào quá trình huấn luyện, trực tiếp vào quy trình sản phẩm, để chúng tôi có thể cung cấp những khả năng này cho khách hàng của mình. 100%. Cảm ơn bạn rất nhiều, Nick. Đây là một cuộc trò chuyện tuyệt vời. Cảm ơn bạn đã dành thời gian. Cảm ơn vì đã mời tôi, Alexander.
TL;DR
- Bối cảnh AI cho dịch vụ tài chính đang chuyển mình mạnh mẽ từ giai đoạn thử nghiệm sang triển khai thực tế, tập trung vào việc tự động hóa các tác vụ thủ công và tẻ nhạt.
- Claude for Finance khác biệt nhờ khả năng truy xuất, phân tích dữ liệu quy mô lớn thông qua mã, và tạo ra các tài liệu tài chính chất lượng cao, từ đó thúc đẩy chuyển đổi công việc thay vì chỉ tăng tốc.
- Thành công trong việc áp dụng AI đòi hỏi một nền văn hóa doanh nghiệp khuyến khích thử nghiệm, cùng với việc xây dựng các mô hình có "bộ nhớ" và khả năng duy trì ngữ cảnh để đảm bảo độ chính xác và khả năng kiểm toán.
Điểm chính
- Tự động hóa quy trình phân tích tài chính: Sử dụng AI để kết nối trực tiếp với các bộ dữ liệu tài chính lớn (ví dụ: S&P, FactSet) và tạo ra bảng điều khiển động (dashboard), loại bỏ việc cập nhật thủ công trên Excel.
- Triển khai hệ thống tác nhân AI tự chủ: Xây dựng các tác nhân AI có khả năng thực hiện toàn bộ quy trình từ truy xuất dữ liệu, phân tích chuyên sâu bằng mã, đến tạo ra các báo cáo và mô hình tài chính hoàn chỉnh (ví dụ: DCF, PowerPoint).
- Ưu tiên an toàn, độ chính xác và khả năng kiểm toán: Đảm bảo các mô hình AI được đào tạo để cung cấp thông tin chính xác, đáng tin cậy và có thể kiểm chứng được, đặc biệt quan trọng trong môi trường tài chính được quản lý chặt chẽ.
- Tích hợp AI vào công cụ làm việc hàng ngày: Nhúng khả năng của AI (ví dụ: Claude) trực tiếp vào các nền tảng và ứng dụng mà nhà phân tích sử dụng thường xuyên như Excel, tiện ích mở rộng trình duyệt, để tối ưu hóa quy trình làm việc.
- Phát triển khả năng lý luận và tạo mã của AI: Khai thác thế mạnh của AI trong việc tạo ra mã có cấu trúc (ví dụ: Python) để xử lý các phép tính phức tạp, xây dựng mô hình tài chính và tự động hóa việc tạo bảng tính.
- Xây dựng khả năng "bộ nhớ" và quản lý ngữ cảnh cho AI: Cho phép mô hình AI lưu trữ và học hỏi các ưu tiên của người dùng, ngữ cảnh công việc và các mẫu tương tác để liên tục cải thiện hiệu suất và độ chính xác theo thời gian.
- Nuôi dưỡng văn hóa thử nghiệm và hỗ trợ từ cấp cao: Khuyến khích nhân viên thử nghiệm các công cụ AI mới từ dưới lên, đồng thời có sự ủng hộ và định hướng từ lãnh đạo để giảm thiểu rào cản và thúc đẩy áp dụng AI trong toàn tổ chức.
- Hợp tác với đối tác ngành để mở rộng tích hợp dữ liệu: Liên kết chặt chẽ với các nhà cung cấp dữ liệu tài chính và sử dụng các giao thức như MCP để đảm bảo các tác nhân AI có thể truy cập và xử lý hiệu quả nhiều nguồn dữ liệu khác nhau.
