Benefit Street Partners 使用 OpenAI 的 Codex 自行开发信贷数据追踪和协议分析工具，将原本耗时数天到数周的投资委员会跟进工作压缩到一天内，同时保留人工复核与最终决策，以提升审查效率与证据汇集能力。该案例强调将模型嵌入有数据来源、权限与可审计流程的重要性，而非让 AI 替代投资判断。
美国信贷投资管理公司 Benefit Street Partners（BSP）表示，其投资团队正在使用 OpenAI 的 Codex 自行开发数据追踪和信贷协议分析工具，把过去需要数天甚至数周才能完成的投资委员会跟进工作，压缩到一天之内；在部分会议场景中，团队甚至可以当场回应新的问题。
这并不意味着人工智能已经取代了投资判断。BSP投资组合经理 Anant Kumar 在 OpenAI 发布的客户案例中强调，AI可以整理资料、吸收文件并生成分析，但最终的投资决定仍必须由人作出。
这个案例显示，金融机构采用编程代理的重点，正从“让工程师写代码更快”扩展到让领域专家自己把专业流程转化为可使用的内部工具。对于信贷投资而言，模型能否带来价值，取决于它是否被放进有数据来源、人工复核和责任边界的工作流中。
一名投资经理如何开始自己开发工具
Kumar在BSP负责美国信贷研究，并兼任全球投资策略师、人工智能负责人和投资组合经理。BSP官网显示，他此前曾在 Lazard 的资本市场咨询部门以及 Deutsche Bank 的杠杆融资部门工作；BSP则是一家专注于另类信贷的资产管理公司，覆盖直接贷款、结构化信贷、流动性信贷、特殊情况、基础设施债务和房地产等策略。
过去，如果Kumar想为同事制作一个可以共享的仪表盘，通常需要请软件专业人员搭建网站、连接数据并维护工具。现在，他可以使用AI起草代码，再用 Codex 检查代码中的错误，自己完成从原型到迭代的相当一部分工作。
其中一个工具用于追踪商业发展公司（BDC）对相同贷款的估值。它读取美国证券交易委员会（SEC）的公开申报文件，比较不同持有人的贷款估值标记，使投资团队能够观察自身估值与其他持有人的差异。
按照Kumar的说法，第一版追踪器大约一天完成；加上之后数周的功能增加和界面调整，整个开发过程约花费10至12小时。OpenAI案例没有披露该工具的错误率、维护成本或是否经过独立审计，因此这些时间数字应被理解为个人和公司对早期实践的描述，而不是普遍适用的生产率测量。
300页以上的信贷协议，先由AI完成第一轮梳理
BSP开发的另一项工具针对信贷协议。此类文件经常长达300页甚至更长，投资者需要从中找出可能把价值从贷款人转移出去的条款。过去，团队可能需要请求外部律师逐页审阅协议，再根据法律备忘录整理风险。
Kumar将这套分析工具称为组织内部的“第二大脑”。使用者上传信贷协议后，系统大约需要20分钟生成第一轮分析，之后仍由人进行一小时或更长时间的复核。BSP后来用 GPT‑6 Astra 对工具进行了重新改造，并将其部署在公司托管的门户中。
这里的流程顺序十分重要：AI负责提取条款、汇总材料和提出可能的风险点，专业人员则负责核对原文、判断语境，并决定这些发现是否足以影响投资意见。信贷协议中的定义、例外条款、交叉引用和交易背景，往往不能只靠一份自动生成的摘要来理解。
这与金融机构正在探索的另一类AI工作流相似。比如，OpenAI介绍其金融团队的多项AI工作流时，也把“第一轮分析、资料整理、对账和工作流协调”与最终的判断、权衡和签字区分开来。自动化首先压缩的是信息装配时间，而不是责任本身。
更快回答委员会问题，意味着更多轮尽调
投资承销通常不是一次性完成的过程。投资委员会提出问题后，团队需要继续尽调，更新备忘录，并再次回应委员会意见。一个交易可能经历多轮审阅，整体周期从数天到数周不等。
