核心逻辑: 金融是数据最密集的行业之一，也是 AI 落地最快的行业。但监管和信任是双重壁垒。
TAM 细分 (2025):
• 反欺诈 & 风控: $8.5B (27.2%) — 最成熟，Sift/Feedzai 已占位
• 量化 & 交易: $6.8B (21.8%) — 高壁垒高回报
• 信用评估 & 贷款: $5.2B (16.7%) — 金融民主化方向
• 合规 & RegTech: $4.3B (13.8%) — 增长最快 CAGR 35%
• 智能投顾 & 财富管理: $3.5B (11.2%) — 面临信任挑战
• 保险科技: $2.9B (9.3%) — 理赔自动化是热点
| 公司 | 融资额/估值 | 阶段 | 核心产品 | 投资方 | 最新轮次 |
|---|---|---|---|---|---|
| Sift | $156M / $800M+ | D轮 | AI 反欺诈平台 | Insight Partners, Spark Capital | 2023 D轮 |
| Feedzai | $282M / $1B+ | D轮 | 金融犯罪风险管理 | Kohlberg Ventures, Citi | 2021 D轮 |
| Zest AI | $247M | D轮 | AI 信用模型 | Insight Partners, Zigg Capital | 2023 D轮 |
| Upstart | $600M+ (IPO) | 上市 | AI 贷款平台 | Third Point, Rakuten | 2020 上市 |
| Chainalysis | $536M / $8.6B | F轮 | 加密货币合规 | GIC, Blackstone, Marshall Wace | 2022 F轮 |
| ComplyAdvantage | $98M | C轮 | AI AML/KYC | Index Ventures, OMERS | 2022 C轮 |
| Numerai | $25M | B轮 | 去中心化量化对冲基金 | Union Square Ventures | 2021 B轮 |
| Featurespace | $107M | D轮 | 实时欺诈检测 | TA Associates, IP Group | 2023 D轮 |
| Kensho (S&P Global) | $550M (被收购) | 被收购 | AI 金融引擎 | S&P Global | 2018 被收购 |
| AlphaSense | $900M+ | F轮 | AI 金融搜索 | Viking, B Capital | 2023 F轮 |
• AlphaSense $650M F轮 @ $3.4B 估值 — AI 驱动的金融搜索/分析平台
• Sift 持续增长 — 1T+ 年处理事件，700+ 全球品牌客户
• Chainalysis 扩展 — 从加密合规走向传统金融合规
• Zest AI 信用公平 — AI 信用模型减少 25% 偏见，提高 20% 批准率
• ComplyAdvantage 全球化 — AML 数据覆盖 150+ 国家
| 维度 | Sift | Feedzai | Featurespace | DataVisor | Shape Security | Forter | Arkose Labs | Stripe Radar |
|---|---|---|---|---|---|---|---|---|
| 核心能力 | 全栈反欺诈 | 金融犯罪风控 | 实时欺诈检测 | 无监督学习 | 机器人防护 | 欺诈决策 | 账户保护 | 支付反欺诈 |
| AI 模型 | ML+规则 | ML+图谱 | ARIC 引擎 | 无监督ML | ML+信号 | ML+行为 | ML+挑战 | ML+规则 |
| 客户规模 | 700+ | 500+ | 200+ | 100+ | 300+ | 600+ | 300+ | 数百万 |
| 年处理事件 | 1T+ | 数十亿 | 数十亿 | 数十亿 | 数十亿 | 数十亿 | 数十亿 | 数万亿 |
| 欺诈率降低 | 85% | 60%+ | 70%+ | 50%+ | 90%+ | 80%+ | 70%+ | 60%+ |
| 部署模式 | SaaS | SaaS/私有 | SaaS/私有 | SaaS | SaaS | SaaS | SaaS | 内嵌 |
| 行业覆盖 | 跨行业 | 金融为主 | 金融+博彩 | 跨行业 | 跨行业 | 电商为主 | 跨行业 | 电商为主 |
| 定价模式 | 按事件量 | 按用户量 | 按用量 | 按用量 | 按站点 | 按GMV | 按用量 | 按交易量 |
痛点: 大企业有 Kensho/Bloomberg，中小企业没有 AI 财务分析工具。95% 中小企业仍在用 Excel。
轻资产路径: SaaS — 中小企业财务数据 RAG → AI 财报分析 → 风险预警
MVP: 2 个月。先做财报自动分析 + 异常检测。
启动成本: <$5K
1人可行: ✅ 核心是金融 RAG + 分析 Prompt
关键技能: 财务分析、RAG、产品感
定价参考: $99-499/月/企业
痛点: ComplyAdvantage/Hummingbird 主要服务欧美。中国/亚太的合规 (反洗钱/数据跨境/税务) 缺乏 AI 工具。
轻资产路径: 区域合规 AI — 法规 RAG + 自动合规检查 + 审计日志
