Gabe Stengel——打造投资超级智能——[Invest Like the Best, EP.492]

摘要

• Stengel 的 2 年框架：重做公司，而不只是等待模型变强。 他引用 Dario Amodei 所说的“数据中心里的一整个天才国家”，并追问：如果这些天才明天就出现在 Goldman、Millennium 或 Citadel，它们究竟会怎么做？他的答案是：“未来 5 年，对每一家优秀投资机构而言，最大的挑战就是想清楚如何把 AI 应用到投资全流程中”；而 Jane Street 花了 15 年才建立起主导性的业务版图。
• Rogo 的产品时代与模型时代直接对应：o1 Pro 让它成为可靠的搜索工具；2025 年底和今年年初的 Opus 4.5，则让模型“基本能够胜任初级投资专业人士或初级银行家所做的一切”。 Stengel 坦承存在“先发者劣势”——早期应用型 AI 产品很糟，因为模型还没到位；但如果你判断对了终局，“等它们真正做到时，一切会变得不可思议”。
• 反直觉的是，Rogo 的核心市场不是二级市场股票，而是交易人士，因为私募市场的协同和交易基础设施仍高度依赖人工。 二级市场数据更充足，自动化程度也更高；而 Rogo 覆盖的大量场景其实是“冰山水面下的部分”——数据室、DDQ、CRM 和 LP 报告。垂直 AI 的通用经验是：要在最后一公里基础设施缺失严重、且“与[模型公司]想做的事情垂直错开”的地方建立业务——Anthropic 不会去做数据室生意；对它们而言，在从 1000亿美元走向 1万亿美元收入的路上，这相当于“在路边停车捡1分钱”。
• 投资中的超额回报足以支撑极高的 token 消耗：“投资者愿意为一个真正好的投资想法支付5万美元。” Stengel 想象的前沿形态，是每位 PM 配备 10,000 个 agent，让它们连续 24 小时“社交、讨论想法、发表高论”，最终筛出一个投资机会；他坚持认为，模型已经“比我认识的任何人都聪明”，现在缺的是基础设施，以及让 agent 在公司内部实现一对多协作时仍能完成压缩和记忆的能力。
• Rogo 目前按席位收费，类似 Bloomberg 或 FactSet，但 Stengel 希望完全跳过按用量计费，直接转向按结果收费：“如果我只对我给你的每一个好投资想法收费，会怎样？” 他现在可以容忍客户成本与使用量不匹配，因为“我们的产品路线图才走了1%”；终局是一个类似 Bloomberg 的交易所，由 agent 而不是人来协商和完成交易，因此“KKR 弄清楚能不能把这家被投公司卖给另一家 sponsor，只需要5分钟，而不是5个月”。
• 对传统机构而言，这是一场严重的品类级创新者窘境；他的诊断问题非常残酷：如果今天90%的企业价值来自人，但10年后90%的价值将来自软件、数据和系统，“你会从哪里开始做起？” 他的答案是：把“存在于最优秀员工潜意识里的东西”提取出来，放进自己拥有的系统；如今看起来有先见之明的案例，包括他称为“Molus”的某家公司的联合创始人 John Momtazi——他们 2 年前提出要给顶尖银行家制作数字克隆时，听起来“简直疯得离谱”。
• 公司的创立故事也是一堂关于幸存者偏差的课：Series A 有40位投资人拒绝了他——“就像被40个女朋友甩了一样”——直到 Keith Rabois 出手。 旧金山投资人低估了金融行业的 TAM，因为他们对 ION Group、Bloomberg、S&P、FactSet、PitchBook 和 Morningstar 这类公司的商业模式缺乏直觉；产品“有一半时间都是错的”；也没有人见过他持续“咀嚼玻璃”。Pat Grady 在最近的董事会上提出的逻辑是：如果未来 18 个月内金融行业每个人都会做出 AI 采购决策，那么唯一的问题就是“你觉得这个计划够不够激进？”答案是否定的。

