核心概念

LSEG（London Stock Exchange Group，倫敦證券交易所集團）是全球最大的金融市場基礎設施公司之一，管理著超過 33 petabyte 的金融數據資產。2025 年起，LSEG 與 OpenAI 展開深度合作，核心目標不是「用 AI 取代分析師」，而是讓 AI 能夠可信地存取受許可的金融數據，為 4,000 名員工賦能，同時縮短產品發布週期。

這個案例的關鍵洞察在於：金融 AI 的最大障礙不是模型能力，而是數據信任。LLM 的概率式輸出在一般文本場景是優勢，但在「這支公司債的 DV01 是多少」這類問題上，金融機構需要的是確定性、可追溯、合規的答案——而非「大概是這樣」。LSEG 的解法是用 MCP（Model Context Protocol）將 OpenAI 模型與其可信數據資產直接橋接。

部署規模

  • ChatGPT Enterprise + OpenAI API 在數週內完成全球部署，覆蓋 4,000 名員工
  • 使用族群橫跨產品、工程、研究、業務運營等部門
  • 主要場景：金融報告撰寫、市場數據摘要、產品原型快速迭代、客戶文件生成

MCP 架構：信任鏈的技術基礎

LSEG 選用 MCP 作為開放標準，讓 AI 模型能「發現、呼叫並推理企業 API 與數據來源」。這個架構在幾個層面解決了金融 AI 的核心矛盾：

策略與存取控制內嵌於協議層：MCP 直接嵌入政策執行（policy enforcement）、存取控制與稽核軌跡，而非依賴事後審查。合規性不再是 AI 工作流程的後綴，而是架構的前提。

數據不離開受控環境：金融機構有嚴格的數據授權與隱私要求。透過 MCP，AI 模型可以「推理」數據，但不需要將原始數據塞進 prompt context，大幅降低數據洩露風險與授權合規壓力。

關鍵要點

AI Ready Content 三支柱框架

LSEG 將其數據資產整備成適合 AI 消費的格式，分三個層次：

1. 語義數據模型（Semantic Data Model） 建立金融語境的標準化定義：發行人（issuer）、金融工具（instrument）、交易場所（venue）之間的層級關係，以及時間序列語義與市場慣例。目的是消除跨部門、跨系統之間的語義歧義——同一支股票在不同系統有不同代碼，這類問題在 AI 呼叫時若不解決會造成災難性的計算錯誤。

2. 確定性計算（Deterministic Calculations） LLM 的本質是概率模型，不適合做「債券定價計算」。LSEG 讓 AI 呼叫帶有明確輸入輸出與內嵌元數據的計算函數，支援驗證參數、公司債定價、結構性產品 schema，並保留完整的來源追蹤。這是「AI 作為協調器、數據計算仍走確定性路徑」的典型架構。

3. 運營與授權管理（Operations & Entitlements） 平台強制執行授權合規（licensing compliance）、數據血緣追蹤（data lineage）與使用量計量（usage metering）——確保 LLM 消費的每筆數據都是「可歸屬、可計量、符合數據授權」的。

具體應用場景

  • 固定收益：「幫我定價這支債券，並顯示 DV01」——MCP 以確定性方式解析殖利率曲線與市場慣例
  • 總經分析：CPI 數據附帶修正標記（revision flags）與時區正規化
  • 財報情報：強制執行發行人正規化，連結分析師筆記
  • 日內定價：金融工具正規化與優先順序驗證

AI 治理的前置架構

LSEG 從一開始就將治理嵌入設計，包含：模型評估框架、關鍵輸出的人工審查迴圈（human-in-the-loop）、嚴格的數據隱私與安全控制。這與「先部署、後治理」的常見模式相反，體現了金融機構的監管壓力如何倒逼出更成熟的 AI 導入方法論。

實務應用

對金融機構以外的企業而言，LSEG 案例有三個可遷移的設計原則：

數據信任先於模型能力：當你的資料本身品質不佳、語義不統一，換更強的模型也無法解決根本問題。LSEG 的「AI Ready Content」框架本質上是在做數據治理，只是以 AI 應用為終點設計的。

確定性計算 + 概率推理的分工：不是所有任務都適合 LLM 直接輸出答案。敏感計算走確定性路徑，自然語言理解、摘要、草稿走 LLM，這種分工是金融 AI 架構的務實選擇。

MCP 作為企業 AI 整合標準：隨著 MCP 生態成熟，企業可以將既有 API 和數據資產「暴露給 AI 模型」而不需要重構整個技術棧，這是比 RAG 更靈活、更適合動態業務數據的整合模式。

延伸觀點

LSEG 的「治理前置」策略並非特例，而是受監管的金融機構的共同收斂點。Moody's 的技術分析指出，MCP 的核心價值正在於將認證、加密、完整請求日誌從「事後補丁」變成「架構第零層」——信貸分析師可以在幾分鐘內生成附有自動引用的初步報告，而合規團隊能即時追蹤每筆數據的使用軌跡。

這與 Snowflake 和 Databricks 在 2026 年的企業 AI 基礎設施方向高度吻合：多個主流數據平台都在同步推出「Managed MCP Server」架構，讓 AI 代理只需在安全邊界內存取結構化與非結構化數據，不需要自定義整合。市場正在向標準化收斂，LSEG 選擇在這個早期視窗與 OpenAI 合作制定標準，而非等待標準成熟後跟進。

另一個跨來源驗證的洞察：「確定性計算 + 概率推理」的分工模式不只適用於金融。Moody's 的案例（投資組合管理即時風險警報）、LSEG 的債券定價案例，以及 Snowflake 金融服務的詐欺偵測案例，三者都指向同一個設計原則——LLM 負責語義理解與自然語言介面，數學計算與合規判斷仍走傳統確定性路徑。這個分工模式是 2026 年企業級 AI 落地的主流架構，而非 LLM 全面取代既有系統。

相關連結：MUFG × OpenAI：打造 AI-native 金融機構 · 前沿企業如何拉開差距：OpenAI B2B Signals 解析 · 企業 AI 規模化五大模式

反向連結

以下頁面引用了本頁：