Từ vựng
- bảng tính — spreadsheet
- mô hình AI — AI model
- tích hợp — integration
- an toàn — safety
- độ chính xác — accuracy
- Tác nhân AI — AI Agent
- truy xuất — retrieve
- phân tích — analyze
- tạo — generate
- bộ nhớ — memory
Nội dung chi tiết
Tự động hóa và Chuyển đổi Quy trình làm việc tài chính
Các nhà phân tích thực hiện việc này một cách tĩnh trong một bảng tính Excel mà họ làm mới thủ công mỗi tuần, mỗi quý. Thay vì làm như vậy, BCI sử dụng tính năng sản phẩm/vật phẩm của chúng tôi để kết nối trực tiếp với các bộ dữ liệu S&P và FACSET, để sản phẩm/vật phẩm trở thành một dashboard trực tiếp về cách các chỉ số này so sánh với nhau, và chỉ với một câu lệnh đơn giản gửi đến Claude, bạn có thể dễ dàng cập nhật nó. Các sản phẩm/vật phẩm này cũng được chia sẻ với các giám đốc điều hành của họ, những người trực tiếp tương tác với các nền tảng này. Vì vậy, tôi nghĩ chúng ta thực sự đang chứng kiến không chỉ sự tăng tốc công việc mà còn là cách để công việc thực sự chuyển đổi. Xin chào, tôi là Alexander Brickin và tôi lãnh đạo nhóm kỹ thuật Trí tuệ nhân tạo ứng dụng của chúng tôi cho dịch vụ tài chính. Hôm nay chúng ta sẽ nói về Claude dành cho tài chính và tôi có đồng nghiệp Nick đi cùng. Xin chào, tôi là Nick Linn và tôi lãnh đạo bộ phận sản phẩm Claude cho dịch vụ tài chính. Tôi cũng là một chuyên viên ngân hàng đầu tư và nhà đầu tư vốn cổ phần tư nhân đã "phục hồi". Rất nhiều vấn đề chúng ta sắp nói đến rất gần gũi với tôi. Vì vậy, rất hào hứng, Alexander. Tuyệt vời. Vậy Nick, câu hỏi đầu tiên của tôi dành cho bạn là bạn cảm thấy thế nào về sự thay đổi trong bối cảnh AI cho dịch vụ tài chính hiện nay? Tôi đã ở Anthropic hơn một năm rưỡi rồi. Đó là trước Claude 3. Vì vậy, tôi nghĩ bối cảnh AI doanh nghiệp đã thay đổi đáng kể, đặc biệt trong vài tháng qua. Điều tôi thực sự nhận thấy là có một sự thay đổi cơ bản từ sự tò mò, quan sát từ bên lề, sang việc thực sự bắt đầu xây dựng và triển khai vào sản xuất. Như chúng ta đều biết, mã là một trong những sản phẩm/vật phẩm đầu tiên, một trong những lĩnh vực đầu tiên trong AI có sự phù hợp sản phẩm/thị trường thực sự mạnh mẽ. Tôi nghĩ chúng ta đang bắt đầu thấy điều này thực sự mở rộng sang các ngành dọc khác, bao gồm cả tài chính. Ví dụ, Nbin hoặc Quỹ Dự trữ Quốc gia Na Uy, một trong những khách hàng lớn nhất của chúng tôi, họ có khoảng 9.000 công ty danh mục đầu tư. Điều họ đã làm là tự xây dựng các tích hợp với những thứ như Giao thức Ngữ cảnh Mô hình (MCP) để tất cả các nhà quản lý danh mục đầu tư của họ truy vấn các tích hợp này mỗi ngày để nhận Thông tin chi tiết về danh mục đầu tư của họ. Vì vậy, tôi nghĩ chúng ta thực sự đang bắt đầu thấy các nhà phân tích dành ít thời gian hơn vào các phần công việc thủ công, tẻ nhạt hàng ngày và bắt đầu tập trung vào những gì họ thực sự quan tâm, đó là xây dựng mối quan hệ, gặp gỡ khách hàng và thực sự hiểu các mô hình kinh doanh của các công ty mà họ đang đầu tư.
