案例背景：一家把审计性当命脉的顾问公司
Chatham Financial 是一家总部在北美的资本市场顾问公司（OpenAI 案例页归类为 SMB），为客户提供利率、外汇与大宗商品等复杂衍生品决策建议。这个行业的业务约束非常明确：每一笔交易记录必须同时反映「客户授权了什么」与「实际执行了什么」，任何偏差都要可追溯、可审计。公司内部的「控制与数据完整性团队（Controls and Data Integrity）」就是这道防线的持有者。
这个背景决定了案例的观察价值：它不是一家互联网公司给内部工具提效的宽松环境，而是在强合规、高审计要求场景下的改造。联合首席运营官 Mike Noonan 对瓶颈的描述是一个很好的切入：「我们的约束从来不是专家的专业知识，而是专家在施展专业知识之前要花掉的时间。」这句话几乎定义了整个案例的改造目标——不是替代专家，而是压缩专家抵达判断点之前的机械劳动。
Process Zero：从结果倒推流程的方法论
Process Zero 是 Chatham 对外输出的流程再造咨询服务，也是其内部改造的方法论。它不问「哪些环节可以用 AI 提速」，而是从结果倒推：
- 确定产出：这项工作最终要交付什么结果（对交易验证而言：每条系统记录与客户授权及实际执行一致，且偏差可审计）
- 确定最少输入与证据：支撑这个结果真正需要哪些数据与佐证，多余环节一律砍掉
- 划定人的判断边界：哪些环节的判断必须由人做出（如偏差的处置、对外沟通的口径）
- 再决定 AI 的位置：AI 与 AI 构建的工具承担剩下的机械部分
CEO Matt Henry 的原话是：「我们不是把 AI 简单当作把每个流程跑得更快的手段。我们从一个想要的结果出发，识别判断在哪里最重要，再设计用现有能力交付它的方式。」这个顺序与多数企业的「先买工具再找场景」恰好相反——这也是 Process Zero 名称的含义：先把流程重置到零、再谈智能化，而不是在旧流程上贴 AI 补丁。
Process Zero 的「结果倒推」与本站此前复盘过的多条路线形成谱系：花旗 Arc 平台强调平台化供给（4 万开发者统一工具链），Adecco 强调全量员工覆盖（Coworker 无限量部署），而 Chatham 强调流程本体重构。三者共同点是：改造对象是工作方式而非模型选型——模型从来不是这批案例里的决定性变量。
交易验证改造：30 分钟到 4 分钟的账本怎么读
交易验证是 Process Zero 的落地样板。改造前的流程：控制与数据完整性团队的复核员逐笔核对系统记录与客户授权、实际执行的一致性。改造后：用 Codex 开发的交易验证应用自动收集交易佐证、比对关键条款、标记差异交人工复核。
数字口径必须读准：「早期测算显示，应用把复核时间从约 30 分钟缩短到 4 分钟以内」——这是厂商自报的早期测量，且公司明确表示仍在用真实交易与资深复核员的结果对照校验其表现，在扩大自动化之前完成这步验证。AI 顾问业务负责人 Alex Nordlinger 的表述值得全文引用：「同样重要的是，我们正在用真实交易和资深复核人员的表现来验证它的成绩，之后才会扩大自动化。最终我们能够更快产出易于审计、且更准确的结果。」
这段表述里有三处值得尊敬的克制：其一，数字标注了「早期测算」而非验收结论；其二，校验基准是资深复核员（行业里最稀缺的对照组）；其三，「更准确」被放在了未来时态而非当期声明。对比本站此前复盘过的若干案例中「上线即宣布效率翻倍」的话术，这条谨慎曲线本身就是方法论的一部分。
下一步计划：把验证应用扩展到更多交易类型、逐步自动化更多环节，同时维持适当的控制与专业监督。至于全流程的 ROI 换算（节省工时 × 人力成本、错误率变化、审计返工减少），案例未披露——目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
Chatham Vibes：让员工成为构建者
