美国资本市场咨询公司Chatham Financial最近给出一个比“员工都在用AI”更具体的数字：在一项交易核验的早期测量中，原本约需30分钟的人工复核，被一套由Codex辅助开发的应用压到4分钟以内。这个结果并不意味着金融交易已经交给模型自动放行。公司同时强调，应用正拿真实交易和资深复核人员的结果逐笔对照，扩大自动化范围仍是下一步计划。对于金融机构，这个限定比速度本身更重要。

交易核验听起来是后台工序，实际上要回答三个问题：客户授权了什么、交易最终执行了什么、系统记下来的又是什么。三者只要有一处错位，事后清算、风险敞口和客户报告都可能跟着出错。传统流程依靠专业人员在订单、确认书和内部记录之间反复寻找证据。Chatham的做法不是让模型凭一段文字“判断对错”，而是把收集凭据、比对关键条款、标出差异拆成可检查的步骤，最后把异常留给人处理。

真正节省的，是找到证据之前的时间

OpenAI与Chatham在10月2日披露的案例中，最值得注意的不是使用了哪一代模型，而是重新设计了工作顺序。Chatham把这套思路称为Process Zero：先确定工作应产生什么结果，再列出结果所需的最低证据，最后划清哪些判断必须由专业人员承担。AI被安排在可以结构化比较、可回溯核对的环节，员工则面对例外、解释和最终责任。这样的分工与“把整张交易单扔进聊天窗口问是否正确”不是一回事。

公司称，应用会汇集支持交易的材料，比较关键条款并提示不一致。若一笔利率对冲交易的到期日、名义本金或现金流安排在不同系统中出现差别，复核人员首先需要看到差别出现在哪里，以及依据的是哪一份原始文件，而不是只看到一行“存在风险”的模型结论。速度提升只有在证据链完整时才有价值；否则，复核时间可能只是从操作人员身上转移到了后续审计和纠错环节。Chatham没有公布样本量、各类交易的错误率或跨产品稳定性，因此不能把“不到4分钟”推广为所有交易的通用表现。

这家公司还把员工自建应用纳入内部平台Chatham Vibes。披露资料显示，这些应用中的AI功能默认采用GPT-5.6 Terra，具体项目可选用GPT-5.6 Sol。员工已用它处理即将到期的利率上限交易、固定收益报价单、对冲仪表盘和确认书审查等任务。这里的共同点是资料与规则相对明确，却有大量机械整理工作。员工能更快搭起应用，未必代表可以绕开数据权限、模型验证和客户交付审查；事实上，越多人能自己构建工具，企业越需要统一规定来源、版本、访问和变更记录。

从单点工具走向系统，难题是追溯与责任

Chatham正在开发的Onyx平台试图把资产、债务和衍生品放到有治理的数据环境中。公司说，Codex参与规划、开发、测试、文档和代码审查，而平台按任务复杂度在不同模型间选择。简单分析和非生产测试倾向于更低成本的模型，复杂任务才调用更强能力。这与“所有场景统一使用最贵模型”的做法不同：一笔交易最终的成本，不只是模型调用费，还包括读写数据、人员复核、日志留存和异常处理。

平台中的ChatFIN可以帮助用户查找历史市场数据、定位债务或衍生品相关法律文件，并附上对应链接。这样的链接不是装饰，而是金融场景里最基本的信任接口。模型若回答“某条款允许提前解除”，使用者必须能够回到合同原文，核对措辞、适用日期和交易主体。若文件版本已经更新，原先看似正确的总结也可能失效。把数据治理放在界面背后，正是企业应用区别于一次性演示的地方。

当然，案例仍是公司与技术供应商共同发布的实践材料，不是独立随机试验。它说明一类流程存在压缩空间，却尚未证明所有机构都能复制同样的效率。复杂度更高、资料不全或例外更多的交易，节省的时间可能明显不同。把早期结果写成行业平均水平，既不准确，也会掩盖那些真正需要人做判断的边界。

对金融业来说，更现实的观察指标可能不是“AI完成了多少任务”，而是复核人员有多少时间重新用于难案：他们能否更快找到证据、能否看清模型指出的差异、能否在责任不清时停下来。Chatham接下来计划扩大覆盖的交易类型，同时保留专业监督。这条路线如果经得起更大样本、更多产品和外部审计，AI才算从提高个人速度，进入了可靠的金融生产流程。就目前披露而言，它是一个有价值的早期案例，不是一张可以跳过审核的通行证。

资料来源：OpenAI与Chatham Financial，2026年10月2日案例披露。https://openai.com/index/chatham-financial/