全球投行业每年处理超过 3.5 万亿美元的交易,但驱动这台庞大机器运转的,是数以万计每周工作超过百小时、从事着高度重复性劳动的初级分析师。Vertical Agent 开始加速很多专业领域的工作流,比如法律领域的 Harvey、医疗领域的 OpenEvidence,而在离钱最近的金融领域迟迟未能出现一款真正的统治级应用。原因在于金融工作对 AI 有着苛刻的三重门槛:零容错的准确性要求、被付费墙重重封锁的私有数据,以及极难被接管的复杂内部工作流。
Rogo,正是那个试图同时跨越这三层门槛的公司。这家公司由两位普林斯顿年轻校友创立于纽约,创始人都有在华尔街一线的经验,对客户需求有足够深的理解。Rogo 的切入点不是再造一个数据库,而是在分析师已有的工作环境里,直接嵌入 AI 能力。打通 Capital IQ、FactSet、PitchBook 等核心数据源的 API,集成进 Excel 和 PowerPoint,并在每一个数据点附带可溯源的原文引用,保证其权威性。
如今 Rogo 已服务超过 50 家顶级金融机构,其中包括 J.P. Morgan、Nomura、Lazard 等大名鼎鼎的投行,日活用户突破 25,000 人,ARR 在两年内增长 27 倍,并在 16 个月内完成三轮、累计超 1.65 亿美元的融资。 7.5 亿美元估值的背后,站着红杉资本、Thrive Capital、Khosla Ventures 等头部基金以及 J.P. Morgan 这样的产业战略方。
当然金融 AI 的竞争远未尘埃落定。Anthropic、OpenAI 等大模型厂商纷纷推出 for financial service 服务套件,Hebbia 等 AI Native 垂直玩家也在各自的优势领域上持续深挖。这个赛道真正的壁垒是谁能真正嵌入金融机构那套根深蒂固、差异化极大的工作流,以及真正拿下关键的客户赢得信任。我们看好在金融这个高度专业化的行业,有独立的 Vertical Agent 成功产品出现。
01.
行业痛点
每年高达 3.5 万亿美元的全球投行业务交易额,维持其运转的底层引擎并非什么高深莫测的尖端科技,而是大量被当作 “Excel Monkey” 使用的 Junior Banker 们。那些从全球顶尖名校毕业、拿着数十万美元年薪的年轻人,在进入投行后,却发现自己深陷于每周超过 100 小时的高压运转中。根据彭博社和华尔街日报在 2024 年至 2025 年的连续报道,由于严重的 Burnout,JP Morgan 和 Bank of America 等华尔街巨头近期被迫实行了严格的“每周 80 小时工作上限”及工时追踪系统。
然而,导致他们过劳的并非极具挑战性的商业洞察,而是极其单调、重复且低附加值的苦力活——在深夜将文件中的数据复制进 Excel(Comps & DCF)、无休止地调整 PowerPoint 里公司 Logo 的对齐方式、以及在海量的电话会议记录中扒取零碎信息。
放眼整个专业服务赛道,生成式 AI 已经在其他高门槛领域大放异彩:在法律界,Harvey 帮助顶级律所处理合同与案卷;在医疗界,OpenEvidence 正在为医生提供精准的临床医学决策支持。然而,在离钱最近、数据最密集的金融投研领域,至今却迟迟没有出现一款真正统治级的 AI 杀手级应用。
造成这种“金融 AI 落地迟缓”的根本原因在于,金融工作流对 AI 提出了三个极其苛刻的跨界要求:
-
对容错率的低容忍: 投行的财务模型直接关乎数十亿乃至上百亿美元的并购定价与交易执行,如果 AI 在提取利润率或假设条件时出现哪怕一个小数点的编造或错位,都会导致最终 DCF 估值的灾难性偏差。这种级别的信任成本,是目前绝大多数通用大模型无法跨越的鸿沟。
-
坚固的数据壁垒: 金融从业者依赖的核心数据并不在公开的互联网上,而是极度分散在财报电话会议录音、内部历史 PitchBook,以及被极高“付费墙”围蔽的专业数据库中。为了获取这些高质量的底层数据源,投行们都需要交价格不菲的“过路费”:例如,Bloomberg 终端的年费高达 2-3 万美元; AlphaSense 单账号年费也达到 1-2 万美元。普通的互联网 AI 搜索工具根本无法穿透这些付费墙进行检索,但这恰恰是银行家每天赖以生存的“生产资料”。
-
协作摩擦与内部文档的接管成本: 真实工作环境中的 DCF 或 LBO 模型,往往是由前任或多位同事历经数月共同搭建的庞大资产。这些模型中充斥着错综复杂的跨表链接、个人习惯的格式以及 Hardcodes,目前的 AI 尚无法直接解析并接管这种高度非标准化、缺乏文档注释的复杂逻辑。
02.
