华尔街和伦敦金融城最贵的苦力,是凌晨两点还在改 PPT 对齐线和 Excel 跨表公式的初级分析师。2026 年 11 月 17 日,伦敦 AI 初创公司 Model ML 宣布拿下了 2.5 亿美元 B 轮融资,投后估值直接跳到 15 亿美元,专门用 AI 智能体去接管这群年轻人的财务建模、路演 PPT 制作和尽职调查报告。

这笔钱进账的速度极快。距离 2025 年 11 月由 FT Partners 领投的 7500 万美元 A 轮才过去整整一年,Model ML 的累计融资额已经达到 3.5 亿美元。本轮由 General Atlantic 和老股东 QED Investors 联合领投,Evolution Equity Partners、Y Combinator 以及 FT Partners 继续跟投。

为什么资本扎堆买单投行苦活

投行和咨询机构卖的是高溢价智力服务,底座却高度依赖初级员工做高强度、重复性的文档搬运。创始人 Chaz Englander 和 Arnie Englander 两兄弟看准的就是这个落差——他们此前曾联合创办过两家公司,其中点对点租赁平台 Fat Llama 在 2022 年以 4150 万美元 卖给了瑞典同行 Hygglo。

从繁杂原始数据到最终交付物的端到端自动转化(示意图)
从繁杂原始数据到最终交付物的端到端自动转化(示意图)

现在的金融 AI 赛道已经非常拥挤,但几家头部创业公司切入的环节正在分化:

  • Model ML 盯死的是交付物端到端自动化,直接连进客户的内部系统、Excel 和 PowerPoint,当交易出现新进展时自动同步更新财务模型与演示文稿。
  • 2026 年 4 月刚以 20 亿美元估值融资 1.6 亿美元的 Rogo,更侧重全链路金融工作流整合。
  • 另一家明星公司 Hebbia 则主攻跨文档的复杂检索与信息合成。
Model ML 核心数字与成本反差 $2.5亿 B轮融资额 距A轮7500万仅隔一年 累计融资达3.5亿美元 $15亿 最新投后估值 General Atlantic领投 QED与FT Partners参投 2% 宣称算力运行成本 对比闭源前沿大模型 底层基于开源模型运行

更值得注意的变量在底层成本。OpenAI 和 Anthropic 都在给金融从业者做专用工具,但 Model ML 给出的差异化筹码是底层跑在开源模型上,宣称运行成本只有前沿闭源大模型的 2% 左右,响应速度反而更快。

2026 年 7 月 29 日,Model ML 专门发布了一套名为 Composite 的基准测试,把文档检索、财务分析、Excel 与 PPT 生成拆成具体指标来跑分。到了实际业务里,资产管理机构 GCM Grosvenor 已于 2026 年 1 月宣布与 Model ML 合作,用它来提取基金管理人数据并制作尽职调查材料。


2% 的算力成本,省不下最贵的人工复核

把新闻卡片翻过去,我更在意的是这笔账背后的行业现实。

AI生成的草稿仍需严苛的金融人工核对
AI生成的草稿仍需严苛的金融人工核对

Model ML 讲了一个极其性感的降本故事,但投行买软件从来不是看谁的 API 便宜。《史记》有言,“天下熙熙,皆为利来”。投行合伙人愿意为高薪分析师买单,买的不仅是他们熬夜画表的体力,更是极其严苛的格式控制、数据溯源和结果背锅能力。

省下九成算力容易,免去一处人工复核极难。

很多外行以为投行做 PPT 和 Excel 只是排版好看,实际上每一家机构都有严苛的特定格式模板、会计准则调整项和跨表公式逻辑。通用大模型生成一份看着像模像样的第一版草稿只需要几十秒,可一旦把原有 Excel 里的动态公式洗成了死数字,或者在并购交易动态调整时漏掉了一个表外负债脚注,分析师就得花双倍时间去逐格核对。

金融 AI 赛道的三种切入路径与真门槛 Model ML:交付物端到端更新 直接读写 Excel 模型与 PPT 演示稿 随交易进展自动同步修改关联数据 核心考验:公式保留与模板零错位 商业背书:FT Partners 既是金主又是伙伴 Hebbia / Rogo:检索合成与工作流 侧重跨海量文档检索与复杂知识合成 Rogo 估值已达 20 亿美元(融资1.6亿) 全行业共同硬槛:审计底稿与人工复核 单靠 ISO 认证不够,需穿透式数据隔离

这也是为什么我看待它的商业背书时会保留三分审慎。领投完 A 轮又跟投 B 轮的精品投行 FT Partners,既是 Model ML 的投资者,又是它的战略设计合作伙伴。自己投资的标杆客户下场帮忙打磨产品、站台背书,固然能证明产品切中了痛点,但这种深度利益绑定,很难直接等同于中立第三方大型投行的全面验收。

另一个绕不开的硬门槛是合规与风控。Model ML 拿到了 ISO/IEC 27001 认证,也公开承诺绝不使用客户数据训练底层模型。但这在金融机构的风控部门眼里只是入场券。真正的并购交易涉及极其敏感的内幕信息,银行审计部门看重的不是一纸承诺,而是底层部署时的物理数据隔离逻辑,以及每一个生成数字能不能在审计底稿里完成一对一的精确溯源。

苦活被机器接管后,年轻人的阶梯去哪了

这事往深里想一层,其实撞上了专业服务业几十年来的学徒制悖论。

半数算珠化作光轨消散的黄铜算盘:算盘左侧为光滑的实木算珠,表面没有任何文字或数字(示意图)
半数算珠化作光轨消散的黄铜算盘:算盘左侧为光滑的实木算珠,表面没有任何文字或数字(示意图)

就像早年电子表格软件 Lotus 1-2-3 和 Excel 刚进华尔街时,老一辈银行家也担心手工算账的初级职员会失业;但今天的情况和当年不完全一样。当年工具变快了,交易结构也跟着变复杂,人还在循环里;而现在的 AI 智能体目标是直接把整条信息搬运链条打包抽走。

目前没有任何证据表明 Model ML 导致了投行裁员。行业里的真实处境是,工具只能替掉机械的“打杂”过程,替不掉具备复杂交易判断力的分析师。

但隐忧恰恰藏在这里:任何顶尖的资深银行家,都是从凌晨两点核对财报附注、手动搭建三张表模型的苦活里熬出来的。如果不亲手调平过几百张资产负债表,年轻人很难对财报里的异常数字产生直觉。

  • 风险.当 AI 把第一版草稿和动态更新全部包揽,初级分析师看似从苦役里解脱变成了“审核员”,实则失去了唯一能练出业务手感的基本功训练场,而审核一个自己没亲手算过的复杂模型,漏看致命错误的概率只会更高。

Model ML 用一年时间把估值推到 15 亿美元,证明资本市场极度渴望用代码置换华尔街的高昂人力。只是当机器把那 2% 成本的草稿交到桌上时,真正决定这笔买卖成败的,依然是坐在屏幕前那个敢不敢直接发给客户的活人。