Sự dịch chuyển trong bối cảnh AI và Mô hình thông minh
Đúng vậy, điều đó cũng rất phù hợp từ quan điểm của tôi với tư cách là một người AI ứng dụng. Bất cứ khi nào tôi đi tương tác với khách hàng, rất nhiều lần vào năm ngoái, chẳng hạn, họ sẽ bắt đầu bằng cách xây dựng một tính năng cuộc trò chuyện AI. Họ sẽ có một loạt mô hình AI được đại diện và họ sẽ chọn một, có thể là một người dùng doanh nghiệp ngẫu nhiên, và họ sẽ cố gắng làm việc với nó và chỉ trò chuyện với nó. Cuối cùng, bây giờ chúng ta đã thấy những thứ như MCP ra đời, nơi cuộc trò chuyện đã trở nên mạnh mẽ hơn rất nhiều, bạn có thể tương tác với các hệ thống bạn quan tâm. Và tôi nghĩ điều đó thực sự thú vị đối với tài chính vì thường có rất nhiều bề mặt sản phẩm mà mọi người phải tương tác. Nếu bạn cung cấp cho một mô hình AI một công cụ ngày nay, thường thì mô hình AI đủ thông minh để biết công cụ đó làm gì dựa trên mô tả công cụ và tên công cụ, nhưng đồng thời mô hình AI cũng có những yếu tố nguyên thủy nhất định được tích hợp sẵn, giống như bảo mật mà chúng tôi cố gắng tích hợp vào cách mô hình AI tương tác với thế giới. Vì vậy, chúng tôi đào tạo mô hình AI của mình để hữu ích, không gây hại và trung thực. Và thường đó là sự phản ánh của dữ liệu mà chúng diễn giải và kết quả đầu ra mà chúng tương ứng. Nhưng tôi nghĩ đó có lẽ là điều bạn cũng đang đề cập, rằng mô hình AI thường thông minh. Và vì vậy, nếu bạn cung cấp cho nó những lớp khác nhau này, bạn thực sự có thể thấy một số kết quả thú vị. An toàn là điều bạn đã đề cập. Điều đó rất cơ bản đối với mọi thứ chúng tôi làm. Đó là về việc triển khai an toàn các giải pháp này vào môi trường doanh nghiệp. Đó là về việc đảm bảo rằng các mô hình AI có thể trả lời chính xác các câu hỏi với mức độ hiểu biết đúng đắn về các vấn đề đó, và độ trung thực. Và thứ ba là thực sự mang lại cho người dùng của chúng tôi sự tin cậy, xác minh, khả năng kiểm toán để hiểu các kết quả này. Vì vậy, tôi nghĩ chúng tôi xem xét cả ba thành phần đó của an toàn.
