发生了什么
11 月 9 日，北方信托（Northern Trust）与微软宣布扩大 AI 合作，第一个交付物是面向资产服务业务 Front Office Solutions 平台的客户开户智能体，由北方信托与微软 Frontier Company 的前置部署工程团队（FDE）共同开发，目前已在生产环境运行。该平台为基金会、捐赠基金、养老金计划与大型家族办公室提供投资业绩与分析服务；新客户接入时，需要把多家来源、跨越数年的投资与交易记录重新整理成北方信托的标准数据结构，才能重建业绩历史，另类资产会让这件事更复杂。北方信托自己的调研显示，57% 的资产所有者把「整合多个内外部来源的数据」列为最大挑战。
两个数字与其口径
官方公布的结果有两个。其一是时间：数据准备从约两周半压缩到三天，降幅 83%；这个测量覆盖了数据转换、分析师复核、异常处理与最终校验的完整流程，是真实客户开户场景的生产平均值，而不是只测自动转换那一步。其二是质量：首轮 F1 得分 96.5%（精确率与召回率的综合指标），测试集为 7 个真实的匿名历史客户交易工作簿，模型输出与执行期间被扣留的分析师参考结果对比，且取的是分析师反馈与修正之前的第一轮结果。两个口径分开看是有意义的——时间指标包含人工环节，质量指标不含人工修正。
- 技术栈：微软 Azure 承接底座，Microsoft Foundry 提供企业 AI 工具，与 Excel、SharePoint 等 Microsoft 365 工具集成，分析师在熟悉的界面里检查、修改并批准输出。
- 治理：Azure 侧的「受治理情报层」保留已批准的开户知识，使系统随机构经验累积而改进；分析师可查看智能体推理过程、处理异常并给出反馈。
- 数据隔离：微软采用「eyes-off」方式，只用匿名数据做 F1 首轮质量的爬坡与评测，客户数据始终留在北方信托治理范围内。
- 扩展：北方信托已为全部 2.3 万名员工提供 Copilot 培训，员工自建了超过 1.5 万个 Copilot 智能体，用于从公司招股书中提取特定数据点等场景。
对受监管行业的参考价值
这个案例的可复制点不在模型，而在分工设计。北方信托把流程切成三段：AI 负责数据转换，分析师负责异常与校验，机构保留对客户信息的控制权；模型不确定的 3.5% 不强行输出，而是转人工。这套「有限授权 + 明确交接点」的做法，比追求端到端自动化的方案更容易过合规审查。第二点是把供应商工程师嵌入业务现场——FDE 与北方信托的金融专家共同建立「规则库」，把行业术语（资本催缴、估值）固化下来，这解释了为什么同样的大模型在别处做不好这件事：缺的不是模型能力，而是业务词汇与判定规则。
不确定之处
96.5% 的 F1 建立在 7 个样本上，样本量不足以外推到全部客户类型，尤其是另类资产占比高的账户。83% 的时间节省是生产平均值，未公布样本数与最长案例的耗时，也未披露异常率的变化——如果异常处理量上升，分析师的绝对工作量未必同比下降。此外，该智能体只做数据准备，不参与投资决策，也不改变开户的最终审批责任，这一点在对外宣传时容易被误读。