AI 時代最值錢的不是智能，是審計軌跡
Rogo 創始人 Gabe Stengel 說，模型已經比任何他認識的人都聰明，剩下的全是管道工程——誰把管道鋪進銀行的合規和系統記錄裡，誰就贏。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
模型公司是煉油廠，垂直公司是化工廠
Gabe 用 Dario 的話推演：如果明天有一整座裝滿天才的數據中心出現在 Goldman、Millennium、Citadel 門口，這些機構也要花很久才能想清楚怎麼改變工作方式、怎麼把它接進自己的系統。所以他認為未來五年每個偉大投資者最大的挑戰，不是拿到智能，而是把 AI 接進投資生命週期。這也解釋了他為什麼不擔心 Anthropic 和 OpenAI：金融是一堆數據、定義、監管要求各不相同的利基集合，Anthropic 停下來撿這個硬幣，等於在從 1000 億收入走向 1 萬億的路上靠邊停車。
— Gabe Stengel應用 AI 公司有先發劣勢
Gabe 說早期做應用 AI 的公司反而吃虧：你以為知道世界往哪走，為那個終局建產品，但模型還沒到，用戶試完只會說「這是垃圾」。Rogo 自己也經歷過這個階段。他的判斷是，如果你對終局的判斷是對的、並且一直在朝那個方向建，等模型追上來那一刻就是魔法時刻。他把 Rogo 的產品紀元直接綁在模型紀元上：01 Pro 是第一個可靠性夠用的版本，至少能當搜索工具；到 Opus 4.5、2025 年底到 2026 年初，模型基本能做一個初級投資或投行專業人士做的任何事，前提是你給對指令和上下文。
— Gabe StengelMD 用 iPad 批註，才是真正的最後一公里
Gabe 舉了一個具體到不能再具體的例子：投行 MD 的典型工作流是把 deck 的批註用郵件發給分析師，Rogo 讓這個 MD 把批註郵件發給 AI 分析師，20 分鐘拿回修改稿而不是兩天，同時自動通知交易上的初級分析師，並展示所有小改動的完整審計軌跡。他點出關鍵：這個金融專業人士十年沒登錄過電腦，但他有 iPad，他知道怎麼在 iPad 上批註。這種對特定終端用戶的產品細節，只有對這份工作有「spidey sense」的人才做得出來。
— Gabe Stengelharness 比模型本身更重要
Gabe 用 Claude Code 和 Claude Cowork 對比 ChatGPT 舉例：模型其實差不多，但 Claude 的 harness 和呈現方式好得多，讓模型能發揮更多長程能力，於是用量和擴張都跑起來了。他進一步用大腦類比：人類有高能動性不只是因為原始記憶、IQ 和知識，而是因為腦子裡有一堆微服務——怎麼存知識、怎麼檢索、怎麼觸發，情緒就是一種觸發微服務的方式。偉大投資者的判斷力，來自看到市場裡某種東西時觸發了對某個事件的回憶，從而做出創造性決策。這些微服務就是垂直公司要建的東西。
— Gabe Stengel從按席位收費，直接跳到按結果收費
Rogo 現在是經典企業軟件：按席位定價，因為買家習慣拿它跟 Bloomberg、FactSet、Capital IQ、PitchBook 類比，每籤一單都要 AE 加解決方案架構師去握手、解釋集成。Gabe 說 Anthropic 賣給他們很容易，付的錢指數級上漲還不需要人介入，因為是 token 消耗模型；但很多行業沒法搭 token 消耗的便車，Rogo 就是其中之一，所以必須用五倍速度建 GTM 機器。他的定價判斷是每家企業都要經歷兩次定價革命：先轉 usage based，再轉 outcome based。他更想跳過 token 和 usage，直接問客戶：每個好投資想法收你多少錢？每份給 LP 的季報收你多少錢？每份投行的 CIM 收你多少錢？
— Gabe Stengel可審計比準確更重要
Gabe 說準確當然還是超級重要，但可審計比準確更重要，這兩件事經常被混為一談。邏輯是：如果答案不準、你又不知道怎麼檢查、看不出它從哪來，那不管准不准你都沒法用，因為你不信任它。反過來，如果大多數時候準，即使不準的時候也能清楚看到假設和取數來源，它仍然可行動、仍然省時間。當工具從 copilot 走向 autopilot——不只是檢索信息，而是有能動性、真的做投資決策或發郵件——你必須能回看它為什麼這麼決策，因為你要 debug 它，就像個別投資者做爛決策後你要查是數據輸入錯了還是有人騙了他。在受監管的資本市場，解釋不了決策依據根本過不了關。