Từ nghiên cứu đến sản phẩm tài chính tiên tiến
Vâng, nói về điều đó, Anthropic được thành lập dựa trên các nguyên tắc về an toàn AI. Đó là một tổ chức nghiên cứu từ đầu. Tôi tò mò làm thế nào chúng ta đã đi từ một tổ chức nghiên cứu đến việc phát hành một sản phẩm nổi bật trong dịch vụ tài chính? Theo tôi, Anthropic thực sự nhằm mục đích xây dựng các mô hình AI có thể được triển khai an toàn để giải quyết các vấn đề phức tạp và khó khăn nhất trên thế giới. Đúng không? Chúng tôi là tiên tiến nhất khi nói đến mã. 0,5% dân số thế giới là kỹ sư phần mềm. Vì vậy, đó chỉ là một phần nhỏ của những vấn đề thực sự phức tạp, khó khăn này mà chúng ta thực sự có thể bắt đầu giải quyết. Đúng không? Chúng thực sự tồn tại ở mọi nơi khác trên thế giới. Mã rất cơ bản đối với mọi phần của một công ty, đúng không? Đó là cách một công ty được điều hành. Vì vậy, điều đó có nghĩa là Claude thực sự tuyệt vời trong việc tương tác với các hệ thống phức tạp hơn, có thể bộc lộ tư duy và logic của nó. Và đó cũng là điều tuyệt vời trong tài chính, đúng không? Tài chính là những vấn đề phức tạp được triển khai vào các ngành dọc được quản lý cần xác minh, khả năng kiểm toán. Và cuối cùng, độ chính xác thực sự quan trọng. Các nhà phân tích tài chính ngày nay dành rất nhiều thời gian để đạt đến mức độ hoàn hảo từng pixel, chẳng hạn như một bài thuyết trình PowerPoint hoặc một mô hình Excel, đúng không? Bạn không thể sai bất cứ điều gì. Và thật buồn cười khi bây giờ chúng ta đang ở trong một mô hình mà các mô hình AI có thể làm điều tương tự, nhưng sử dụng các khả năng mà chúng có để viết logic có cấu trúc thực sự. Và đó thực sự là điều chúng tôi đã thấy các mô hình ngôn ngữ giỏi, điều chúng tôi đã đào tạo chúng về, và khả năng làm điều đó. Có vẻ như nó chỉ đang được trừu tượng hóa thành rất nhiều lĩnh vực khác, như tạo bảng tính Excel hoặc tạo PowerPoint. Và vì vậy, vâng, thật là ấn tượng đối với tôi khi thấy có bao nhiêu lĩnh vực mà logic và lý luận của các mô hình AI này thực sự chạm tới. Cuối cùng, đây là các hệ thống kỹ thuật số mà chúng ta tương tác mỗi ngày, đúng không? Việc Claude giỏi về mã mang lại cho nó một kỹ năng linh hoạt và một lối tắt để thực hiện tất cả những điều thú vị, tuyệt vời này, đúng không? Tính năng tạo tệp của chúng tôi đã được ra mắt vài tuần trước, cho phép Claude tạo tài liệu Excel và PowerPoint về cơ bản là Claude truy cập vào một máy ảo mà trong đó nó có thể chạy mã Python ở quy mô lớn để chỉnh sửa, phân tích và tạo tài liệu Excel và tạo ra các mô hình DCF hoàn hảo này, điều mà tôi nghĩ là siêu thú vị đối với chúng tôi. Đúng không? Vì vậy, tôi nghĩ có rất nhiều lĩnh vực khác mà mã có thể thực sự bắt đầu mở khóa.
Claude cho Tài chính: Khác biệt và Cách thức hoạt động
