如何在投资银行中使用Claude现在已经覆盖初级银行家工作中实实在在的一部分:格式化路演材料、搭建初版可比公司分析、总结财报电话会议,以及起草会议准备笔记。没有改变的是谁要为数字负责。学会指挥AI工具并按银行标准核实产出的初级分析师,其价值正在上升而非下降,因为审核与判断恰恰是不会被自动化的技能。
发布于
免费课时 · 无需注册账号你的AI交易台：Claude在财务工作中的位置跟Claude学私募股权与财务7分钟开始免费课时要点总结
- AI工具现在承担了分析师制作性工作中相当大的一部分:路演材料排版、初版可比公司分析、财报电话会议摘要,以及会议准备初稿。
- 客户交付材料中每一个数字的责任方,仍然是分析师和交易团队,而不是起草它的AI工具。
- 审核能力(在错误假设或过时的可比数据传到董事总经理手上之前发现问题)正变得比打字速度更有价值。
- 初级分析师对AI的采用程度在各银行之间并不一致:有些团队已经有标准化工具,有些则完全交给分析师个人决定。
- 投资银行分析师使用AI并不会取消学徒制;它改变的是学徒制教的内容。
使用AI工具前后的分析师工作流程
| 分析师任务 | 使用AI工具之前 | 如今使用AI工具后 |
|---|---|---|
| 可比公司分析 | 分析师手动提取并录入每家可比公司的财务数据 | AI根据粘贴的数据起草初版分析;分析师对照数据源核实每一个数字 |
| 财报电话会议摘要 | 分析师听取或阅读完整记录并手写笔记 | AI起草结构化摘要;分析师对照记录核查并更新模型假设 |
| 路演材料排版 | 分析师花费数小时统一各页的字体、间距和脚注样式 | AI检查并修正格式一致性;分析师负责审阅内容并做最后的润色 |
| 会议准备笔记 | 分析师在前一晚从零开始起草谈话要点 | AI根据交易材料起草初版备忘录;分析师调整语气并加入自己的判断 |
| 估值合理性检查 | 资深银行家逐行审阅模型以查找错误 | 在资深审阅开始之前,AI先标记出与历史数据不一致的假设 |
复制即用
今天就能用的提示词
搭建初版可比公司分析
扮演一名初级分析师,为一家中型工业服务公司搭建初版可比公司分析。根据我下面粘贴的财务数据,计算每家可比公司的EV/EBITDA、EV/收入和P/E,标记出任何看起来像异常值的倍数,并列出你必须靠假设而非直接取自数据源的具体项目。
根据实际交易的需要,替换行业和具体的估值倍数。
起草会议准备笔记
为即将与客户CFO进行的电话会议起草一份一页的会议准备备忘录,内容包括我们上一版模型草稿中尚未解决的三个问题、该行业近期两项值得提出的新动态,以及支持我们当前估值区间的一组简短谈话要点,写法要让董事总经理能在两分钟内快速看完。
在发送给任何人之前,将行业和估值背景替换为实际交易的具体情况。
总结财报电话会议记录
用不超过300字总结附件中的财报电话会议记录,将管理层给出的业绩指引与分析师提问及管理层回答分开列出,并标记出任何听起来与上一季度电话会议语气不同的措辞,以便我对照我们的模型假设进行核查。
在更新实际模型中的业绩指引之前,务必亲自重新阅读被标记的段落。
对模型假设进行压力测试
审阅我们三年预测中的收入增长和利润率假设,告诉我哪些相对于该公司五年历史平均水平显得过于激进,哪些依赖于一笔尚未完成的收购,以及每一项合理的下行情景会是什么样子。
把这当作第二意见,而不是替代你自己的敏感性分析。
检查路演材料的格式一致性
审阅这份路演材料草稿的格式一致性:检查每一页标题是否使用相同字号,所有美元数字是否按相同的小数位惯例四舍五入,脚注编号是否连续,并列出每一页没有遵循公司格式规范的地方。
格式检查是一项很好的、可率先自动化的任务,但底层数字仍需单独核实。
来自 Anthropic
