Franklin Templeton 高级副总裁 Katrina Dudley 在 OpenAI 客户案例中给出了一句精准的判断：”The biggest unlock from using OpenAI’s tools is the ability to merge continuous intelligence with human judgment.” 这句话浓缩了一家老牌资管机构在将 AI 引入投研工作流时经历的核心认知跃迁——从最初把数据灌进数据库直连模型的失败尝试，到构建起一个被称为”connected intelligence layer”（互联智能层）的多维智能基础设施。据 MIT Sloan Management Review 报道，Franklin Templeton 管理约 1.7 万亿美元资产（报道未注明该数字的具体截止日期）。这条路径的展开过程，以及各类工具在其中扮演的角色，对整个资管行业具有样本意义。

失败的起点：「数据库直连模型」为什么不行

据 OpenAI 发布的 Franklin Templeton 客户案例，Franklin Templeton 最初尝试使用 AI 时，团队将数据放入数据库并将模型直接连接上去。结果是：模型无法产出投资团队所需的答案，原因在于模型并不理解这些数据之间的关联方式（”the models didn’t understand how the data fit together”）。

这一失败暴露的问题具有行业普遍性。资管公司的数据资产天然呈碎片化分布——股票基本面数据、卖方研究报告、内部分析师笔记、合规审查记录、交易执行日志、风险敞口指标，分别存放在不同系统、不同格式、不同更新频率的数据源中。将这些数据简单地汇入一个数据库，再让大语言模型去查询，实际上只是把模型当作一个昂贵的自然语言查询界面。模型可以回答”某只股票的市盈率是多少”这类检索式问题，但无法回答”这只股票的估值相对于其所在行业的风险调整后回报是否合理，考虑到最新财报中管理层对关税影响的表述”这类需要跨数据源、跨语境推理的投研问题。

笔者判断，Franklin Templeton 的这一初始失败反映了资管行业数据资产的一个特征：投资决策所需的”知识”并非存储在单一数据表中，而是散布在数据之间的关系、上下文和语义层面。一个分析师在阅读卖方报告时，会自动将报告中的盈利预测与公司最近的财报电话会议内容、行业竞争格局、宏观政策变化进行交叉验证——这种多维度的语境整合能力，是简单的”数据库+模型”架构无法复现的。

据 MIT Sloan Management Review 报道，Franklin Templeton CEO Jenny Johnson 在 2025 年 11 月的一段视频访谈中指出：”Every big financial institution spends a lot of money on reconciliation between systems and reconciling data. AI can help with that.” 她还提到 AI 可以审阅公司研究报告和卖方报告，分析例如关税将如何不同地影响美国和欧洲的制药公司。Johnson 强调：”Training the model is all going to be about your own data.” 这些表述表明，Franklin Templeton 的管理层很早就意识到，AI 在资管领域的价值在于对机构自有数据和投资语境的深度理解。

转折点：Agent 与语义层带来的范式变化

Franklin Templeton 的突破发生在引入 Agent 架构与语义层（semantic layer）之后。据 OpenAI 客户案例，当团队加入 Agent 和语义层——一个关于公司数据含义及其关联方式的结构化模型——之后，结果发生了根本性变化。

语义层在这里承担的功能，是为模型提供一张”数据地图”：它定义了不同数据源之间的关系、业务术语的含义、指标的计算逻辑，以及数据在投资决策链条中的位置。有了这张地图，Agent 就不再是被动地响应查询，而是能够主动地在数据之间建立关联、发现模式、生成洞察。

Dudley 对这一转变的描述极为精确。她在 OpenAI 案例中表示：”It has really transitioned because, beforehand, AI was automating our human-led process. Now AI is actually automating the ability to surface intelligent insights, and that intelligence layer plus human judgment is just a fantastic unlock.” 这里划出了两个截然不同的阶段：第 1 阶段，AI 自动化的是人类已经在做的流程——比如自动提取财报数据、自动生成摘要；第 2 阶段，AI 自动化的是”呈现智能洞察”这一能力本身——它能够持续地、多维度地发现并呈现人类可能忽略的关联和风险信号。

Dudley 将这一成果称为”connected intelligence layer”（互联智能层）。她在案例中说：”We’ve been able to build what we think of as a connected intelligence layer. We’re bringing the data into the tools, and we’re surfacing insights that make a difference.”