Rogo 是谁?
Rogo 成立于 2022 年 1 月,总部位于纽约,由 Gabriel Stengel、John Willett 和 Tumas Rackaitis 共同创立。
这家公司的起点,是两张普林斯顿学生宿舍里的毕业论文草稿。Stengel 和 Willett 在校期间研究如何用 AI 构建一个经济计量学聊天机器人,计量经济学是利用统计模型量化经济理论和预测经济趋势的领域。用户可以向它提问,比如一个国家的 GDP 如何与其举办奥运的可能性相关。工具很粗糙,但方向很有前景。
毕业后,Stengel 进入 J.P. Morgan,Willett 加入 Lazard。两人在华尔街亲历了金融分析工作的真实状态:无数小时花在梳理文档、对标 multiples、整理 pitch deck 上。Stengel 曾在工作中写 Python 脚本试图把部分流程自动化,但发现内部系统的限制根本无法支撑他设想的实现方式。
2022 年 1 月,两人同时从各自的投行离职,创立 Rogo。公司的名字来源于拉丁语中"询问"的含义,直接体现了产品的核心理念——让金融专业人士能够以最自然的方式向数据"提问"。
Rogo 最早期的产品定位,是为金融数据提供自然语言查询界面——本质上是一个基于传统 NLP 的数据检索工具,功能有限,缺乏真正的生成能力,在市场上难以形成差异化。
2022 年底,ChatGPT 的横空出世彻底改写了规则。大型语言模型的能力爆发式提升,让 Rogo 的技术路线得到了根本性升级的机会。团队迅速转向,将产品底层从传统 NLP 重构为基于 LLM 的生成式 AI 架构,并在此基础上进行专门的金融领域微调。这是 Rogo 历史上最关键的技术决策之一。它让 Rogo 从一个"会查数据的工具",升级为一个"能思考、会写作、能推理的 AI 分析师"。
Rogo 最初几个月的遭遇,几乎是所有 2B 企业创业者的噩梦。Stengel 后来坦言,在公司成立后的整整 24 个月里,潜在客户基本上不愿意认真对待他们。
金融机构的采购决策极为保守。银行的合规部门、信息安全团队、法律顾问,每一关都可能叫停一个新供应商。更何况是一家没有任何行业背书、没有历史业绩可查的初创公司,承诺用 AI 处理最敏感的客户数据。
2023 年底,Rogo 签下了第一个付费客户。彼时,ChatGPT 已经发布满一年,"AI 能否用于金融"不再是一个需要证明的问题,而是"哪家公司的 AI 最值得信任"的竞争。Rogo 的时机来了。第一个付费客户的入驻,带来了连锁反应:有了真实的使用数据,团队可以快速迭代;有了真实的客户背书,下一个客户的获取变得容易了一些。
随后,他们相继拿下了 Nomura、Lazard 、 JP Morgan 等大名鼎鼎的投行。如今 Rogo 已服务超过 50 家顶级金融机构,25,000 余名金融专业人士每日在使用这款产品,ARR 自首批客户以来增长了 27 倍。Stengel 和 Willett 双双入选《福布斯》2026 年金融领域 30 Under 30。
从 2024 年 10 月到 2026 年 1 月,Rogo 在 16 个月内完成了三轮融资,累计融资超过 1.65 亿美元,背后站着 Khosla Ventures、Thrive Capital、Sequoia、J.P. Morgan 等机构。
03.