Điều gì khác biệt giữa Claude cho Tài chính so với các sản phẩm khác trên thị trường dịch vụ tài chính? Có ba động từ mà tôi suy nghĩ rất nhiều, chi phối những gì tôi muốn xây dựng cho Claude cho Tài chính. Đó là: truy xuất, phân tích và tạo. Bắt đầu với truy xuất, nhiều Tác nhân AI nghiên cứu trên thị trường đã đạt được sự trưởng thành khá lớn, đúng không? Mô hình ngôn ngữ lớn (LLM) rất tuyệt vời trong việc đào sâu vào các nhóm dữ liệu lớn và thu thập Thông tin chi tiết và có thể đọc nhanh hơn con người có lẽ 5.000 lần. Nhưng điều chúng tôi muốn làm với Tài chính là đảm bảo rằng các hệ thống này có thể kết nối với tất cả các nguồn dữ liệu cốt lõi mà các nhà phân tích tài chính làm việc. Trong Tài chính, khả năng khám phá Thông tin chi tiết nhanh hơn đối thủ cạnh tranh và đồng nghiệp là một lợi thế thực sự quan trọng. Giờ đây, từ đó, thật tuyệt khi chúng ta có thể truy xuất thông tin này và kết nối với nó, nhưng khả năng thực hiện phân tích ở quy mô lớn, thông qua mã hoặc thông qua bảng tính, cũng rất cơ bản. Các mô hình tài chính không chỉ là những bảng tính Excel đẹp mắt, đúng không? Chúng là một cách để các nhà phân tích tài chính đưa ra phán đoán của riêng họ về tương lai trông như thế nào và định giá phù hợp cho công ty đó là gì, đúng không? Vì vậy, với suy nghĩ đó, chúng tôi muốn Claude thực sự giỏi trong việc hiểu các khái niệm tài chính cốt lõi và thao tác các hệ thống như Excel và bảng tính để có thể thực hiện phép tính đó. Và phần thứ ba là tạo, đúng không? Tất cả chúng ta đều là những sinh vật xã hội trong doanh nghiệp, đúng không? Chúng ta làm việc để chia sẻ với người khác. Vì vậy, bản thân các kết quả đầu ra dưới dạng bảng tính, tài liệu PowerPoint, Word, việc thực hiện điều này theo cách sẵn sàng cho khách hàng, sẵn sàng cho hội đồng quản trị là rất quan trọng. Vì vậy, chúng tôi thực sự muốn bắt đầu đẩy mạnh khả năng của Claude để có thể làm điều đó, để nó là một hệ thống tác nhân tự chủ, đầu cuối. Điều đó rất hợp lý. Tôi cảm thấy như chúng ta xây dựng những yếu tố nguyên thủy này và sau đó chúng gần như trở thành một quả cầu tuyết. Vì vậy, bạn có bước truy xuất, đúng không? Bạn xây dựng một máy chủ MCP để kết nối với một hệ thống. Nhưng sau đó, nếu bạn lấy dữ liệu từ hệ thống đó, có thể nó kết nối với một số hệ thống khác theo một cách độc đáo. Giống như bạn nhận dữ liệu từ Snowflake, giả sử bạn tìm thấy một ID ở đó và bạn cần kết nối nó với Salesforce instance của mình. Bạn có thể dễ dàng làm điều đó với một số yếu tố nguyên thủy mà chúng tôi đã xây dựng ở phía truy xuất. Nhưng sau đó nó tiếp tục trở thành một quả cầu tuyết. Bạn có phân tích nơi Claude có thể viết một loạt mã và về cơ bản ghép nối một số thông tin đó. Và sau đó cuối cùng, tạo thậm chí còn đi xa hơn một bước và đưa nó vào môi trường mà ai đó quan tâm. Gửi yêu cầu POST đó trở lại API ví dụ đến một hệ thống nơi một nhà phân tích hoặc một nhà điều hành có thể thấy thông tin mà Claude đã lý giải.