Anthropic 为投资银行提供的服务
Agents for financial services
2026年5月发布的十个智能体模板,包括路演材料生成器、会议准备工具、模型搭建工具和估值审核工具,以插件形式在Claude Cowork和Claude Code中上线,同时Anthropic的Excel、PowerPoint和Word加载项也已全面上线。
· 来源
实践案例
投资银行团队如何使用 Claude
根据 Anthropic 发布的客户案例
Mizuho
在Anthropic 2026年5月发布的金融服务智能体公告中,Mizuho的银行业务COO谈到,准备工作的时间正在转变为用于构思想法的时间。
根据 Anthropic 发布的客户案例
RBC Capital Markets
在Anthropic 2025年10月发布的金融服务更新中,RBC Capital Markets的AI与数字创新负责人表示,Claude在整合多个数据源和自动化工作流程方面表现突出。
示例演练
把一组可比公司分析变成可提交信贷委员会的材料
- 一名分析师把一组上市可比公司的原始财务数据粘贴进AI工具,并要求生成一份初版估值倍数表。
- 分析师对照底层披露文件核查每一个倍数,发现其中一家公司因为报告了一笔一次性收益而扭曲了利润率。
- 分析师要求工具按照材料的公司格式重新排版表格,然后手动撰写配套的说明文字。
- 一名资深银行家审阅最终版本,标记出分析师遗漏的另一个异常值,材料随后以两人共同署名的方式发出。
示例演练
在短时间内为客户电话会议做准备
- 一名分析师在前一天晚上被告知,明天的客户电话会议新增了一项他们还没准备过的议程。
- 他们要求AI工具根据现有的交易文件起草一份简短的简报备忘录,涵盖这个新议题以及它与当前估值讨论的关联。
- 他们重新调整草稿的语气,使其贴近自己的董事总经理在这位特定客户面前实际说话的方式。
- 他们标记出草稿中一个与数据室里更新文件不符的假设,并在备忘录发出前进行修正。
真正被自动化的部分
AI如今真正为分析师处理的工作
这正是Claude等工具参与分析师工作流程进展最快的地方:那些过去常常占用整晚时间的制作性任务。
材料排版与质量检查
AI工具检查路演材料中字体一致性、脚注编号和四舍五入惯例的速度,比人工逐页扫描更快。
初版可比公司分析与模型框架搭建
给定一组粘贴的财务数据,AI可以搭建初版可比公司表格或模型框架,再由分析师核查并填充完善。
财报电话会议及记录摘要
AI可以将一份冗长的记录转化为结构化摘要,将业绩指引与问答部分区分开来,再由分析师对照原始资料阅读核实。
会议准备初稿
谈话要点或准备备忘录的初稿可以由AI完成,从而让分析师把时间留给其中需要判断力的部分。
研究信息整合
AI可以把公开披露文件、新闻和以往的交易材料整合成一份初步简报,但来源仍需人工核实。
常规数据整理
重新格式化表格、统一日期格式、以及发现明显的数据录入错误,都是如今非常适合交给AI工具处理的任务。
没有改变的事
谁要为数字负责
这一切都没有改变谁要为呈报给客户或信贷委员会的数字签字负责。如果一组可比公司分析里存在过时的倍数,或者模型假设对不上数据室里的资料,放行这些问题的分析师才是要负责的人,而不是起草初版的工具。
这才是投资银行分析师使用AI带来的真正转变:过去那些用来证明你能被信任去处理真实交易的工作(花在排版、录入数据、搭建模型初版上的时间)如今已经部分实现了自动化。剩下的,是一直以来最难教的部分:在别人发现之前,知道哪个数字看起来不对。
各家银行在正式采用AI工具的程度上差异很大。有些团队有标准化的工作流程,对哪些内容需要二次核查有明确规定。有些则完全交给分析师个人决定,这意味着同一个错误(未经核对源文件就直接信任AI草稿)在不同银行出现的原因也各不相同。