精读

1. 未来2年要重做公司，而不是等待模型变强

• Patrick 开场时指出一个令人不适的事实：Rogo 正在“吞噬分析师、甚至 PM 的大量核心职能”。Stengel 将问题重新框定：2 年比 20 年更容易推演，而在这段时间里，“最优秀的投资者会开始思考如何重做自己的公司，也重做自己”。
• 他最核心的类比是：Jane Street 花了 15 年才建立起主导性的量化和做市业务，而今天最优秀的投资者会花 2-5 年把 AI 融入机构。借用 Dario 关于“数据中心里住着一个完整国家的天才”的说法，他追问：如果这些天才突然出现在 Goldman、Millennium 或 Citadel，它们会怎么做？答案是，“它们可能需要一段时间，才能想明白该如何改变工作方式”。
• 至于哪些人的能力能够留下，他先保持谦逊：“我在金融行业只工作过2年，所以我只是这些人的学生。”他表示，AI 是否会取代判断力仍没有定论。但如果公募股票市场开始出现类似 Move 37 的时刻——Lisa Doll 看到了他永远无法看到的东西——那么真正持久的能力就会变成收集“别人没有的数据和输入”，包括一线调研时间、专家网络和关系图谱。

2. 产品时代跟随模型时代演进，先发者劣势确实存在

• Stengel 曾两次尝试创办 Rogo，直到第 3 次才成功：一次是高中时做的应用，用来追踪两家正在合并的上市公司的换股比例，“糟透了”；另一次是大学时期、早于 GPT-3 的论文项目，尝试把 AI 商业化用于金融计量学，“完全没有任何东西能正常工作”。真正的业务始于 GPT-3、早于 ChatGPT 的时代：任何东西都能做 demo，但没有任何东西真正能用。
• 产品能力经历了几个阶段：o1 Pro 是“第一次有了足够的可靠性”，可以完成跨 12 个季度计算某项指标这类任务，而且不会烦到让用户觉得不如自己做；到了 2025 年底和今年年初的 Opus 4.5，模型变得“基本能够胜任初级投资专业人士或初级银行家所做的一切，只要你给它正确的指令和上下文”。
• 他对这条陷阱的表述很直接：“很多应用型 AI 公司都面临先发者劣势”——你知道世界将走向哪里，但用户试用了早期产品后只会说：“这太糟了，这就是垃圾。”然而，如果你对终局的判断是对的，“等它们真正做到时，一切会变得不可思议”。
• 把能力转化成采用率，靠的是对工作的细节理解：一位“10 年没登录过电脑、但有一台 iPad”的 MD，把修改过的 deck 发给 Rogo 的 AI 分析师，20 分钟后就能收到结果，而不是等待 2 天；完整审计记录也会呈现给交易团队中的初级成员。只有“真正对这份工作有蜘蛛感应般直觉的人”，才知道这些细节。

3. 模型已经比所有人聪明，前沿在基础设施

• Stengel 正在构建的前沿形态是：想象每位对冲基金 PM 都拥有“10,000 个 agent，它们彼此社交、讨论想法、阅读研究笔记、发表高论”，经过 24 小时的讨论后交付一个投资想法。经济账是成立的，因为“投资者愿意为一个真正好的投资想法支付5万美元”；很少有行业能为单个洞见支撑这样的 token 消耗。
• 他的判断非常明确：“模型比我认识的任何人、比我相处过的任何人都聪明；现在缺的是基础设施。”真正的前沿，是把上下文、投资论点和工作流连接起来。
• 尽管公募股票看起来是最自然的应用场景——“所有数据都在那里”——但 Rogo 的 ICP 是交易人士：那些买入、出售和协调交易的人。具体场景包括准备和拆解数据室、回答客户集中度等 DDQ 问题，以及把交易映射到机构的投资理念。产品有一半其实是“冰山水面下的部分”：更新 CRM、跟踪投资组合，以及向 LP 分发报告。
• 谈到进军二级市场，Stengel 少见地承认自己不了解：“我不知道那需要什么。我从没做过。”董事会一直要求他扩大 ICP，但他认为交易人士的纵深机会如此之大，以至于“只聚焦现在所在的领域，我就能做成一家非常、非常大的公司”。Patrick 总结、Stengel 也认同的结论是：垂直 AI 的机会存在于“还有大量基础设施没有建起来”的地方；私募市场之所以有吸引力，正是因为协同、标准化、尽调和交易仍主要由人完成。