Cấu trúc Giải pháp Claude cho Tài chính (Mô hình, Khả năng tác nhân, Nền tảng)
Vậy hãy nói thêm một chút về Claude cho Tài chính thực sự là gì. Nó hoạt động như thế nào? Điều gì làm cho nó trở nên đặc biệt? Có ba lớp mà chúng tôi suy nghĩ trong giải pháp của mình: mô hình AI, khả năng tác nhân và nền tảng, bắt đầu với bản thân các mô hình AI. Về cơ bản, chúng tôi là một phòng thí nghiệm nghiên cứu, đúng không? Mọi thứ chúng tôi làm thực sự nhằm mục đích biến Claude thành mô hình AI tốt nhất cho dịch vụ tài chính. Giờ đây, tài chính đặt ra một số thách thức thú vị cho chúng tôi, đúng không? Mã là thứ mà chúng tôi có thể thử nghiệm mỗi ngày với tư cách là kỹ sư phần mềm và quản lý sản phẩm. Nhưng có rất ít chuyên viên ngân hàng đầu tư trong bốn bức tường của Anthropic. Vì vậy, đây là nơi chúng tôi thực sự vui mừng được làm việc với các khách hàng ban đầu, như BCI, ProLat Weinberg và MBIM, để thực sự cho chúng tôi biết họ thực sự quan tâm đến những trường hợp sử dụng nào, điều gì được coi là tốt, và sau đó quan trọng hơn nhiều, giúp chúng tôi khám phá những lỗ hổng mà chúng tôi có thể đưa trở lại quy trình nghiên cứu. Điều thứ hai là về phía sản phẩm, đúng không? Khả năng tác nhân về cơ bản là mã mà chúng tôi viết để cho phép người dùng tương tác với các mô hình AI. Chúng tôi đã xây dựng các khả năng như nghiên cứu sâu. Giờ đây, chúng tôi thực sự đang đầu tư vào việc có thể nhúng Claude vào tất cả các bề mặt cốt lõi mà bạn làm việc, không chỉ Claude Enterprise, Claude AI, mà còn cả tiện ích mở rộng trình duyệt, Excel, Chrome và các bề mặt khác mà các nhà phân tích và khách hàng doanh nghiệp của chúng tôi làm việc mỗi ngày. Phần cuối cùng là chúng tôi muốn, một lần nữa, xây dựng một nền tảng thực sự linh hoạt có thể được điều chỉnh và triển khai rất dễ dàng cho khách hàng của chúng tôi. Đó là lý do tại sao chúng tôi đã dành rất nhiều thời gian với các đối tác trong ngành như S&P, FACS, Pitchbook, để xây dựng các tích hợp này để các Tác nhân AI này có thể mạnh mẽ nhất có thể.
Tình hình áp dụng và Văn hóa AI trong doanh nghiệp
Vậy tôi tò mò về tình hình áp dụng, đúng không? Ai đang sử dụng điều này? Tại sao họ lại hào hứng với nó? Hãy cho chúng tôi biết về điều đó. Như tôi đã đề cập trước đây, chúng tôi thực sự đang thấy những nhóm áp dụng trên toàn ngành. Tôi thường được hỏi, bạn thấy AI được áp dụng ở những phân ngành nào trong tài chính? Tôi nghĩ nó ít liên quan đến các phân ngành, mà liên quan nhiều hơn đến văn hóa mà khách hàng của chúng tôi thực sự đã tạo ra, đúng không? Điều này đòi hỏi sự kết hợp tốt giữa khuyến khích và áp dụng từ trên xuống để giảm các rào cản, nhưng cũng là một văn hóa thử nghiệm từ dưới lên, đúng không? Để thử tất cả các công cụ ngoài kia để tìm ra điều gì có ý nghĩa.
Chuyển đổi công việc với Claude và Artifacts
Với những điều đó, tôi nghĩ rằng một số khách hàng chính mà chúng tôi nhận thấy sự chấp nhận mạnh mẽ, ví dụ như BCI, họ đã thay đổi cơ bản cách thức làm việc. Có những điều gọi là Comps Analysis (phân tích so sánh) mà các nhà phân tích thực hiện, về cơ bản có nghĩa là bạn đang so sánh các chỉ số tài chính và hoạt động của tất cả các công ty khác nhau để tìm ra liệu chúng có đang giao dịch ở mức giá trị đúng hay không. Các nhà phân tích thực hiện việc này một cách tĩnh trên một bảng tính Excel mà họ cập nhật thủ công mỗi tuần, mỗi quý. Thay vì làm như vậy, BCI đã sử dụng tính năng artifacts của chúng tôi để kết nối trực tiếp với các tập dữ liệu S&P và FactSet để artifact trở thành một dashboard (bảng điều khiển) trực tiếp về cách các chỉ số này so sánh với nhau. Và với một câu lệnh đơn giản gửi tới Claude, bạn có thể dễ dàng cập nhật nó. Các artifacts này cũng được chia sẻ với các giám đốc điều hành của họ, những người cũng đang trực tiếp tương tác với các nền tảng này. Vì vậy, tôi nghĩ chúng tôi thực sự đang thấy không chỉ sự tăng tốc của công việc mà còn là một cách để công việc thực sự được chuyển đổi.
