就在上周，腾讯正式推出WorkBuddy金融版，面向银行、券商、保险上线80多个金融专家及专家团。

不到一个月前，百度刚把GenFlow改名叫"库库AI"，金融被选为它从通用办公走向专业办公的第一个重点场景。再往前，字节旗下扣子已经拉来华泰证券、广发证券、国信证券，把行情、财务数据、ETF筛选等能力搬进了Agent平台。

从字节、百度到腾讯，通用Agent的竞争正在迅速向金融行业下沉。

但问题来了：金融这块蛋糕，到底值不值得单独做一个Agent版本？大厂们自己也没想清楚。

今天这篇，竞泰帮你把这场"金融Agent大战"的底层逻辑、竞争格局和投资机会，一次讲透。

｜为什么是金融？因为这里的"苦力活"最值钱

大厂选择金融，逻辑其实很简单——金融行业的"苦力活"太贵了。

投行、投研、信贷、保险这些岗位，单位工时价值极高，但大量时间被消耗在查数据、翻公告、核口径、更新模型和制作材料上。一笔对公信贷尽调，传统流程需要约10天；多渠道舆情梳理，2-3小时起步；一份基金深度研究，1-2天是常态。

只要Agent能接手其中一部分，就有机会直接转化为金融机构愿意付费的效率。WorkBuddy金融版给出的实测数据是：信贷尽调从10天压缩到1天，舆情梳理从2-3小时压缩到10分钟，基金深度研究从1-2天压缩到30分钟——整体提效约10倍。

更关键的是，金融的大量工作本来就建立在数字化资料之上——行情、财报、公告、研报、工商司法信息，大多已经以结构化数据或电子文档存在。这意味着Agent不需要"从零开始理解世界"，只需要把已有的数字资产串联起来。

一句话：金融是Agent落地中，最容易算清商业账的行业之一。

｜三条路线之争：C端个人版 vs B端行业版 vs 通用平台版

虽然字节、百度、腾讯都把Agent伸向了金融，但它们瞄准的并不是同一块市场。

字节扣子——C端"技能商店"模式

扣子的打法是把专业金融能力拆成一个个Skill，直接装进Agent平台。目前扣子技能商店已上线广发证券、国信证券等机构的一系列金融Skill，覆盖财务对比、龙虎榜、ETF筛选、ETF资金异动、基金定投等高频投研场景。

用户只需告诉扣子想研究什么，它就能调用相应Skill查询行情、比较公司、筛选ETF。多个Skill还可以组合进连续任务，用于盘前信息整理、盘中监控和盘后复盘。

百度库库AI——C端"内容+存储"模式

库库AI依托百度文库18亿专业文档、百度学术7亿篇文献和百度网盘的存储能力，内置上市公司资料、股票行情、财报、研报等金融数据。

用户提出研究任务后，库库AI可以完成资料检索、数据处理和内容生成，最终直接交付Word研报、金融分析PPT或财务模型Excel，长时间盯盘等任务还可以留在云端继续执行。库库AI办公MAU已突破2500万，位居通用AI办公赛道行业第一。

腾讯WorkBuddy金融版——B端"行业专属工作台"模式

腾讯走的是完全不同的路——直接面向银行、券商、保险等金融机构，推出独立的金融版产品。围绕"公司金融、零售金融、投研投顾、个客经营"四大工作台，上线80多个金融专属专家/专家团。

在对公信贷尽调中，可自动生成材料清单、调用工商财务司法数据交叉核验风险、按银行内部模板输出尽调初稿；在投研场景中，接入晨星基金数据，支持基金筛选与组合诊断；在保险场景中，覆盖从获客到跟单的全流程。

据腾讯介绍，自今年3月以来，WorkBuddy已陆续进入中金公司、国投证券、平安银行、中国太平等100多家金融机构。不过据多家券商反馈，目前内部尚未大范围应用。

｜核心分歧：通用Agent够用，还是必须"重做一套"？

三条路线的背后，其实是一个更深层的战略分歧：通用Agent究竟应该依靠数据连接、知识库和Skill不断扩展能力，还是应该为金融、法律、医疗等高价值行业分别重做一套更深的产品？

百度内部人士的说法很直白：库库AI的定位仍然是通用办公Agent，金融更多被当作一个展示复杂任务能力的"样本"。如果Agent能把金融这样的复杂任务跑通，就能直观证明通用Agent的能力上限。

