今年4月，AI金融公司Rogo完成了1.6亿美元的D轮融资，估值飙升至20亿美元。而仅仅三个月前，其估值还仅为7.5亿美元。
三个月内，估值几乎增长了两倍。
Rogo究竟在做什么？
简而言之，它为投资银行、私募股权公司和资产管理机构配备了一位“AI分析师”。
查询公司信息、搜集数据、构建估值模型、修改Excel表格、制作客户演示材料——这些以往需要初级分析师熬夜完成的繁琐案头工作，现在都可以由它接手。
然而，有趣的是，Rogo似乎并没有特别“独家”的东西。
其底层模型来自OpenAI和Anthropic，金融数据来自Capital IQ和PitchBook，最终操作的Excel和PPT则依赖微软。
换句话说，从模型、数据到办公软件，最核心的部分都不是它自己的。Rogo更像是一个整合者，将这些元素串联起来。
按理说，这种公司最容易在上下游被绕过。
但现实恰恰相反。
截至2026年8月，Rogo已进入300多家金融机构，被超过4万名金融从业者使用，估值也随之攀升至20亿美元。
这就值得玩味了。一个看似只是“拼凑”的中间层，为何反而成为华尔街最受追捧的AI公司之一？
今天，硅基君就来聊聊Rogo，以及AI究竟是如何开始接管华尔街分析师工作的。
替华尔街分析师“交作业”
投行分析师，可能是世界上工资最高、同时做着最多重复性体力劳动的一群人。
尽管他们每天西装革履、出入华尔街，但真正与客户面对面谈生意的时间其实并不多。投行职业培训机构Wall Street Mastermind估算，投行员工大约90%的时间都花在查找数据、撰写研究报告、更新Excel模型和制作PPT等案头工作上。
《福布斯》此前在采访Rogo创始人时提到，一些初级投行员工每周工作时间高达90个小时。即便一周七天不休息，平均每天也接近13个小时。
原因很简单。传统投行在很大程度上是一门“靠人堆积产能”的生意。项目增多，就多招分析师；工作量增加，就靠加班来消化。
Rogo希望通过AI来改变这种模式。
第一步，是先把“查找数据”自动化。
投行在做项目时，需要在Capital IQ、FactSet中查询财务数据，在PitchBook里查看融资信息，在LSEG中翻阅并购交易。这些数据库投行早已购买，但过去仍需分析师自行搜索、筛选和复制。
Rogo的做法很直接：与这些数据提供商合作，将客户已有的数据权限接入其Agent。
2024年底接入Capital IQ后，Rogo中的Agent已经能够直接调用基本面、市场预期等数据，并继续进行后续分析。
换句话说，Rogo将过去“供人查询的数据”，转变为“供Agent调用的生产资料”。
第二步，是直接交付可用的文件。
Rogo的Felix Agent可以直接进入投行实际使用的Excel模型，更新数据、滚动预测年份、刷新图表、调整可比公司。
这看似简单，实则困难。一个真实的投行模型可能包含几十张工作表，其中充满了跨表引用、历史数据和预测假设。过去分析师每次更新，都需要手动拉取数据、修改年份、检查公式。
现在，Felix可以直接接手。
例如，如果模型中2027年的自由现金流突然变为负数，它可以沿着公式往回追溯，找到是哪些假设发生了变化，然后给出修改建议。
遇到特别复杂的模型，它还会将部分计算逻辑转成Python重新运行，以检查结果。
也就是说，Felix开始能够直接交付投行工作的成果。
第三步，是将单项任务串联成完整的交易流程。
投行项目看似复杂，但拆解开来，无非是做可比公司、历史交易、DCF、CIM、Teaser、筛选买家这些重复性动作。
Rogo将这些动作逐一封装成Agent。它聘请了75名以上真正从事过投行、私募股权、信贷和研究工作的人员参与搭建，目前共享Agent累计已运行超过43万次。
但标准化的Agent还不够，因为每家投行的模板、口径和流程都各不相同。
因此，Rogo还会派遣团队进入客户内部，继续将Agent改造成专属版本。仅在2026年7月初的一周内，Rogo就与客户共同搭建了2450多个定制Agent。
更关键的是，这些Agent可以串联起来。
一个Agent先起草CIM和Teaser，另一个继续做可比公司和DCF，再往下筛选潜在买家。过去分散在不同分析师手中的工作，开始被整合成一条自动化的交易流程。这也是Rogo真正具有想象力的地方。
当然，软件能做到，不代表投行就真的会使用。因此，Rogo的商业模式也颇为独特。