对比前后两个阶段，变化的核心在于：此前的投研工作流是人类主导的串行流程。Dudley 在案例中描述了传统的股票研究工作流——分析师进行初步的股票分析，审阅财报电话会议记录，研究各业务线的竞争对手，然后将有用信息整理出来，准备向投资组合经理推介新想法或更新现有持仓的观点。每一步都依赖前一步的完成，每一步都由人类分析师手动执行。

引入 Agent 与语义层之后，这个流程的逻辑发生了变化。AI 能够持续地、并行地处理多个数据源，自动发现跨数据源的关联，并将洞察主动呈现给决策者。Dudley 用”continuous intelligence”来描述这一状态，并在案例中说：”It’s just continuous intelligence combined with that human judgment.”

笔者认为，”connected”和”continuous”这两个词的选择揭示了 Franklin Templeton 对 AI 在投研中角色的理解。”Connected”指向数据维度——打破数据孤岛，让不同视角的数据在语义层面实现互联；”continuous”指向时间维度——AI 的洞察生成不再是对人工请求的一次性响应，而是一个持续运行的智能流。

Codex 与工具链在投研工作流开发中的角色

在 Franklin Templeton 构建互联智能层的过程中，Codex 扮演了一个具体的角色。据 OpenAI 客户案例，Codex 是投资团队用于开发投研工作流的多个工具之一（”Codex is one of several tools our investment teams are using to develop workflows for investment research”）。案例还提到，Franklin Templeton 在 hackathon 中使用了 Codex，将技术专家与投资从业者聚在一起，让他们开发自己的工具。公司的 Investment AI champions 正在努力将实验转化为生产级工作流，安全审查、专家支持和数据管控是这一过程的组成部分。

这一描述揭示了 Codex 在 Franklin Templeton 投研场景中的定位：它是一个让投资从业者能够亲手构建和迭代工作流的开发工具。Dudley 在案例中的表述印证了这一点：”We have moved from augmenting our research process to reimagining the investment research workflow.” 从”增强”到”重新想象”，意味着 Franklin Templeton 的目标是重新设计整个工作流的架构。

需要指出的是，OpenAI 客户案例并未披露 Franklin Templeton 使用 Codex 的具体场景细节或量化成效。目前公开信息仅限于 hackathon 中的使用，以及 Codex 作为”多个工具之一”的定位。Franklin Templeton 在 Codex 上的实际应用深度，仍有待后续披露。

作为行业背景参考，OpenAI 自身发布的”How agents are transforming work”一文提供了一组 Agent 使用趋势数据。据该文，截至 2026 年 5 月，80.6% 的抽样个人用户至少发起过 1 次预估超过 30 分钟人工工作量的 Codex 请求，70.2% 至少发起过 1 次预估超过 1 小时的请求，25.6% 至少发起过 1 次预估超过 8 小时的请求。需要注意的是，这些数据来自 OpenAI 自身披露，统计对象为个人用户而非机构投研场景，存在选择性披露的可能，与 Franklin Templeton 的具体使用情况不能直接对应。OpenAI 将这一变化概括为：Agentic AI 将知识工作的单位从单次交互转变为委托式的长周期任务。

若这一趋势在机构投研场景中同样成立，其含义是：传统投研工作流中，分析师需要花费数小时甚至数天来完成一次完整的股票分析——阅读财报、审阅卖方报告、分析竞争格局、评估风险因素。若 Agent 能够承担这些长周期任务中的大部分执行工作，分析师的角色就会从”执行者”转向”审阅者”和”判断者”。Franklin Templeton 通过 hackathon 让投资从业者亲手用 Codex 开发工作流，正是在为这一角色转变做准备。

据 MIT Sloan Management Review 报道，Franklin Templeton 内部的 AI 组织架构也支撑了这一转变。公司设有产品团队与分销、运营、投资等业务部门协作，每个产品团队在 AI-first 模式下运作，将产品管理、工程和数据科学整合为一个单元。此外还有通用 AI 平台团队、研究团队，以及一个推动员工采用 AI 并帮助将业务收益与产品对齐的采纳与解决方案团队。公司的首席 AI 官 Deep Ratna Srivastav 负责 AI 产品管理、工程、研究和采纳工作。这种组织架构确保了各类 AI 工具的使用嵌入到业务流程中，而非孤立的技术实验。