Vai trò của Bộ nhớ trong Claude dành cho tài chính
Bộ nhớ là một phần cơ bản trong cách con người tồn tại trên thế giới, phải không? Bạn phải ghi nhớ mọi thứ để biết mình đã để chìa khóa ở đâu lần cuối, chẳng hạn. Làm thế nào để chúng tôi xây dựng điều đó vào các mô hình của mình? Và tại sao điều đó lại quan trọng đối với các dịch vụ tài chính? Cách chúng tôi nghĩ về việc hợp tác với khách hàng, như tôi đã đề cập trước đây – có rất ít điều chúng tôi có thể tự kiểm tra nội bộ cho các trường hợp tài chính này – là một lần nữa, làm việc thực sự chặt chẽ với các khách hàng doanh nghiệp để hiểu nơi nào mọi thứ đang hoạt động hoặc không, phải không? Và các hệ thống bộ nhớ là điều thực sự quan trọng để cho phép Claude hiểu và duy trì ngữ cảnh trên tất cả các công cụ và bề mặt khác nhau mà nó làm việc. Claude có mặt trong Claude AI, trong Excel, trong trình duyệt, tương tác với FactSet, S&P. Khả năng hiểu các mẫu, hiểu các tùy chọn cho, bạn biết đấy, mẫu DCF mà bạn muốn Claude ghi nhớ. Tất cả những điều này thực sự quan trọng để đảm bảo rằng Claude là một "thực tập sinh" liên tục trở nên tốt hơn thông qua các tương tác của nó với bạn. Và theo thời gian, bạn có thể tưởng tượng ai đó nhắc nhở mô hình như, "Này, bạn đã tính công thức này hơi sai một chút," và sau đó Claude có cách nào đó để lưu trữ bộ nhớ đó, cho dù đó là một hệ thống tệp hay ngầm định, v.v., điều này khá tuyệt vời. Tôi rất hào hứng với điều đó. Hoặc nếu, bạn biết đấy, người dùng và nhà phân tích thực sự muốn sử dụng S&P cho một phần cụ thể của tính toán EBITDA, Claude nên ghi nhớ những tùy chọn đó, giống như, bạn biết đấy, một thực tập sinh giỏi sẽ làm.
Tương lai của Claude trong tài chính: Nghiên cứu, Sản phẩm và Đối tác
Tuyệt vời. Chúng ta đã nói rất nhiều về Claude cho lĩnh vực tài chính. Tôi tò mò, theo ý kiến của bạn, điều gì tiếp theo cho các tổ chức sản phẩm và nghiên cứu của chúng ta liên quan đến việc làm cho Claude tốt hơn cho tài chính? Vâng, bạn biết đấy, nhìn lại một chút, Anthropic tập trung vào doanh nghiệp, ưu tiên doanh nghiệp. Cách duy nhất để chúng tôi mang lại kết quả cho doanh nghiệp đó là tập trung vào các lĩnh vực cụ thể. Tài chính là một trong những lĩnh vực quan trọng nhất đối với Anthropic trên toàn bộ hệ thống: nghiên cứu, sản phẩm và chiến lược go-to-market (đưa sản phẩm ra thị trường). Bắt đầu với nghiên cứu, chúng tôi cuối cùng cũng bắt đầu đầu tư vào cả pre-training (tiền huấn luyện) và post-training (hậu huấn luyện) cụ thể cho tài chính. Về phía sản phẩm, có ba điều tôi thực sự hào hứng: Một là đi sâu hơn vào các phân ngành cụ thể. Quỹ đầu tư tư nhân có những nhu cầu rất khác so với quỹ phòng hộ, các công ty bảo hiểm và ngân