4. 与 OpenAI、Anthropic 错位竞争：做垂直方向，掌握工具链

• Rogo 的架构已经从最初“鲁布·戈德堡式”的 60 次模型调用，演变为让一个足够聪明的模型使用最简单、质量最高的工具；同时把合规溯源能力内置进去，确保“如果有一天，特拉华州某位法官裁定 AI 的输入和研究记录必须披露，你确实从一开始就做对了所有事情”。
• 面对模型公司的竞争，答案是“去做与它们想做的事垂直错开的东西”。金融由一系列不同的细分市场构成，各自拥有不同的数据集、对“好”的不同定义和不同监管要求；Rogo 只要深耕其中，就能做到 50亿美元收入——对 Anthropic 而言，这相当于在从 1000亿美元走向 1万亿美元的路上“在路边停车捡1分钱”。具体机会包括像素级精度的 MNPI 审计基础设施，以及合规、集成 agent 的数据室；“我不认为 OpenAI 或 Anthropic 未来会想做数据室生意”。
• Patrick 总结说，在数据、模型和工具链这三者中，工具链最重要。Stengel 随即展开：Claude Code 和 Claude Cowork 使用的是类似的模型，却能显著推高使用量，因为工具链“让模型能够释放更多持续运行的能力”。人类智能本身也是“大脑里的许多微服务”：情绪充当触发器，优秀投资者的判断力则像一种“蜘蛛感应”，会把记忆调动起来，转化成创造性的决策。

5. 投资 Rogo 类垂直 AI 公司的筛选框架

• 如果必须投资这一赛道，他会看 3 个条件：(1) 数据、记录系统和部署模式足够复杂，能构成切入口——如果任何人都能进来卖基础版 ChatGPT，你就永远没有时间去建立那些错位竞争的能力；(2) 行业专长——Rogo 有 100 多名来自投行和投资机构的人，“我们的工作其实就是捕捉模型的变化”；(3) 愿意“不断重做核心产品，也不断愿意把它砍到一无所有”——任何绑定在某个终端或固定 UX 上的公司，都没有足够的敏捷性应对每 6 个月一次的跃迁。
• 他欣赏的重做范式来自 Max Levchin 的 Affirm：每年重建一次底层账本，既保留工程师，也防止系统僵化。Rogo 对工具链做的是同一件事：“如果我们处在一个局部最优点上，那根本不可能做到，因为模型变化得太快。”
• 真正可能改变一切的能力缺口是 compaction，也就是让 agent 能够跨 100 次对话持续维护连贯记忆。今天几乎所有 agent 都是一对一工作；一旦它们需要服务 Slack 里的 100 位同事，“压缩问题就会呈指数级扩大”。

6. 今天按席位收费，明天按结果收费，终局是交易所

• Rogo 是“一家典型的企业软件公司”，按席位定价，因为买方会把它与 Bloomberg、FactSet、Capital IQ 和 PitchBook 放在同一类里比较；每笔交易都需要 AE、解决方案架构师和线下握手。相比之下，Anthropic 向 Rogo 销售非常容易，Rogo 支付给 Anthropic 的金额在没有任何人介入的情况下呈指数级增长。因此，Rogo 必须打造一套比大多数企业销售组织快 5 倍的商业化机器。
• 对于定价演进，他希望完全跳过按用量收费：“如果我只对我给你的每一个好投资想法收费，会怎样？”按 token 计费会引发价值争议，但一个好想法能赚多少钱，通常是看得见的。至于按席位收费下高频使用造成的成本错配，他并不担心：“我们的产品路线图才走了1%。资本市场领域99%的创新还在前面。”
• 终局愿景借鉴 Bloomberg 的路径：先用数据打开大门，再叠加工作流，最后建立交易所；但“我需要为 agent 建立一个让它们彼此交易的通信渠道”。抵押贷款行业说明了这件事：过去没人认为可以把人从房贷流程中移除，如今 40–50% 的抵押贷款已经在线完成。未来，融资会像在 Robinhood 上买股票一样简单；KKR 判断能否出售一家被投公司，只需“5分钟……而不是5个月”；资产定价所需时间会减少一个数量级，市场也会变得“更透明、更具流动性、更高效”。

7. 先做银行，以及个人生产力与公司生产力之间的鸿沟

• Rogo 的客户主要是大型银行，一部分原因来自 Stengel 的经历——他做过买方并购覆盖；另一部分原因来自行业结构：银行是“整个金融业的分销渠道”，同时拥有最多席位。拿下 Bank of America，触达的人数远多于拿下 10 个各自只有一位 PM 的公募股票投资机构。
• 在企业采用深度上，个人生产力正在爆发，但公司层面的生产力还没有被量化。一位 MD 告诉他：“我给客户发了5页内容。以前我得花3天和分析师来回沟通才能做出来，现在我自己10分钟就做完了。”其中一些银行家已经 20 年没打开过 Excel。真正的问题是战略选择：是削减成本，还是进入新市场？JPMorgan 已宣布进军中小企业并购业务，这正说明了机会所在：如果一名银行家就能组成一支完整交易团队，过去在经济上不成立的市场如今就可以进入。
• 对于 Patrick 提到已经从对话中消失的“幻觉”一词，Stengel 的重新定义是：“可审计比准确更重要。”即使答案是错的，只要假设和来源清晰可见，就仍然可以采取行动；而当 copilot 变成负责决策的 autopilot 后，就必须像排查糟糕的投资者一样调试 agent——“是输入了错误的数据？还是有人对它撒了谎？”——这对监管机构尤其重要。
• 公司内部赋能依靠一个名为 Shrek 的企业大脑：所有内部对话都会被记录并输入其中，它既能响应，也能主动行动。在你开口之前，它就能为你准备周四的私募信贷会议，提供适用场景和 ROI 指标。