多视角整合：研究、风险、合规、交易如何汇聚到投资组合经理面前

Franklin Templeton 构建互联智能层的核心目标之一，是将多个视角整合呈现给投资组合经理。据 OpenAI 客户案例，Franklin Templeton 希望 AI 帮助投资组合经理审视不同的研究观点以及投资理念背后的风险（”Franklin Templeton wants AI to help portfolio managers examine different research views and the risks behind an investment idea”）。

案例明确列出了 4 个需要整合的视角：研究（research）、风险（risk）、合规（compliance）和交易（trading）。Dudley 在案例中表示：”We’re able to bring that all in and then use that to surface insights to the people who are making decisions, which are our portfolio managers.”

这种多视角整合在传统投研流程中极难实现。在大多数资管机构中，研究团队、风险管理团队、合规团队和交易执行团队各自运作在独立的系统和流程中。研究团队产出投资建议，风险团队评估组合层面的风险敞口，合规团队审查交易是否符合监管要求和投资指引，交易团队负责执行。这些视角的整合通常发生在投资组合经理的头脑中——他们需要分别与各团队沟通，手动综合不同来源的信息，然后做出决策。这个过程耗时、容易遗漏，且高度依赖个人经验。

按案例描述的目标推演，理想状态下，当研究团队的分析师推介一只股票时，互联智能层能够同时调取风险、合规、交易等维度的相关信息，让投资组合经理在一个整合的视图中获得多角度判断依据。但案例并未详细描述这一整合在产品层面的具体实现形态。

案例中还揭示了 Franklin Templeton 在 AI 应用中的一个独特设计理念：他们明确拒绝了 AI 工具中常见的个性化推荐逻辑。Dudley 在案例中指出，许多 AI 工具会学习用户偏好并推送更多同类内容——如果某人偏好某一家研究机构的报告，工具就会推送更多该机构的报告。但对于投资团队而言，这种窄化可能将偏见引入投资流程。Dudley 明确表示：”We want to make sure that they’re accessing that diversity of research and diversity of opinion.”

这一设计选择反映了资管行业与其他 AI 应用场景的差异。在消费互联网中，个性化推荐是提升用户体验的核心手段；但在投资决策中，多元化的信息来源和观点是避免认知偏差的关键保障。Franklin Templeton 要求 AI 系统主动呈现多样化的研究和观点，而非迎合用户的既有偏好。

同样，Franklin Templeton 希望 AI 系统强调投资风险。Dudley 在案例中表示：”We need AI to understand that a great investment idea is one that is well reasoned, but it also has analyzed the risks and makes our portfolio managers aware of the risk.” 她进一步解释：”If you’re looking at a research note, focusing on the fact someone has identified the investment risks is not a bad thing from our perspective. It makes for a more informed invest[ment decision].”

笔者认为，这两个设计原则——多元化信息呈现和风险优先——构成了 Franklin Templeton AI 系统与通用 AI 助手之间的关键分野。通用 AI 助手的目标是让用户满意，因此倾向于确认用户的既有判断；投资 AI 系统的目标是让决策更优，因此需要主动挑战用户的既有判断、呈现反面证据和风险因素。这种”反个性化”的设计理念，可能是 AI 在资管领域真正创造价值的前提条件。

在 Franklin Templeton 的愿景中，投资团队将拥有一个受治理的、可复用的智能基础（”a governed, reusable intelligence foundation”），它将可信的数据连接器、投资组合与工作流上下文、以及能够为分析师和投资组合经理呈现可执行洞察的 Agent 能力整合在一起。

治理与人工判断：智能层的边界

Franklin Templeton 的案例中反复出现的一个主题是：AI 提供持续智能，但最终决策仍需人工判断。

这一治理原则在实践中体现为多个层面。首先，在工作流开发层面，Franklin Templeton 的 Investment AI champions 在将实验转化为生产级工作流时，安全审查（security review）、专家支持（expert support）和数据管控（data controls）是明确的组成部分。