— Gabe Stengel公司大腦叫 Shrek，所有對話都被錄下來
Rogo 內部所有對話都被錄製，新人入職第一天就被告知「你永遠在被錄音」，這些內容被過濾進公司大腦，名字叫 Shrek，因為工程師覺得這麼叫很好笑。有一個 dashboard 能看到所有人正在做什麼的「沼澤」，它連著公司各個系統，對公司目標、價值觀、要交付給客戶的東西、北極星指標非常明確，所以能塑造每一個答案和交付物。它既被動也主動：你可以進去問「我該怎麼跟一家大型機構講模型路由的價值主張和節省」，它把信息拉出來；它也會主動提醒「Patrick，我看到你週四要見這家 private credit 公司，這是你該知道的信息、會共鳴的用例、以及過去合作過的公司想聽的 ROI 指標」。Gabe 說這就是 enablement 的核心問題：把信息吸進來，在人們需要的時候給出去。
— Gabe Stengel被 40 個投資人連續拒絕是什麼體驗
Gabe 說最難的低谷是 A 輪融資：當時 cap table 上還沒有明星投資人，David Tisch 把他介紹給 40 個投資人，他見了 Sequoia、Kleiner、Benchmark 等等，40 個人全 pass。而且不是發個 deck 沒興趣那種，是「有意思，見見 Gabe」「挺喜歡 Gabe，聊一小時」「來 IC 吧」「一起吃個飯」「週末再來一趟」——然後「我們決定不投」。他說那個階段跟任何事都無關，只跟你有關，像被 40 個女朋友分手，每次你都愛上了，每次對方都說不是給你的。最後 Thrive 也沒投，Keith Rabois 在所有人拒絕後大約一個月才來，Gabe 反問 Keith：如果這不是逆向押注，為什麼你所有朋友都說這是壞主意、都不相信我？他總結投資人沒投的三個原因：低估金融 TAM、產品當時確實爛、以及沒有足夠數據點相信他能嚼著玻璃把下一版做出來。
— Gabe Stengel金融業第一次遇到創新者窘境
Gabe 說過去 10 到 20 年，做資本配置、做投資是很賺錢的生意，行業極難進入，尤其私募市場，募完一隻基金再募一隻，業務自帶慣性，很難搞砸。所以很長時間裡沒有一次市場衝擊讓每家投資公司、每家銀行說「我得徹底重新想我在做什麼」。現在有了：會出現幾百家 AI 原生的顛覆者、AI 原生投資公司、AI 原生投資銀行來攻擊現有商業模式。他把 AI 原生定義為願意不斷重新發明一切、AI 上癮到不在乎什麼看起來完全不現實，只是朝著把這種外星基礎技術整合進一切的方向走，業務裡沒有任何一部分神聖不可侵犯。
— Gabe Stengel原話 · 已逐字校驗
And Dario has the great line about everyone's going to have a data center full of geniuses or a country full of geniuses in the data center. What would Goldman do? What would Millennium do? What would Citadel do if they had a country full of geniuses show up?
Dario 有句名言：每個人都會有一個裝滿天才的數據中心，或者數據中心裡有一整個國家的天才。如果一整個國家的天才出現在 Goldman 面前，Goldman 會怎麼做？Millennium 會怎麼做？Citadel 會怎麼做？
Gabe Stengel2:03
I mean, I think there was a first movers disadvantage for a lot of applied AI companies because you thought you knew where the world was going and you wanted to build a product for it, but the models weren't quite there. And so people would try it and go, this is terrible. This is garbage.