新的基本技能门槛
如何按银行标准审核AI产出
把每一份AI草稿都当作一名一年级分析师的初稿来对待:有用,但尚未经过核实。
追溯每一个数字的来源
在任何数字离开你的屏幕之前,你都应该能够指出它来自哪份披露文件、数据室文档或电话会议记录。
对敏感假设进行二次核查
增长率、估值倍数,以及任何与尚未完成的交易相关的内容都值得再看一遍,因为这些正是AI草稿容易把不确定性抹平的地方。
重新推导计算过程,而不只是扫一眼
即使只是手动重新算一次关键计算,也能发现单靠目测AI产出会漏掉的错误。
确认公司格式规范与合规用语
格式惯例、免责声明和必备用语会因银行和交易类型而不同;除非你告知AI工具,它并不知道你所在公司的具体规定。
现在更重要的技能
当制作工作转移给工具后,哪些技能变得更重要
初级分析师采用AI,正在奖励与十年前定义这份工作头几年完全不同的一组技能。当工具能够搭建模型框架时,纯粹的建模速度变得不那么重要;而发现这个框架哪里出错的能力,变得更加重要。
关于该问哪个问题的判断力,正在成为比快速回答已知问题更重要的区分因素。一名能在客户电话会议前告诉董事总经理模型中哪三个数字值得重点复核的分析师,做的正是初级银行家使用的AI工具尚未实现自动化的工作。
沟通和背景判断仍然完全依赖人。知道某个特定客户在意什么,知道某个行业的投资者本季度在担心什么,以及如何得体地向资深银行家表达不同意见,这些都不是一份记录摘要能给出的。
建模直觉(在你还没检查公式之前,就能感觉出一个数字是否在合理区间)仍然只能靠慢功夫积累,需要亲手做足够多次才能培养出这种感觉。起草模型初版的AI工具并不能替代这一点;如果说有什么影响的话,过早跳过手动练习的分析师,到了审核阶段反而缺乏可用的直觉。
每个人都在问的问题
AI会取代投资银行分析师吗?
不会以取消这个职位的方式发生。分析师这个岗位一直把制作性工作(搭建材料、做可比分析、起草备忘录)与用数年时间传授判断力的学徒制结合在一起。AI工具正在更快地压缩这份工作中制作的部分,而不是取代判断的部分。
更有可能发生的、并且在一些银行已经可以看到的是:花在打字和排版上的分析师工时在减少,剩下的工时更多地偏向审核、面向客户的准备工作,以及没有模板可循的问题。这可能意味着更精简的分析师团队,每个人承担更多判断性的工作,而不是同样多的人打更少的字。
再往后看,AI会不会取代投资银行分析师?老实说没有人真正知道,像这样一篇文章也不应该假装能预测这件事。今天可以验证的是范围更窄但更有用的事实:制作性任务在萎缩,审核性任务在增加,而获得晋升的分析师,越来越多是那些能快速发现工具出错之处的人。
关于职业生涯的问题
在AI时代,投资银行还是一个好职业吗?
对于正在权衡是否在AI已经成为工具箱一部分的时代开始投资银行职业生涯的人来说,老实说,这份工作正在改变形态,而不是消失。工作时长依然很长,学习曲线依然很陡,职业道路依然要经过和以前一样的学徒制,只是早期做的任务不同了。
正在改变的是头两年教的内容。一名学会熟练指挥AI工具(知道该要求什么、如何核查、以及什么时候不该相信它)的初级银行家,正在培养一项可以沿着职业阶梯一路向上带着走的技能,因为资深银行家同样要花时间审核别人的工作。真正处于风险中的分析师,不是那些使用AI工具的人,而是那些把AI产出当成完工成果而不是初稿来对待的人。
如果你正在选择一家银行或一个团队,合理的做法是去问他们期望分析师如何使用AI工具,以及他们的审核标准是什么样的。能清楚回答这个问题的团队,更有可能是在按照这份工作现在的样子培养分析师,而不是按照五年前的样子。
常见问题
AI会取代投资银行分析师吗?
