Invest Like The Best · 核心结论

阅读导言 · 这期节目真正讨论的是什么

ILTB 主持人 Patrick O'Shaughnessy 与 Rogo CEO Gabe Stengel 的对话围绕一个核心命题展开：世界最好的投资者将在未来 2-5 年重新发明自己的公司，而 Rogo 正在为他们构建"投资超级智能"的基础设施。

Gabe 的独特视角来自"连续建造者"的身份——他在高中、大学、正式创业三个阶段反复尝试同一件事：用 AI 重构金融工作流。这种"长期主义 + 工程深度"的视角让节目在多个维度上超越了常规的 AI/金融交叉讨论：

① AI 能力的时间线判断：Gabe 亲历了 Rogo 两次"太早出发"的失败，因此对"模型何时够用"有极其精确的感知——2025 年底 o1/o3 系列出现后，模型才真正具备替代初级投资分析师的能力。② 金融 AI 的竞争格局：Rogo 的策略是"深耕垂直工作流"而非"做泛 AI 工具"——这与 Anthropic 的横向扩展形成鲜明对比。③ 机构信任的构建：在金融行业，"产品好"只是入场券，真正的壁垒是"让 25 年没碰过 Excel 的 MD 愿意用你的 AI"——这需要极致的产品细节和对金融工作流的深刻理解。

这不是又一个"创业者讲述 AI 改变金融"的营销稿。这是一次关于 为什么金融 AI 的竞争壁垒是"工程深度 + 领域知识 + 机构信任"而非模型本身 的深度解剖。

第一章 · Rogo 的三次创业：太早出发的代价与"模型够用"的精确时刻（02:00 – 05:00）

Gabe 分享了一个极其罕见的"连续失败-成功"叙事：Rogo 在他手中经历了三次不同阶段的尝试，从高中到大学到正式创业，每次技术条件都在变化。

高中阶段：朋友父亲是投行 banker，想要一个 app 跟踪两家上市公司并购时的汇率/股价联动。他们用"老 AI 技术"做了，结果"非常糟糕"。

大学阶段（GPT-3 之前）：发表了一篇关于"AI 助手用于金融计量经济学"的论文，尝试商业化——"什么都做不了"。

正式创业（GPT-4/ChatGPT 时代）：初始版本用"非常旧的 AI 技术"做得也很差。直到 2025 年底，o1/o3 系列出现后，模型才真正具备了替代"初级投资分析师/初级投行家"的能力——这是 Gabe 用亲身经历验证的"模型能力临界点"。

要点：

• "先见之明"的双刃剑：Gabe 和团队在模型还不够强时就开始了建设，看似是劣势，但当他坚持"相信模型会走到那里"并持续构建"系统之记录"时，早期投入变成了最深的工程壁垒。
• 应用层 AI 的"先行者劣势"：很多人在模型不够强时就为它建产品，结果用户不买单。但 Gabe 的判断是——如果你能看到终局并持续建设，当模型突破时，你的系统深度将成为不可复制的壁垒。
• "产品的 craftmanship"是信任的前提：Rogo 的产品细节（如让 MD 通过邮件发送 markup deck → AI 在 20 分钟内返回标注结果 → 同时 Alert 初级分析师）只有在深度理解金融工作流后才能设计出来。

投资含义：金融 AI 公司的"时机选择"比 SaaS 公司更重要。太早 → 产品不够好用 → 用户不买单；太晚 → 巨头已占据入口。Rogo 的"两次失败 + 一次精准 timing"是极少数案例。

第二章 · Rogo 的产品哲学：从 Copilot → 自主 Agent → Agent-to-Agent 交易（05:00 – 15:00）

Rogo 的产品演进路径极其清晰：AI 进门 → 构建完整工作流 → 从 copilot/chatbot 到 autopilot 工具 → 建立 agent-to-agent 通信协议实现自动交易。

Gabe 用 Bloomberg 类比：Bloomberg 的策略是"提供数据 → 构建分析和工作流 → 提供通信和交易平台"。Rogo 的策略是"用 AI 进门 → 构建完整工作流 → 从 co-pilot 到 autopilot → 建立 agent 间通信渠道实现自动交易"。

关键差异：Bloomberg 需要建立的是"人类之间的通信渠道"（Bloomberg Messenger），而 Rogo 需要建立的是"代理之间的通信渠道"——让不同公司、不同投资机构的 agent 能够自动交换数据、执行交易。