腾讯则选择了更激进的路径——直接推出金融版，把银行、券商、保险单独拿出来做一套产品。这意味着腾讯在赌：金融机构愿意为一个专门的行业Agent额外付费，办公Agent有机会从"卖通用生产力工具"进化为"按行业定价"。

海外大厂同样没有形成一致答案。

OpenAI和Anthropic更偏向"通用Agent+金融插件"路线——OpenAI通过Investment Banking插件将ChatGPT带入投行场景，Anthropic推出10套金融Agent模板。Google则直接往行业版走，今年8月推出Gemini Enterprise for Financial Services，内置超过50项金融Skill。

｜三道硬门槛：数据、安全、商业化

金融Agent听起来很美，但落地过程中至少有三道刚性门槛。

门槛一：数据准确度与可溯源性

金融行业的每一个结论都必须经得起核验。数据口径不一致、来源缺失、结论不可溯源，输出的专业性与合规性便无从谈起。WorkBuddy金融版接入了私募业绩、分析师一致预期、实时行情、工商信息核验、全球基金评级等多源数据，并要求结论保留来源。但通用Agent在开放网络上的表现，进入金融业务现场后未必依然可靠。

门槛二：安全合规与权限治理

今年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，将资金交易、资产评估、信贷审批、承保理赔、风险管理等列为AI高风险应用，要求关键环节建立人工监督和干预机制，保留原始数据和推理路径记录。WorkBuddy金融版采用"隔离算力+专属网络+本地安全治理"架构，提供私有化部署、专属VPC和SaaS三种方案，与企业微信深度打通，关键动作需人工确认。

门槛三：商业化路径尚不清晰

东吴证券在研报中明确指出：Agent产品大多仍处于免费体验阶段，付费转化路径尚不清晰。此外，权益市场波动会直接影响C端使用频次与B端付费意愿。

竞泰观点｜AI办公平台——从"入口争夺"到"生态卡位"

据IDC数据，2025年中国企业级AI Agent市场规模约212亿元，2026年预计增长至449亿元，2029年有望突破3320亿元。截至2026年7月，腾讯WorkBuddy月活658.2万，字节TRAE Work为190.4万，阿里QoderWork为23.0万。腾讯在AI办公赛道暂时领跑，但字节的增速更为凶猛。

关注方向：腾讯（WorkBuddy生态）、百度（库库AI用户规模）、金山办公（WPS AI原生产品"灵犀"）。

金融数据厂商——既是受益者，也是被颠覆者

金融Agent的海量查询需求为数据厂商开辟了新商业化路径，但MCP标准化也可能削弱传统终端的用户黏性。同花顺、东方财富等数据拥有者正面临"被平台化"的风险与机遇并存的局面。

关注方向：同花顺（iFinD数据+MCP开放）、东方财富（Choice数据+妙想AI）、恒生电子（金融IT基础设施）。

海外对标——Rogo模式验证金融Agent的独立估值

金融AI公司Rogo的估值从2025年4月的3.5亿美元飙升至2026年的约20亿美元，一年翻了近6倍。它解决的核心问题是：在基础模型与金融工作之间搭一层"翻译层"——向下连接Capital IQ、FactSet等专业数据库，向上生成可直接使用的Excel模型、PPT和研究报告，同时保留数据来源和原文引用。目前Rogo已服务超300家机构、4万多名金融专业人士。

这验证了一个判断：金融Agent有机会从"通用工具的附属功能"演变为独立的软件品类。

实测提效数据来自厂商自报，且目前应用仍集中在金融机构的小范围内。Agent自主执行能力仍有限，复杂金融任务场景落地尚需时间。

金融Agent大多仍处于免费体验阶段。如果金融机构最终不愿为"行业版"额外付费，那么通用Agent依靠更强的模型和更丰富的Skill就足以覆盖大部分需求，"行业版"的独立空间可能被压缩。

对投资者而言，当下最重要的不是押注某一家，而是盯紧一个核心指标：金融机构到底愿不愿意为Agent掏钱？如果答案是"愿意"，金融Agent将是一个独立的软件品类，整个高价值行业都会被重新切分；如果答案是"再等等"，那这场仗还得再打很久。