不会以取消这个职位本身的方式发生。AI工具正在自动化越来越多的制作性工作,比如材料排版、初版可比分析和会议准备初稿,但仍然需要有人核实每一个数字并为之负责。用数年时间培养判断力的学徒制依然完整;改变的是头几年要做的具体任务。
在AI时代,投资银行还是一个好职业吗?
是的,对于愿意培养判断力而不只是追求速度的人来说。工作时长和学习曲线没有太大变化。改变的是,那些学会熟练指挥AI工具并能发现其错误的分析师,比那些只靠在手动制作任务上投入更长工时的分析师更快脱颖而出。
投资银行分析师的工作会因为AI而面临风险吗?
风险存在于具体任务上,而不是这份工作本身。材料排版、初版可比分析和记录摘要确实在随着AI工具的吸纳而减少,这是真实的。但定义资深职业路径的审核、判断和面向客户的工作并不会消失,所以这份工作是在改变形态,而不是彻底消失。
我应该如何正确地审核AI生成的财务分析?
把每一个数字都追溯回其来源文件,至少手动重新推导关键计算,而不只是扫一眼产出结果,并对任何与不确定因素相关的假设(比如一笔尚未完成的交易,或历史财务数据中的一次性项目)给予额外的审查。
初级银行家现在应该重点培养哪些技能?
关于该重点复核哪些数字的判断力、在资深银行家之前发现错误的能力、清晰的写作能力,以及通过手动练习慢慢积累出来、足以判断AI草稿何时出错的建模直觉。这些现在比纯粹的制作速度更重要。
考虑到AI工具,我还应该把投资银行作为职业方向吗?
是的,前提是你带着准确的预期进入这个行业。长工时和陡峭的学习曲线并没有消失,学徒制依然完整。在你决定加入某家具体的银行之前,值得确认的是他们对AI产出审核的重视程度,因为这正是现在培养早期判断力的地方。
我可以在没有获得批准的情况下,在真实交易材料上使用AI工具吗?
这完全取决于你所在银行的政策,直接去问清楚比自行假设更可靠。客户数据、保密的交易信息,以及任何受保密协议约束的内容,通常都需要通过经公司批准、由公司掌控的工具来处理,而不是个人账户。
AI工具正在如何改变分析师的晋升方式?
手动任务的速度正变得不再是区分因素,因为AI工具可以达到甚至超过这个速度。在晋升决定中真正突出的,是发现工具或初级同事出错之处的能力,以及自信地与客户和资深银行家沟通的能力。
AI最终会完全取代投资银行分析师吗?
这个问题比任何人能够诚实预测的范围还要更远,这篇文章也不会假装能给出答案。现在可以验证的是,制作性任务在萎缩,而审核和面向客户的工作在增加,晋升最快的分析师是那些能发现AI工具出错之处的人,而不是那些回避使用工具的人。
在AI工具随处可见的情况下,投资银行职业生涯还值得追求吗?
对大多数在权衡这个问题的人来说,答案是值得,只要预期与现实相符:职业道路依然要经过一段要求严苛的学徒期,只是现在更早教的是审核和判断力,而不是手动制作性工作。那些挣扎的分析师,往往是还期待旧的职位描述维持不变的人。
继续学习
相关指南与课程
相关阅读
- How to Use Claude in Investment Banking
- How to Build Pitch Books With Claude: Profiles, Comps, and Sourcing
- Financial Modeling With Claude: A Practical Guide for Investment Bankers
- Buy-Side Research With Claude: From Earnings Calls to Thesis Tracking
- How to Use Claude in Private Equity
- How to Use Claude in Venture Capital