BSP表示，Codex让团队能够更快处理这些跟进问题，有时可以在会议进行期间直接查找资料并作出回应。其意义不只是让一笔交易更快完成，也可能让团队在相同时间内进行更多轮复核，从而增加可供投资人讨论的证据。
Kumar认为，信息掌握得更多，团队对决策的信心也会提高。但这句话不应被解读为模型提高了投资判断的准确率。OpenAI的客户案例并未提供由第三方验证的投资回报、违约预测准确率或损失率数据，也没有说明使用AI后BSP是否完成了更多交易。
相反，BSP强调的方向是提升承销质量和审查能力，而不是单纯追求交易数量。对于私人信贷市场来说，这一区分尤其重要：如果AI只是让团队更快地处理更多交易，却没有提高对条款、抵押品、借款人风险和现金流的理解，速度本身可能会放大错误。
从“会用模型”到“能设计可审计的流程”
BSP案例与OpenAI近期面向金融服务行业的产品叙事形成呼应。AIFlux此前关于Chatham重塑资本市场工作流的报道中，也记录了金融专业人员把AI放在证据整理和流程加速位置、保留人工复核的做法。OpenAI在其金融服务解决方案中，把研究、分析、运营和客户服务列为主要应用方向，同时强调企业数据控制、权限管理和可审计性，并将 Codex定位为开发内部工具、改造旧系统以及支持交易、风险和合规流程的工具。
这意味着金融机构部署AI时，竞争焦点并不只是模型能否读懂一份复杂文件。AIFlux此前在Oracle如何用ChatGPT与Codex把数天工作压缩到数分钟的报道中，也提到企业AI提速后，瓶颈会转向系统设计、权限控制、代码维护和人工复核。企业还需要回答几个更具体的问题：文件来自哪里，谁可以访问；模型引用了哪些证据；哪些判断由人完成；错误发生后能否追溯；工具更新后是否经过测试；以及在投资意见最终形成前，谁拥有批准权。
这也是为什么BSP的做法更像是“领域专家加编程代理”，而不是简单地把聊天机器人放在投资团队旁边。Kumar需要理解信贷研究本身，也需要不断调整数据来源、工具界面和分析逻辑。Codex降低了开发内部软件的门槛，却没有取消软件测试、数据治理和专业复核的必要性。
OpenAI与 PwC 最近在金融团队和CFO工作流方面的合作，也把类似原则放在更大范围内：AI代理可以协助处理合同、付款、预测和报告，但企业仍需要治理、运行时控制和人机协作机制。OpenAI称，其自身财务团队使用Codex处理合同等工作，并把“客户零号”式的内部实践作为企业部署的参考；这些结果同样主要属于公司披露，应与独立评估区分开来。
金融AI的下一步，不只是把速度继续推高
BSP正在设想把不同交易和投资组合的信息连接起来，进一步发展“持续承销”：当新闻或市场事件发生时，系统能够监测贷款及其对组合的潜在影响，而不是等到事件发生后才重新进行一次完整承销。
这一设想仍是长期方向，不代表BSP已经实现持续自动化监测。要把它变成可靠系统，还需要解决新闻和市场数据的质量、模型误报、投资组合之间的关联、权限分层以及异常事件下的升级机制。尤其在信贷投资中，一条信息是否真正改变风险，通常需要结合借款人、契约、抵押品和市场环境进行解释。
因此，Benefit Street Partners的案例更适合被理解为金融专业人士工作方式的一次变化：投资经理可以自己搭建工具，AI可以在数分钟内完成长文件的第一轮整理，团队也可以更快回应投资委员会的问题。但最终产生价值的，不是“让机器替人作决定”，而是让专业人员在同样的时间里看到更多证据、进行更多复核，并把判断留在可解释、可追溯的流程之中。
对金融业而言，Codex真正改变的可能不是某一个岗位的名称，而是谁有能力把一套专业方法转化为软件。这个变化会扩大领域专家的生产力，同时也把数据治理、代码维护和责任追踪的要求，推到了投资流程的更前端。
来源：