hàng đầu tư. Chúng tôi muốn thực sự bắt đầu hiểu và bóc tách những sắc thái của các quy trình làm việc đó và đảm bảo rằng các thành phần chúng tôi đang xây dựng phục vụ đầy đủ các quy trình làm việc đó. Chúng tôi cũng rất hào hứng với khả năng có Claude ở mọi nơi, không chỉ trong trình duyệt, mà còn trong Excel và PowerPoint. Trên PowerPoint và Excel, tôi nghĩ chúng ta vẫn còn nhiều chỗ để cải thiện chất lượng của các kết quả đầu ra đó. Vì vậy, rất vui được làm việc lại thực sự chặt chẽ với nghiên cứu và đưa những khả năng này vào sản phẩm. Về phía đối tác, điều thực sự quan trọng đối với chúng tôi là làm việc chặt chẽ với ngành. Thật đáng khích lệ khi thấy rằng các máy chủ MCP (Model Context Protocol) mới chỉ ra mắt được sáu tháng, và các nhà lãnh đạo ngành lớn như S&P và FactSet đã xuất bản các phiên bản tuyệt vời, đầy đủ chức năng của máy chủ MCP của riêng họ. Chúng tôi muốn tiếp tục gắn kết ngành lại với nhau, bao gồm một số thông báo gần đây mà chúng tôi đã đưa ra. Phần cuối cùng là làm việc thực sự chặt chẽ với các khách hàng doanh nghiệp. Về cơ bản, đó là cách chúng tôi hợp tác – để dịch các nhu cầu của họ và giúp chúng tôi xây dựng các khả năng nghiên cứu và sản phẩm để đáp ứng những nhu cầu đó.
Hợp tác với khách hàng doanh nghiệp và eVALs
Tôi hoàn toàn đồng ý với điều đó vì không phải ai cũng đến từ nền tảng dịch vụ tài chính như bạn ở Anthropic. Tôi cảm thấy chúng tôi học được nhiều nhất từ những khách hàng mà chúng tôi hợp tác sâu rộng, đặc biệt là khi họ thiết kế eVALs (đánh giá hiệu suất) chẳng hạn. Điều đó cung cấp cho chúng tôi rất nhiều tín hiệu về cách mô hình thực sự hoạt động trong môi trường sản xuất. Tôi nghĩ rằng mức độ hợp tác đó là điều chúng tôi đang hướng tới với Claude cho lĩnh vực tài chính. Tôi nghĩ đó là điều chính mà tôi muốn khuyến khích các khách hàng doanh nghiệp của chúng tôi suy nghĩ. Họ biết, eVALs nghe có vẻ là những khái niệm bí ẩn, nhưng chúng thực sự đơn giản: đó là những tác vụ bạn quan tâm và những vấn đề bạn muốn giải quyết, cùng với việc xác định rõ ràng điều gì được coi là tốt cho những tác vụ đó. Điều thực sự quan trọng đối với các khách hàng doanh nghiệp là phải suy nghĩ kỹ lưỡng về những vấn đề này, thay vì nghĩ rằng, "Ồ, tôi cần tích hợp AI vào mọi phần trong doanh nghiệp của mình." Đó là cách chúng tôi có thể hợp tác rất chặt chẽ với các khách hàng doanh nghiệp. Chúng tôi đưa các eVALs đó trực tiếp vào quá trình huấn luyện, trực tiếp vào quy trình sản phẩm, để chúng tôi có thể cung cấp những khả năng này cho khách hàng của mình. 100%. Cảm ơn bạn rất nhiều, Nick. Đây là một cuộc trò chuyện tuyệt vời. Cảm ơn bạn đã dành thời gian. Cảm ơn vì đã mời tôi, Alexander.