富兰克林邓普顿借助包括OpenAI Codex在内的工具重构投研工作流，目标是将研究、风控、合规与交易等信息连接为可复用的语义层与智能体辅助决策，但并未宣称让AI替代投资判断或公布独立量化验证。公开案例描述了实验与生产化的努力、治理与数据控制要求，以及强调呈现多元观点与风险提示的设计目标。
富兰克林邓普顿（Franklin Templeton）正从股票研究入手，利用包括OpenAI编程工具Codex在内的多种工具开发AI工作流，希望帮助投资组合经理比较不同研究观点，并检查投资建议背后的风险。
OpenAI于2026年11月5日公开的客户案例显示，这家资产管理机构的探索并非简单地让模型读取数据库、生成研报摘要，而是尝试把数据之间的关系、投资组合背景以及研究、风控、合规和交易等不同环节的信息连接起来，供人类投资人员使用。
不过，这是一篇由技术供应商发布、主要依据客户管理人员自述的案例。文中同时包含已经开展的试验、正在开发的能力和未来设想，没有宣布所有相关功能已在全公司正式上线，也未提供足以证明投资收益改善的独立量化评估。11月5日是案例的公开日期，不能据此认定为项目首次部署日期。
为什么“把模型接上数据库”还不够
据富兰克林邓普顿公开市场投资高级副总裁卡特里娜·达德利（Katrina Dudley）介绍，团队最初的做法是把数据放进数据库，再将模型连接上去。但结果未能满足投资团队的需要：模型并不理解这些数据如何相互关联。
团队随后引入智能体和“语义层”。按照案例中的解释，语义层是一种结构化模型，用来描述企业数据的含义及其连接关系。公司正在借助Codex等工具开发这一相互连接的信息基础。
两种做法的差别在于，能够读取资料，不等于理解资料在具体业务中的意义。对投研而言，一份研究报告不仅有文字结论，还与研究对象、投资组合现有持仓、分析师的假设和风险判断有关。富兰克林邓普顿的尝试，是让这些背景成为工作流的一部分，而不是只给模型一个可以查询的数据入口。
但案例没有披露语义层的具体技术实现、所用模型版本或系统架构，也没有给出加入这一层前后的准确率对照。因而，目前能够确认的是公司的开发方向及其经验描述，而不是一套已经得到公开验证、可以直接复制的技术方案。
Codex用于开发工具，不等于自动管理投资组合
达德利描述的传统股票研究流程以人为主、按步骤推进：分析师先对股票进行初步分析，阅读业绩电话会议内容，再研究相关业务领域的竞争对手。研究结果随后用于向投资组合经理提出新投资想法，或更新已有持仓的判断。
公司希望改变的是这些信息如何汇集、如何持续呈现，而非取消投资组合经理的决策角色。研究、风险、合规和交易部门各自提供不同视角，AI工作流的目标，是把这些输入带到决策者面前。
Codex在这里的角色也需要区分。OpenAI在2025年5月16日发布的早期产品介绍中，将Codex定位为能够编写功能、理解代码、修复缺陷并提出代码变更的软件工程智能体。这可以帮助理解它为什么会出现在金融机构的工具开发过程中，但该早期介绍不能用来推断富兰克林邓普顿当前使用的具体版本或部署方式。
此次客户案例披露，公司曾在黑客松活动中使用Codex，让技术专家与投资业务人员一起开发工具；内部推动投资业务应用AI的骨干人员，则在尝试将这些实验转化为可用于生产环境的工作流。
因此，“借助AI开发投研工具”与“让AI自主作出买卖决定”不是同一件事。公开材料支持前一种描述，并未披露后一种能力已部署。
投研AI的目标不是“越用越懂你的偏好”
这项探索中，一个值得注意的要求是：系统不应只不断强化使用者原有的研究偏好。
达德利举例说，许多工具会学习用户喜好。如果用户偏爱某一家研究机构，系统就可能持续推送更多来自该机构的报告。但对于投资团队，这种收窄可能把偏差带入投资流程。
富兰克林邓普顿希望相反：让投资人员接触多样化的研究和观点。
这一要求揭示了投研工具与一般个性化推荐的区别。更符合用户口味的信息，并不必然带来更充分的投资判断。如果系统只让已有观点显得更加一致，投资人员可能更难看到反对意见或尚未解决的问题。
不过，案例没有说明公司如何衡量观点多样性、如何判断系统是否放大偏差，也没有公布相应测试结果。“呈现多元观点”目前应被理解为设计目标，而非已经证实消除偏差的效果。
同样重要的是风险。达德利表示，一个好的投资想法不仅要有充分理由，也需要分析风险，并让投资组合经理意识到这些风险。在她看来，研究报告识别出投资风险，不是负面因素，而是作出更充分知情决策的基础。
换言之，公司希望AI帮助回答的不只是“为什么值得投资”，还包括“这一判断在什么情况下可能出错”。
从实验走向生产，控制措施是工作流的一部分
富兰克林邓普顿设想的基础平台，应当是可复用、受治理的信息与分析基础：将可信连接器、投资组合及工作流背景，以及智能体能力结合起来，为分析师和投资组合经理呈现可以采取行动的洞察。
这里的措辞仍包含未来方向。案例明确提到，团队正在努力把实验转化为可用于生产环境的工作流，安全审查、专家支持和数据控制都是这一过程的组成部分。公司也将数据协议列为从试验走向生产级工具的要求之一。
达德利说，管理层鼓励在明确的风险边界内开展创新和实验，并不期待每一项尝试都成功。公司还通过实践实验室帮助团队测试新工具，让业务人员理解技术能力及其与实际工作的关系。
这些安排说明，模型能力只是落地条件之一。工具能否使用恰当的数据、是否经过安全审查，以及业务人员能否理解并检查输出，同样决定它能否进入日常投研流程。
但公开材料并未进一步说明数据驻留地点、保存期限、模型训练数据使用安排，或每项智能体操作是否需要人工批准。不能仅凭“安全审查”和“数据控制”等表述，就推断所有合规或权限问题已经得到解决。
行业已有类似探索，成效仍须分案判断
金融机构将AI嵌入研究流程并非始于这一次披露。AIFlux此前报道过巴利亚斯尼资产管理构建AI投研引擎的案例，其相关实践包括集中开发智能体框架、工具链与合规边界，再让投资团队按各自需求使用。
OpenAI于2026年3月6日发布的巴利亚斯尼案例还介绍，该机构在模型投入生产前，围绕数值推理、情景分析和对噪声输入的稳健性等十余个维度开展内部评估。
这一背景有助于理解富兰克林邓普顿的探索：面向机构投研的AI系统，往往不仅需要一个模型，还需要业务背景、受控的数据与工具访问，以及持续评估。但不同机构的部署范围、任务与评估方法并不相同；其他客户披露的使用率或节省时间，不能移用为富兰克林邓普顿的成效证明。
此次案例没有披露富兰克林邓普顿的用户覆盖率、研究耗时变化、错误率、成本或投资收益对照。它提供的是一项具体的工作流重构思路，而非“AI已提升投资回报”的证据。
达德利的长期目标，是让这种相互连接的信息与分析能力覆盖从分析师到投资团队负责人的不同岗位。与此同时，她希望分析师能把更多时间用于实地接触专家、专业人士和企业管理者，再将获得的认识带回团队。
在这一设想中，AI承担的是持续汇集信息、呈现不同观点并提醒风险的辅助角色；对信息作出判断、形成投资信念并承担决策责任，仍然留在人类投资人员手中。