其次，在信息呈现层面，AI 系统被设计为呈现多元化观点和风险因素，而非给出单一的投资建议。投资组合经理仍然是最终的决策者，AI 的角色是确保他们在做出决策时拥有更完整、更多维度的信息基础。

据 MIT Sloan Management Review 报道，Franklin Templeton CEO Jenny Johnson 对 AI 在公司中的定位有着清晰的愿景。她表示，未来的方向是让公司的全部人才力量都将 AI 作为工具来使用（”having the company’s entire talent force using AI as a tool”）。这一表述将 AI 明确定位为”工具”——它增强人的能力，但不取代人的判断。

同一篇报道还提到，Johnson 本人会亲自实验生成式 AI，构建 AI Agent，并使用 vibe coding 来创建计算机程序。一位 CEO 亲自动手使用 AI 工具，传递了一个明确的信号：AI 的采用是自上而下推动的战略优先事项。

Franklin Templeton 的案例还隐含了一个治理挑战：当 AI 系统能够持续地、多维度地呈现智能洞察时，如何确保投资组合经理不会产生”自动化偏见”（automation bias）——即过度依赖 AI 的输出而放松自身的独立判断？Dudley 在案例中强调的”diversity of research and diversity of opinion”原则，以及对风险因素的优先呈现，可以被视为对这一挑战的部分回应：通过确保 AI 呈现的是多元化的、包含风险警示的信息，系统设计本身就在鼓励决策者进行独立思考。

笔者判断，Franklin Templeton 的实践揭示了 AI 在资管行业落地的一个核心张力：AI 的价值在于提供持续的、多维度的智能洞察，但这种持续智能的价值只有在与高质量的人工判断结合时才能实现。如果人工判断被弱化——无论是因为过度依赖 AI 还是因为组织文化的变化——AI 系统呈现的洞察就失去了其”被有效利用”的前提。因此，治理框架的核心任务不仅是确保 AI 输出的质量，还要确保人工判断的质量不因 AI 的引入而下降。

据 MIT Sloan Management Review 报道，Franklin Templeton 的 AI 组织架构中包含一个专门的”采纳与解决方案团队”（adoption and solutions team），其职责是推动员工实施 AI 并帮助将业务收益与产品对齐。这一团队的存在表明，Franklin Templeton 将 AI 的采纳视为一个需要专门管理的组织变革过程。

一个待解答的问题：成效如何衡量

无论是 OpenAI 的客户案例还是 MIT Sloan Management Review 的报道，目前均未披露 Franklin Templeton 互联智能层的量化业务成效——没有效率提升百分比、没有分析师时间节省量、没有覆盖范围扩展数据。所有关于效果的描述都停留在定性层面，如 Dudley 所说的”surfacing insights that make a difference”。

这一信息缺口并不罕见。笔者推测，资管机构在披露 AI 应用成效时通常较为谨慎，原因可能包括量化 AI 对投资绩效贡献的方法论困难、对竞争信息泄露的顾虑等。但对于外部观察者而言，缺乏量化数据意味着目前只能从架构设计和组织变革的角度评估 Franklin Templeton 的 AI 实践，而无法判断其实际的投资回报。

从 Franklin Templeton 案例看资管 AI 的演进路径

Franklin Templeton 的案例勾勒出一条资管 AI 演进路径：从数据库直连模型的失败，到引入语义层和 Agent 架构构建互联智能层，再到通过 Codex 等工具让投资从业者亲手开发工作流，最终指向研究、风险、合规、交易多视角的整合呈现。

据 MIT Sloan Management Review 报道，Franklin Templeton 认为金融行业正处于 AI 驱动变革的起点（”the financial industry is at the beginning of an AI-driven [transformation]”）。如果这一判断成立，那么 Franklin Templeton 当前构建的互联智能层，可能只是一个更大变革的早期形态。这一变革的最终效果，将取决于 Franklin Templeton 能否在持续扩展 AI 能力的同时，维持甚至提升人工判断的质量。

主题分类：企业AI落地

参考资料

  1. Franklin Templeton uses OpenAI to support investment research — OpenAI, 2026-11-05
  2. How agents are transforming work — OpenAI, 2026-06-25
  3. Transforming Investing With AI at Franklin Templeton — Thomas H. Davenport and Randy Bean, MIT Sloan Management Review, 2026-06-29