我認為很多應用 AI 公司有先發劣勢，因為你以為你知道世界要往哪走，你想為那個終局建產品，但模型還沒到那個水平。於是人們試用之後說：這太糟了，這是垃圾。
Gabe Stengel4:04
The models were actually fairly similar, but the harness and the way that it was presented from Cloud was far better. And it just allowed the models to exercise more of their long running capabilities.
模型其實相當接近，但 Claude 的 harness 和呈現方式要好得多。它讓模型能發揮更多長程運行的能力。
Gabe Stengel16:57
I think that every business needs to go through two different pricing revolutions. You need to move to some sort of usage based and then you need to move to some sort of outcome based.
我認為每家企業都要經歷兩次定價革命。你得先轉向某種按用量收費，然後再轉向某種按結果收費。
Gabe Stengel23:43
I think it's actually more important to be auditable than it is to be accurate. And obviously those two things are conflated.
我認為可審計其實比準確更重要。顯然這兩件事經常被混為一談。
Gabe Stengel31:19
And it's so personal because at that stage, it has nothing to do with anything but you. Right. It's like somewhere it's like being broken up with by 40 girlfriends who like every time you fell in love and then every time they said, not for you.
而且這太針對個人了，因為在那個階段，這件事跟任何東西都無關，只跟你有關。就像被 40 個女朋友分手，每一次你都墜入愛河，然後每一次她們都說：不是給你的。
Gabe Stengel42:18
If you knew for sure that right now, 90% of your enterprise value is in your people, your best investors, your best bankers are the people that bring in deals, bring in revenue. And actually, that's what accrues enterprise value. And in 10 years, the world's best investment firms, best banks will have 90% of their enterprise value, not in people, but in software and data and systems. What would you start doing?
如果你確定地知道，現在你 90% 的企業價值在人身上——你最好的投資人、最好的銀行家，是那些帶來交易、帶來收入的人，實際上正是他們累積了企業價值；而 10 年後，世界上最好的投資公司、最好的銀行，90% 的企業價值不在人身上，而在軟件、數據和系統裡。你會開始做什麼？
Gabe Stengel53:09
數字與實體
| Rogo 團隊中曾在投行或投資機構工作過的人數 | 超過 100 人 | 21:26 |
| Rogo 收購的早期金融 AI 創業公司數量 | 6 家 | 50:14 |
| Gabe 在 A 輪前被拒絕的投資人數量 | 40 人 | 42:18 |
| Gabe 認為 Rogo 能靠深耕金融各利基達到的收入規模 | 50 億美元 | 17:19 |
| 美國房貸中由線上平臺（如 Rocket Mortgage）完成的比例 | 40% 到 50% | 27:41 |
| Gabe 對 Rogo 產品路線圖的完成度自評 | 1% | 27:41 |
| Gabe 認為金融業所有人做 AI 採購決策的窗口期 | 18 個月 | 44:07 |
術語
- harness外殼/承載層
- 包裹模型、決定它怎麼被調用和呈現的那層工程，比模型本身更影響體驗。
- MNPI重大非公開信息
- Material Non-Public Information，投行和投資機構合規上最敏感的一類信息。
- IC memo投資委員會備忘錄
- 投資機構提交給投委會、論證一筆投資的核心文件。
- DDQ盡職調查問卷
- Due Diligence Questionnaire，交易或募資中對方發來的一長串標準問題。
- CIM保密信息備忘錄
- 投行賣公司時給潛在買家看的核心推介文件。
- compaction記憶壓縮
- 讓 agent 在長對話中把記憶壓進有限 token 裡、又不丟關鍵上下文的能力。
收聽指南
垂直 AI 創業者、投行與 PE 從業者、看企業軟件和 AI 應用層的投資人。想知道模型之外那層管道怎麼建、怎麼定價、怎麼賣進大機構的人。
開頭 1:24 到 6:14 的產品紀元回顧偏鋪墊，可快進到 16:57 之後的機制部分。