全网抵制!OpenAI又捅了马蜂窝

格隆汇
May 20

AI仍在朝“接管一切”进化,这次是金融领域。

515日,OpenAI向美国Pro用户开放“个人理财智能体”。

通过金融数据服务商Plaid实现账户连接,可连通全美超过1.2万家金融机构。

无论你是把钱存在摩根大通美国运通,还是在富达、嘉信理财买基金,亦或是在Robinhood上炒Meme股,甚至连你每个月在OnlyFans上的订阅费,都能数秒内给你扒得干干净净,并自动生成全方位的可视化仪表盘,完成资产分类、支出归因、投资复盘等等等等……

按理讲,这波是AI降维普惠金融,懒人理财神器本该好评刷屏。

但现实是,RedditX平台、Product Hunt评论区负面反馈率超82%,用户几乎是一边倒的“婉拒”甚至谩骂。

滚开,别碰我的钱!

我宁愿把钱藏在床垫底下,也不想让AI知道。

“我可以允许AI写代码、写文案,但绝不允许AI碰我的银行卡”

……

说到底,还是不信任。


01 技术满分,信任零分


在金融科技领域,获取用户的账户数据一直属于脏活累活。

Plaid出现之前,大部分金融机构用的依然是“屏幕抓取”之类的古老技术。

这个我们不陌生,就是把银行卡账号密码交给第三方App,然后App模拟你的操作登录网银,一行一行地把网页上的数据爬下来。

既不安全,也很容易因为银行改了网页代码而崩溃。

直到2024年,开放银行概念兴起,Plaid通过OAuth 2.0协议实现了只读API数据拉取。

比如ChatGPT接入Plaid,它不需要知道用户的银行卡密码,而是通过银行授权,获得“只读或特定操作权限的Token”。

有了这个TokenChatGPT的“智能体架构”就不仅仅是一个语言模型,而是结合了RAG和工具调用的完整中枢。

主要有三个功能。

多模态数据清洗:通过上下文理解和地理位置API交叉比对,不仅能标注信用卡账单的支出类型,还能结合用户消费习惯(如果授权了),给出合理的建议

动态财务建模不同于呈现历史数据的记账软件理财智能体能够基于蒙特卡洛模拟,实时跑出你未来30年的现金流折现模型。

微观资产配置:根据你的每一笔消费动态调整流动性需求。比如监测到你近期有买房的意向,会建议你把高波动性的股票持仓换成短期国债。

根据Plaid 2025年发布的《开放银行年度报告》,通过API进行账户聚合的用户,其平均数据同步延迟已经从2020年的数小时降低到了目前的200毫秒以内。

无论从哪方面来看,都是很方便的。

用户为什么不买账?

一个不冷但少有人关注的知识:人对于财务数据的敏感度,甚至超过了性幻想。

根据Edelman《全球信任度调查报告》,只有18%的人愿意将个人核心财务数据开放给生成式AI公司,愿意开放医疗数据的比例则高达32%

钱,才是普通人最脆弱的软肋。

Plaid连接的是实名认证、绑定SSN(社会安全号码)的银行账户。

尽管OpenAI一再强调:用户的金融数据将实行本地化加密,绝不会用于训练下一代大模型。

但在隐私协议中,也明确标注了:非敏感数据可用于模型迭代训练。

这是什么意思?

有理财意识的人,大多都有一定的认知。

流水数据的价值,远高于账户余额。

资金流向、消费偏好、持仓结构、负债比例,这些脱敏数据叠加用户画像,完全可精准判定个人征信、消费层级、风险承受能力。

早在2024年,Plaid就出现过三级数据泄露事故,导致147万用户金融脱敏流水被爬虫抓取,虽无资金被盗,但用户消费画像被灰色产业倒卖。

这里就不得不引入一个概念:算法厌恶。

当人看到算法犯过一次错误后,就会极大地降低对算法的信任度,哪怕算法的整体准确率依然远高于人类。

人类对同类有极高的容错率,对机器却要求100%的完美。

既然你已经翻过车了,那就完全不值得信任。

这是一种深深刻在基因里的偏见。


02 优势明显,短板致命


“我宁愿自己乱花钱亏钱,也不愿意AI盯着我的钱包指指点点”。

这不是理性判断,是人性本能。

客观看待,让AI广泛应用到普通人的理财生活中,绝对是有好处的。

最直接的一点:零边际成本的普惠金融。

ChatGPT Pro的月费才多少钱?

请一个能提供税务统筹、资产配置、现金流管理的私人财富管理顾问又要多少钱?