8. 40次拒绝、Rabois 的支票，以及 Pat Grady 的激进度测试

• Series A 时，David Tisch 把他介绍给 40 位顶级投资人，包括 Sequoia、Kleiner、Benchmark 和 Thrive；这些人经历了晚餐、投资委员会和周末讨论后，无一例外选择拒绝。“这就像被40个女朋友甩了一样。”一个月后 Keith Rabois 出现了，他说：“这基本就是金融版 Harvey。我为什么要投？”Stengel 的反击是：“如果它不够反共识，为什么你所有朋友都说这是个坏主意？”
• 他们拒绝的原因包括：旧金山低估了金融行业的 TAM，因为缺乏对 ION Group、Bloomberg、S&P、FactSet、PitchBook 和 Morningstar 这类公司的商业直觉；产品“有一半时间都是错的”——“各位，我们处在指数级增长的早期”；以及没有人掌握足够多关于 Stengel 本人的数据点。后来，这批投资人领投了后续轮次，因为他们看到了他兑现那些曾经无人相信的判断。
• 上周三董事会上，Pat Grady 给出的激进度教训是：如果 18 个月后金融行业的每个人都会做出 AI 采购决策，而且无论如何都会买某种产品，“唯一重要的事情就是尽快席卷市场……你觉得这个计划够不够激进？”答案是否定的——“因为我当时太保守了。”他的创投数学是：“即使失败概率因此上升30%，只要成为一家1000亿美元公司的概率也上升20%，就完全值得。”
• 创业的真实质感就是“咀嚼玻璃”：招不到人，产品被下一次模型发布迅速淘汰，还有 40 次拒绝。他也坦言：“我是一个非常偏执、非常没有安全感、非常恐惧的人……每天都感觉自己站在一千件事情同时崩塌的刀刃边缘。”但这种偏执有其功能：做公司本质上是“一场复利式积累动能的游戏”。
• 他给年轻创始人的建议是多做几轮实践、经营关系：直接、透明地说明自己担心什么、想走向哪里，同时相信一个小概率结果确实可能发生，但不要假装它已经确定会发生。

9. 传统机构面临严重的创新者窘境，但部分 alpha 可能仍属于人类

• 金融行业已经很久没有经历过颠覆性冲击——资金动能让私募市场公司很难被真正击垮——但现在，“数百家 AI 原生颠覆者”都可以发起攻击。他给传统机构的问题是：如果 10 年内企业价值的 90% 从人转移到软件、数据和系统，那么现在就应该“把最优秀员工潜意识里的一切都提取出来，放进一个你拥有的系统”。随后审计交易全生命周期：你是否拥有别人没有的关系或上下文，“还是你只是觉得自己更聪明、读得更多……如果是后者，AI 就会让这种优势失效”。
• 今天看起来有先见之明的人，“2 年前听起来简直疯得离谱”。其中包括他称为“Molus”的那家公司的联合创始人 John Momtazi：他希望给顶尖银行家制作数字克隆，让每一名初级员工都能借助这些人的上下文和关系创造收入。在 Rogo 内部，公司还用幽默的方式强制保持 AI 原生：每月按部门对 AI 工具使用量进行排名，最后一名的打印件会被贴上“笨蛋帽”。
• 他明确表示自己仍不确定两件事：私募市场需要多快才能实现标准化——“AI 应该能解决这个问题”，但能否出现推动标准化的监管或市场力量，“有一点超出我的控制”；以及“人际关系里还会剩下多少 alpha”。经营小企业 20 年的人可能仍然想要一次握手，但对于许多 sponsor 持有的公司、二级交易、私募信贷或 GP/LP 二级交易，他确实认为流程可以完全自动化。
• 他对同行创业者的最后提醒是：赢家“会变成人才、资本和品牌的黑洞”；“所有人都在被拉进大联盟，经历自己的 NFL 欢迎时刻”。如果你没能成为那个黑洞，就极有可能被一家模型公司或一家有能力做到这一点的公司当成路边的牺牲品。