它按席位收费，本质上是SaaS模式。截至2026年2月，已拥有超过2.5万名用户和150家机构客户。
但落地方式却非常“重”。Rogo会将前银行家和工程师直接派驻到客户内部，帮助客户搭建工作流、进行培训、修改Agent。
例如，在Baird，Rogo上线了约600个席位。通过现场培训和持续跟进，几个月后使用参与度达到95%，每周完成约1万次自动化任务，累计超过25万次。
也就是说，虽然Rogo售卖的是软件，但落地方式更像咨询。
如果Rogo这套模式能够跑通，未来同样数量的人，就可以覆盖更多项目。对于一个依靠“人肉堆算力”运行了几十年的行业来说，这才是AI最大的价值。
从AI工具，到华尔街的“操作系统”
按理说，Rogo这类公司其实很危险。
上游是OpenAI、Anthropic等模型厂商，下游是Capital IQ、PitchBook等数据商，客户又是高盛、Lazard这样的大型金融机构。
它夹在中间，任何一方往前走一步，都可能将其绕过。
但现实恰恰相反。
截至今年8月，Rogo已拥有4万名用户、300多家机构客户，Rothschild、Lazard等老牌投行都在使用。
为什么一个看似最容易被替代的中间层，反而越做越深？
关键在于，Rogo抓住了金融AI最重要的三个位置。
第一个，是合规。
Rogo成立于2022年前后，但真正大规模商业化，已经是两年后的事情。
这两年它主要做了一件苦差事：让金融机构敢于将数据交给AI。
投行每天处理并购信息、客户资料和内部研究。一旦AI泄露重大非公开信息，或者模型算错一个关键数字，后果可能直接变成合规和声誉事故。
因此，Rogo很早就开始做数据隔离、重大非公开信息逻辑隔离、细粒度权限和全流程审计，并陆续获得了SOC 2 Type I/II、ISO 27001，以及2025年的ISO 42001 AI治理认证。
这些事情没什么吸引人的地方，却极其耗费时间。结果就是商业化一启动，增长非常快：从零做到七位数年度经常性收入不到5个月，2025年收入已超过1500万美元。
第二个，是它不押注模型。
许多AI应用公司最大的风险，是押错底层模型。
Rogo干脆不押注。它构建了一套Model Broker，同时接入OpenAI、Anthropic、Google等模型，根据不同金融任务自动选择。
为什么要这么做？因为金融任务根本不存在一个全能模型。
Rogo用928个真实金融任务构建了一套Big Finance Bench。结果发现，GPT-5.5更擅长资本结构和并购，Claude Sonnet 4.6更适合财报分析，Claude Opus 4.7在私募资本和预测上表现更好。
仅根据任务类型和数据来源做简单路由，整体成绩就能比最强的单一模型高出4.5个百分点。
成本差距更大。同一个任务，使用顶级模型可能花费1.26美元，换一个更适合的轻量模型，最低只需0.02美元。
这套架构意味着一件很重要的事：底层模型可以一直更换，但客户的数据、Agent和工作流都留在了Rogo。
不过，真正决定Rogo天花板的，是第三层。
它开始往金融机构所有软件的中间挤。
投行的工作流极其碎片化。数据在Capital IQ、PitchBook，内部文件在SharePoint，客户关系在Salesforce，邮件在Outlook，模型在Excel，交易底稿又放在Data Room。
过去分析师真正花时间的地方，很大一部分就是在这些软件之间来回搬移数据。
Rogo开始一块块地将它们连接起来。
2025年9月收购Subset，将Agent直接嵌入Excel，使其能够修改由几十张工作表组成的复杂模型。今年3月收购Offset，为Agent补上“记忆”，使其了解一个模型过去是如何搭建和修改的。
与此同时，它又接入了SharePoint、Outlook、Salesforce、Box和Intralinks。
到了今年8月，Rogo进一步收购Rivanna，将能力推进到并购尽调。Agent可以一次处理数万份交易文件，提供原文引用、识别风险，并跟踪整个尽调流程。
单独来看，这些都只是功能。但将它们连接起来，事情就变得不同了。
Rogo正在将一笔金融交易原本散落在十几个软件里的工作流，一点点收进自己这一层。
如果这套拼图最终形成闭环，Rogo掌握的就不只是一个AI工具。
它会变成金融机构每天工作的入口。这才是资本愿意给它20亿美元估值的真正原因。
本文来自微信公众号“硅基观察Pro”，作者：元元，36氪经授权发布。