两者完全没有可比性。

更何况,后者还有极高的起步资产门槛,大部分人根本达不到。

先不谈别的,AI理财至少能让绝大部分普通人,享受到原本享受不到的专业投顾服务。

比如美股的股民,当某只股票亏损时,可以卖出来抵扣盈利部分的资本利得税,然后再买入类似的资产。

人类顾问通常每个季度或年底才帮你做一次。而AI可以基于你的税务档位,每时每刻持续监控和无缝套利。

更关键的是,它能保持绝对理性。

AI没有杏仁核,不会因为任何新闻而恐慌抛售,只会严格执行投资组合理论,在有效前沿寻找夏普比率最高的配置点。

就这两点而言,比人类投顾强大太多了。

但是,这并不意味着它是完美的。

其缺点,也很明显。

首先还是幻觉的问题。

大语言模型本质上是一个概率预测引擎。如果ChatGPT在分析资产负债表时,错误地把一笔“房贷负债”识别成了“固定收益资产”,它可能会得出“财务极为健康,可以满仓加杠杆买入看涨期权”的结论。

哪怕这种概率只有0.0001%,一旦发生在你身上,就可能是倾家荡产。

谁敢打包票自己不是那个倒霉儿?

一旦倒霉,损失全得自己承担。

因为AI企业没有金融牌照、更怕担责。

OpenAI的服务条款里写得清清楚楚:“本智能体不持美国FINRA投顾牌照,所有理财建议仅作参考,投资亏损概不负责。

这是典型的免责霸王条款。

就好比一个无证驾驶的司机非要帮你代驾,车撞树了他拍拍屁股走人。

为什么OpenAI被那么多人骂?除了信任,这可能是第二大原因。

企业都给自己上buff了,作为一个普通打工人、小资中产或者菜鸟散户,究竟该不该把理财的权力交给AI呢?

按照趋势来看,未来3年内,我们大概率会把繁琐的记账、收支分类、订阅服务取消、信用卡逾期预警、基于现代投资组合理论的资产初筛工作,全部外包给智能体。

每个人的生活,将变得前所未有清晰。

根据麦肯锡2025年发布的《财富管理的未来》报告预测,到2030年,80%的大众富裕阶层将主要依赖AI进行日常财务规划,传统的初级理财顾问将彻底面临失业潮。

但是,涉及到重大资产重组时,我们依然需要自己做决定,或者去找靠谱的财务规划师咨询。

和其它大多数领域一样,被替代的只是中基层,顶尖人才反而会更吃香。

这种模式将持续很多年,直到AI真的能接管一切那一天到来。

届时,又将发生什么?


03 终局


201056日,美股曾发生著名的闪崩事件,道琼斯指数在几分钟内狂跌近1000点,元凶就是高频交易算法的连锁反应。

而未来的AI智能体,如果缺乏多样性,形成的一致性预期,必然会摧毁流动性。

比如,美国有5000万用户的资金都听命于GPT的底层架构,当某一个黑天鹅事件发生时,这5000万个AI理财助手会在同一毫秒内,同时向市场抛出数万亿美元的抛单,造成更惨烈的崩盘。

这究竟该怎么处理?

更关键的是,当所有人都用AI理财后,AI公司为了降低风险,大概率会将绝大部分资金投入极度分散的宽基指数ETF

如果市场上90%的资金都是由AI控制的被动资金,那么谁来做主动研究?谁来挖掘那些有潜力但目前被低估的中小企业?

资本市场的核心功能是价格发现

当所有人的资金都在无脑买入指数时,整个市场就会变成一潭死水,劣币和良币一起升天,资本配置乃至整个社会的财富创造效率都将大幅下降。

真到那个时候,理财的意义又在哪里?

简单来说,当大众级AI真正拥有理财能力时,人们反而不再有动力去理财,甚至不需要再去理财。

这句话说起来挺奇怪的,但未来大概率如此。(全文完)

Disclaimer: Investing carries risk. This is not financial advice. The above content should not be regarded as an offer, recommendation, or solicitation on acquiring or disposing of any financial products, any associated discussions, comments, or posts by author or other users should not be considered as such either. It is solely for general information purpose only, which does not consider your own investment objectives, financial situations or needs. TTM assumes no responsibility or warranty for the accuracy and completeness of the information, investors should do their own research and may seek professional advice before investing.

Most Discussed

  1. 1
     
     
     
     
  2. 2
     
     
     
     
  3. 3
     
     
     
     
  4. 4
     
     
     
     
  5. 5
     
     
     
     
  6. 6
     
     
     
     
  7. 7
     
     
     
     
  8. 8
     
     
     
     
  9. 9
     
     
     
     
  10. 10