Chatham 的对客 AI 能力生长于内部运营经验。员工日常使用 ChatGPT 与 Codex 做研究、分析、起草与软件开发，并通过内部平台 Chatham Vibes 自建应用。这个平台的两个设计决策有参考价值：
- 分级模型路由：Vibes 应用内的 AI 功能默认跑 GPT-5.6 Terra，可按单个应用的配置升级为 GPT-5.6 Sol——把「什么任务配什么模型」的决定权下放到应用粒度，而非一刀切
- 专业判断守门：应用越来越多地支持对客工作流（到期上限交易复核、定价工作簿与对客沟通材料、固定收益利率表、对冲看板、交易确认书复核），但「由 Chatham 专业人员评估产出、必要时修正、决定什么可以触达客户」是固定环节
员工自建应用的路线本站已多次复盘（千问办公中小微案例、满帮分职助理矩阵均属此列），Chatham 的差异点在于行业约束：金融场景下「员工自建」必须叠加合规审查与可追溯机制，Vibes 的「专业人员守门」环节就是这套机制的表现形式。
Chatham Onyx：受治理数据上的智能体能力
Chatham Onyx 是公司的下一代资本市场操作系统：把资产、负债、衍生品放进一个客户与顾问共用的工作环境，数据连通且受治理，AI 能力保留对底层数据源的可追溯性。Codex 用于 Onyx 的全生命周期开发（规划、构建、测试、文档、评审）。CTO John DeGuenther 的表述是：「Codex 帮助团队更快把产品愿景变成可用能力，而准确性、安全性与责任标准保持不变。」
Onyx 平台的模型路由策略与 Vibes 类似但更细：GPT-5.6 Sol、GPT-5.6 Terra、GPT-5.4 与 GPT-4.1 并用——简单分析与非生产测试路由到性价比最高的模型，GPT-5.6 留给需要最大化准确性与价值的复杂任务。代表性功能 ChatFIN 可以总结历史行情模式、帮助用户理解持仓、定位并链接覆盖债务、衍生品与租赁条款的法律文档。这里的能力形态值得注意：它不是自由对话，而是「检索 + 结构化对比 + 证据组织 + 异常识别」的窄域智能体——与本站此前讨论的企业知识智能体路线一致。
合规坐标：FINRA 框架下的责任边界
报道此案例的 Tech in Asia 特别补充了监管语境：美国金融业监管局（FINRA）已明确，使用 AI 的机构对合规仍负全责，应落实监督、治理、测试与监控等控制。这个语境让 Chatham 案例的谨慎节奏有了制度解释——「先对照资深复核员、再扩大自动化」不只是工程稳健性，更是监管责任下的必然选择。对国内金融、法务等强监管行业的团队，这个坐标同样适用：自动化程度是监管信任的函数，而不是技术能力的函数。
可复现的四步打法与三条避坑提示
四步打法（从案例可直接迁移）
- 选一个有审计刚需的高频流程：交易验证之所以成为样板，因为它高频、机械部分占比高、且错误代价明确——这恰是「AI 建 App 替代人工核对」的甜区
- 用 Process Zero 顺序重置流程：先定结果、再砍输入、划人的判断边界、后放 AI——顺序错了整个改造会变成旧流程加速器
- 建立人类专家对照组：以资深复核员的结果为校验基准，自动化每扩一步都要过这杆秤
- 模型分级路由到应用粒度：默认便宜模型、按应用配置升级，把成本决策权放在最了解任务的人手里
三条避坑提示
- 别把早期测算当验收：30 分钟到 4 分钟是厂商自报的早期数字，样本量、错误率分布、边际案例处理均未披露——引用时必须带口径
- 员工自建 ≠ 无治理：Vibes 的「专业人员守门 + 审计可追溯」是前提而非可选件，缺了这一环的自建平台在强监管行业走不远
- ROI 报告里没有的部分别脑补：全流程 ROI、错误率改善幅度、覆盖交易类型占比均未披露，任何外推都需要自己的测量数据支撑
总体而言，Chatham 案例的价值不在那个 7.5 倍的时间压缩，而在它展示了一条强合规行业可参照的改造路径：方法论（结果倒推）、平台（员工自建 + 分级路由）、治理（人类对照组 + 合规责任）三件齐全，缺一件故事就不成立。全部效果数字为厂商自报口径、无第三方审计，读者应以此为基础自行折算。