要点：

• "系统之记录"是终极目标：Rogo 不只是做一个 AI 工具，而是要成为金融机构的"系统之记录"（system of record）——记录所有 deal 数据、投资逻辑、尽职调查过程。这是数据飞轮的核心。
• Agent 的"记忆压缩"是核心技术难题：当前几乎所有 agent 都是 1:1 的。当 agent 需要与 100 个同事协作、在 Slack 频道中协调上百人时，"记忆压缩"问题呈指数级增长——如何让 agent 在有限 token 内保留所有交互的上下文，是模型目前最不擅长的。
• 定价模型与用户价值的对齐：Gabe 明确拒绝按 token 计费——"如果你为我提供一个好的投资想法，我愿意付 $50,000；如果你为我生成一个 CIM，你知道我收这家公司的咨询费是多少"。价值导向定价是金融 AI 的唯一可持续模型。

投资含义：Rogo 的"agent-to-agent 通信协议"如果成为行业标准，将形成极强的网络效应——类似 Swift 在跨境支付中的地位。但这也意味着巨大的工程复杂性和行业阻力。

第三章 · 金融 AI 的竞争格局：为什么不是 Anthropic 来做？（15:00 – 24:00）

Gabe 提出了一个极具洞察力的行业判断：金融领域存在大量 $5B-$10B 收入机会，每个细分领域都需要深度定制的系统构建——而这些对 Anthropic 来说是"路边的 $1 硬币"，因为它们的目标是从 $100B → $1T。

金融是"由不同利基市场组成的集合"——不同的数据集、不同的"好"的定义、不同的监管要求。Rogo 的策略是"跨这些利基市场深耕，构建帮助管理它们的系统之记录"——最终通过 $5B 收入实现可观规模。

要点：

• 深度 > 广度：金融 AI 的机会不在"做一个通用的 AI 金融工具"，而在"在每个垂直利基中构建深度定制的系统"。每个细分领域（M&A、PE、HF、Sponsor）都有独特的数据格式、工作流和合规要求。
• MNPI（非公开重大信息）合规是硬壁垒：处理交易相关的 MNPI 需要极其复杂的合规基础设施——这不是一个 API 调用能解决的问题，需要深度工程。
• 创始人的领域知识是必要条件：Gabe 坦诚自己"没有独特的领域知识"（他只在金融工作了 2 年），但团队 hires 了 ex-Goldman、Neuberger Berman、Jeffries、Apollo 的人——"killer、有野心、聪明、低 ego"。

投资含义：金融 AI 赛道的赢家不会是"通用 AI 模型的直接应用者"，而是"在特定垂直领域构建深度系统 + 拥有领域知识团队"的公司。评估标准：团队金融背景深度 × 系统工程的复杂度 × 数据网络的规模。

第四章 · 投资「超级智能」：AI 时代的投资框架重构（24:00 – 33:00）

Patrick 逼迫 Gabe 回答一个假设性问题："如果被迫成为投资者，只投 Rogo 类型的企业——即把 AI 能力连接到某个行业的垂直应用公司——你会看什么特征？"

Gabe 给出了两条核心标准：① 行业必须有足够的复杂度和深度（数据类型多样、系统之记录复杂、部署模型多样），这样你才有足够的问题去解决，才有时间构建" perpendicular "的能力；② 团队必须有领域知识。

他还进一步讨论了 AI 如何让"一个人成为一个 deal team"——JPMorgan 刚宣布要做更多 SMB M&A 工作，以前觉得 deal fee 太小不值得服务，但如果一个 banker 现在可以作为一个"一人 deal team"运作，那么之前"不经济"的市场突然变得经济了。

要点：

• AI 的"尾部放大"效应：AI 可能增加你失败 30% 的概率，但也可能增加你成为 $1000 亿公司的概率 20%。关键是"同时接受两个尾部的放大"——这是创业者和投资者的核心心态挑战。
• "一人 deal team"改变市场边界：AI 不只是提高现有团队的效率，而是让之前"不经济"的市场突然变得经济——这会创造全新的竞争格局。
• 瓶颈将从"能力"转向"创造力"：当 AI 可以无限 provision 能力时，真正的瓶颈是"客户的创造力"——他们想用什么能力进入之前不能进入的市场？

投资含义：AI 对金融业的最大影响不是"提高现有流程效率"，而是"重新定义什么是经济可行的"——这会创造全新的市场类别和竞争者。

第五章 · 创业心得：Series A 的 40 次拒绝与"吃玻璃"式管理（33:00 – 48:00）

Gabe 分享了一个极其坦诚的融资故事：Series A 前，David Tisch（Box Group 早期投资人）介绍了 40 个投资人——Sequoia、Kleiner Perkins、Benchmark 全部见过。40 个人全部拒绝。然后这些投资人"想法全部消失了"，但 Gabe 坚持"不断调整、继续导航"，最终拿到了融资。