AI 驱动的金融分析工作台
Rogo 的核心是一个为金融分析师重新设计的工作台,将研究、建模、文档处理和数据操作整合在同一界面中。产品体系由研究助手、数据集成层、Office 插件与智能电子表格四部分构成,全面覆盖分析师从信息搜集到模型输出的完整工作流。
研究助手:让全球金融文件随时可查
Rogo 的知识库涵盖超过 5,000 万份专业金融文件,包括 SEC 备案文件(10-K、10-Q、8-K)、公司年报、sell-side research 报告、宏观经济分析文档、会议纪要和行业报告。分析师用自然语言提问,系统自动定位相关文件,提取关键信息,以结构化方式呈现答案,并引用具体来源供核查。
数据集成:打通金融数据孤岛
左右滑动以查看全部内容
Rogo 与金融行业主流数据平台建立了深度合作关系。2025 年 8 月,Rogo 与 LSEG(伦敦证券交易所集团)达成战略合作,接入了 LSEG 的实时市场数据、新闻和分析资源。此外,Rogo 还集成了 PitchBook、S&P Capital IQ、FactSet、Crunchbase 等核心数据来源,底层模型同时接入 OpenAI、Google Gemini、Anthropic 等主流 AI 平台。
这意味着分析师可以在同一界面中同时检索上市公司财务数据、私募交易记录和竞争对手情报,无需在多个系统之间切换。对于投行而言,这代表着研究工作流的根本性重构。在传统工作流里面,可能需要一个 Junior 分析师分别登录好几个网站。他必须要熟练掌握这几个不同软件的使用,并花费很多时间去忍受它们落后的 UI 设计以及漫长的搜索返回时间。
Office 集成:在熟悉的环境中调用 AI
类似于 Cursor 在代码编辑器中嵌入 AI 的逻辑,Rogo 直接集成进了 Microsoft Excel 和 PowerPoint。分析师无需离开 Excel 就能调用 Rogo 的数据查询能力,在工作表中直接填充模型数据;PowerPoint 插件则能自动生成 pitch deck 的内容框架和可视化图表。
产品设计的核心逻辑是降低 AI 的使用摩擦:不是要求用户改变工作习惯,而是把 AI 能力带入他们本来就在用的工具中。这是垂直 AI 应用与通用 AI 工具最关键的区别之一——金融分析师不需要打开一个新的 AI 聊天窗口,他们需要的是在 Excel 里完成的那份建模工作。
Subset 收购:AI 驱动的智能电子表格
2025 年 9 月,Rogo 完成了一项重要的产品扩充——收购由 Index Ventures 支持的 AI 电子表格初创公司 Subset。Subset 由 Jason Chan 和 AJ Nandi 创立,核心技术是让用户通过自然语言驱动复杂的电子表格操作。整合后,Rogo 的 Finance Spreadsheet Agent 具备了从财报 PDF 自动构建金融模型、执行 roll-forward 更新和情景分析、理解跨表公式并检测模型错误、直接连接 S&P Capital IQ/FactSet/PitchBook 数据源,以及将分析结果输出为 slides 和 memo 的完整能力。
技术架构
在模型层, Rogo 采用多模型并行架构,底层部署于 Amazon Bedrock,并集成 OpenAI、Google Gemini、Anthropic 等多个前沿模型。系统根据任务性质和复杂程度进行智能路由:快速的信息检索和标准问答分配给响应速度快的轻量模型;需要多步推理的复杂金融分析任务,则调用推理能力更强的旗舰模型。这种分层调度机制既保证了响应速度,又有效控制了单次查询成本。
不同于通用聊天机器人,Rogo 对这些模型进行了 Fine-Tuning,专门训练模型学习金融领域的“思考方式”、工具使用方法以及特定的输出格式(如 PPT 模板)根据 Patronus AI 的 FinanceBench——业界首个测试大型语言模型在金融问题表现的基准标准——在金融场景中,其准确性比 ChatGPT 高出 2.42 倍。
Rogo 中的每个研究结果都包含答案的各个方面内嵌引用,方便全面审阅。如果找不到来源,就拒绝提供答案,从而限制幻觉的可能性。
在安全架构上,Rogo 采用单租户部署方案——每个机构客户拥有独立的基础设施实例,数据完全隔离,计算资源不与任何其他客户共享。Rogo 明确承诺不将客户数据用于模型训练,并与 FINRA(美国金融监管局)保持合规沟通。
在效能方面,通用 LLM 预计能提升 10%-20% 的基础效率,而 Rogo 在此基础上能再贡献 5%-10% 的增量;在 PitchBook 检索等特定场景下,耗时甚至能缩短至原先的 1/3。这种效率提升不仅节省了工时,更因操作门槛的降低,促使分析师更高频地调取数据,从而由量变产生质变,显著提升了研究洞察的深度。
04.
商业模式与客户
按席位收费的企业级 SaaS
Rogo 采用基于席位的年费订阅模式,面向机构客户。一个 10-12 席位的套餐大概在数万美元(大约一个席位在每年数千美元)。对于团队来说,只要能减少半个初级分析师的 headcount,就能够把这笔成本填补上(毕竟,顶级投行应届生年薪一般在 15 万美元)。
W…