MVP: 3 个月。先做中国反洗钱合规定制。
启动成本: <$5K
1人可行: ✅ 核心是法规知识库 + 规则引擎
关键技能: 金融合规、NLP、法规知识
定价参考: ¥5万-50万/年/机构
痛点: 分析师花大量时间搜集数据/读财报/写报告。AI 可以自动化 80% 的信息搜集和初稿。
轻资产路径: 投资研究 Agent — 自动搜集/分析/生成研报
MVP: 2 个月。先做美股财报自动分析。
启动成本: <$5K (API + 数据源)
1人可行: ✅ 核心是 Agent + 金融 RAG
关键技能: 金融分析、Agent 开发、数据源
定价参考: $200-2000/月/分析师
痛点: 保险理赔流程人工密集——文档审核、信息核实、决策。AI 可以加速 60%+。
轻资产路径: 理赔 AI — 文档 OCR + NLP + 自动决策
MVP: 3 个月。先做车险理赔 (最标准化)。
启动成本: <$5K
1人可行: ✅ 核心是 OCR + NLP + 规则引擎
关键技能: 保险知识、OCR/NLP、工作流
定价参考: $1-5/理赔 或 ¥2万-20万/年
痛点: 银行/保险每天处理数百万页文档 (合同/报表/监管文件)。人工处理慢且易错。
轻资产路径: 文档 AI — 多模态 OCR + 信息抽取 + 结构化输出
MVP: 2 个月。先做贷款合同关键条款提取。
启动成本: <$3K
1人可行: ✅ 核心 LLM + 文档解析
关键技能: 文档 AI、金融知识、Prompt 工程
定价参考: $0.5-2/页 或 ¥5万-30万/年
痛点: 东南亚/非洲/拉美缺乏传统信用体系，20亿+人口没有信用评分。
轻资产路径: 替代信用评分 — 手机数据/社交数据/交易数据 → 信用评分
MVP: 4 个月。先做东南亚 (印尼/菲律宾)。
启动成本: <$10K
1人可行: ⚠️ 需要本地合作伙伴
关键技能: 信用建模、本地数据源、合规
定价参考: $0.5-2/评分 或 API 按量计费
| 公司 | 核心产品 | 定位 | 出海策略 | 海外挑战 |
|---|---|---|---|---|
| 蚂蚁集团 | AI 风控/信用 | 国内 AI 金融 #1 | Alipay+ 东南亚/欧洲 | 监管壁垒、数据主权 |
| 第四范式 | AI 决策平台 | 企业 AI 平台 | 东南亚金融机构 | 品牌认知、本地化 |
| 冰鉴科技 | AI 信用评估 | 替代信用评分 | 东南亚/拉美 | 本地数据获取 |
| 同盾科技 | AI 反欺诈 | 风控平台 | 东南亚/中东 | 竞争激烈 (Sift/Forter) |
| 百融云创 | AI 金融 SaaS | 金融机构服务 | 研究阶段 | 缺乏海外经验 |
| 邦盛科技 | 实时风控 | 银行核心风控 | 跟随一带一路银行 | 产品适配 |
| 聚信立 | AI 信用 | 消费金融风控 | 暂无 | — |
1. 技术输出 — 向东南亚/中东/非洲的金融机构输出 AI 风控/反欺诈技术。蚂蚁/同盾已有布局。
2. 新兴市场信用基建 — 帮助缺乏信用体系的国家建立 AI 信用评估。冰鉴科技在印尼有试点。
3. 合规科技 — 中国金融监管经验可转化为合规 AI 产品，输出到同样加强监管的新兴市场。
出海最大挑战:
• 数据主权 — 各国对金融数据出境限制严格
• 本地牌照 — 金融业务需要当地牌照
• 信任 — 当地金融机构对中国技术信任度参差
• 监管差异 — 每国监管框架不同，产品需深度定制
| 风险类别 | 严重度 | 描述 | 应对策略 |
|---|---|---|---|
| 监管风险 | 🔴 极高 | AI 金融决策的监管框架快速演变，可能限制 AI 使用范围 | 优先做 "AI 辅助" 而非 "AI 决策"，保持人类审核 |
| 模型偏见 | 🔴 极高 | AI 信用/风控模型可能产生种族/性别偏见，导致法律诉讼 | 偏见检测 + 可解释 AI + 公平性审计 |
| 对抗攻击 | 🟠 高 | 欺诈者使用 AI 对抗 AI，模型需要持续更新 | 持续学习 + 人工反馈闭环 |
| 数据泄露 | 🟠 高 | 金融数据泄露后果严重，合规罚款可达收入 4% | 联邦学习/差分隐私 + 严格访问控制 |
| 遗留系统集成 | 🟡 中 | 银行核心系统 30-40 年，API 落后，集成周期长 | 渐进式集成，先做边缘业务 |
| 黑箱问题 | 🟡 中 | 深度学习决策不可解释，金融监管要求可解释 | 可解释 AI (SHAP/LIME) + 规则辅助 |
发生了什么: Zest AI 的早期模型被发现对少数族裔信用评分偏低，面临公平贷款法诉讼。
虽然公司最终改进了模型公平性，但损失了大量时间和声誉。
教训: AI 金融产品的公平性不是 "加个功能"，而是核心设计原则。从第一天就要内置偏见检测。
发生了什么: 2022-2024 年，多家纯 AI 量化基金在市场剧变中亏损严重。
AI 模型在训练数据外的市场环境中失效 (黑天鹅事件)。
教训: AI 量化不等于稳赚。模型在历史数据上表现好不代表未来有效。
风控比模型更重要。纯 AI 决策 + 无人工干预 = 高风险。
现状: Upstart 上市后股价从 $400 跌至 $30，主要因高利率环境下贷款需求下降。
AI 贷款平台依赖宏观经济环境，利率上升时贷款量骤降。
启示: AI 金融产品的商业模型受宏观周期影响极大。创业时要考虑经济下行场景的生存能力。