管理上，Gabe 的自嘲极具画面感："我和 co-founder John 开玩笑说，这是一所非常昂贵的商学院教育——因为我们什么都做错了。不懂招聘、不懂 firing、没有 mentor、不会管理、不给反馈、不设方向。"——他把Scaling 过程中出现的人事问题形容为"吃玻璃"。

要点：

• "蓝牌投资人"的品牌效应：Gabe 看到 blue chip investor 进入 cap table 后对人才吸引和客户信任的巨大影响，这解释了为什么 Series A 如此关键——它不只是钱，是"品牌黑洞"的起点。
• 创业者的"动态能力"比静态计划更重要：在当前如此动荡、模糊的市场中（尤其 AI 领域），投资者需要下注"创始人能够极其动态地调整和导航"的能力，而非执行既定计划。
• "吃玻璃"是成长的代价：Gabe 对人事管理问题的态度——"scaling 中感觉像吃玻璃的人事问题"——反映了他对创业痛苦的直面态度，而非回避。

投资含义：在 AI 创业赛道，"创始人的动态调整能力"是比"商业计划的完美度"更重要的预测指标。40 次拒绝后仍能拿到融资，本身就是 PMF + founder-market fit 的强信号。

第六章 · AI Native 金融机构：未来的竞争者来自哪里？（48:00 – 57:00）

Patrick 提出了一个深刻的问题：为什么目前没有看到"颠覆者"攻击 Rogo 的商业模式？

Gabe 的回答是：还没有出现"创新者的窘境"（innovator's dilemma）时刻。长期以来，没有哪个市场冲击让所有投资机构/银行都说"我们必须完全重新思考我们在做什么"。而 AI 正在创造这个时刻——"数百个 AI native 的颠覆者——AI native 的投资公司、投行——正在攻击我的商业模式。我需要想清楚我该做什么。"

Gabe 对"AI Native"的定义："愿意不断重新发明自己，AI-pilled 到不在乎什么'不可能'，只是朝着整合 AI 的轨迹前进"。

他预测：未来最好的金融机构 90% 的企业价值将不在"人"，而在"软件 + 数据 + 系统"——这意味着要把最佳人才头脑中"潜伏的知识"提取到自主运行的系统中。

要点：

• 竞争壁垒是"人 + 信任"而非"工程"：Gabe 认为金融市场的分销壁垒"更多的是人的问题而非工程问题"——建立信任、交付价值、与机构协作，这些不是代码能解决的。
• "AI Native" = 持续自我颠覆：不是"用 AI 优化现有流程"，而是"愿意不断重新发明自己"——这是一种文化/心态，而非技术选型。
• 完全自动化的边界：某些领域（如 sponsor-owned businesses、secondaries、GPLP secondaries）可以"完全自动化"，但"长尾的中型企业"需要代际更替后才能接受"点击按钮卖公司"而非"握手交易"。

投资含义：如果"AI Native 金融机构"真正崛起，它们将不携带传统机构的"历史包袱"（人、流程、文化），可以直接构建"软件 + 数据优先"的架构。这将对传统投行/PE 形成结构性威胁。

第七章 · 综合判断：五个核心结论

给投研的跟踪表 · 后续应该验证什么

最终结论

Gabe Stengel 的 Rogo 代表了 AI 在金融业下一个可能的重大方向：从"AI 辅助工具"到"投资超级智能的系统之记录"再到"agent-to-agent 自动交易网络"。与当前市场上大多数"AI + 金融"的 copilot 产品不同，Rogo 的目标是成为资本市场的"系统之系统"——用 AI 进门，用深度系统留客，用网络效应构建终局壁垒。

最大的不确定性不在于技术（Gabe 已用亲身经历验证"模型已在 2025 年底够用"），而在于：① 机构客户是否愿意将"系统之记录"级别的深度数据交给一个创业公司；② agent-to-agent 通信协议能否在碎片化的金融行业中成为跨机构标准；③ Rogo 能否在巨头（Bloomberg、Jump、Two Sigma）自建同类系统之前建立足够的网络和品牌壁垒。

Gabe 的"长期主义 + 三次创业验证 + 40 次拒绝后仍坚持"的叙事令人印象深刻，但"吃玻璃"式的管理挑战和快速扩张中的人才竞争也是真实存在的风险。