“Houston，把Desmond周末跑出来的策略图调出来。”
Brian Kelly对着电脑说了一句话，几张图表随即出现在屏幕上。
放在过去，这道指令至少要穿过几张办公桌：量化研究员整理测试结果，分析师画图，再把材料送到基金经理面前。如今，周末加班的Desmond是Agent，负责上传下达的Houston也是。
Kelly是对冲基金Bracket22的创始人。公司里还有Steffi和Doocy，一个看技术信号，一个专门攻击投资逻辑。四个名字组成了一支投研团队，唯一的人类是Kelly。
这不是他的第一家基金。
2025年初，Kelly关掉了此前经营的加密货币对冲基金。那家公司只有七八名员工，却要覆盖多个国家和时区。工资、奖金、医疗保险、办公室租金加在一起，按Kelly自己的估算，每年相关成本约为500万美元。
几个月后，他开始密集试用AI。重新搭建Bracket22时，Kelly没有把旧团队招回来，而是把一家基金拆开，再用Agent逐个装回去。
严格来说，Bracket22不是替外部LP管理资金的传统对冲基金。它只交易Kelly自己的钱，覆盖加密货币、股票和大宗商品。
但这也让它成了一场足够纯粹的实验：如果没有客户、同事和办公室，一家投资机构还剩下什么？
用Agent替代每个岗位
很多公司引入AI，是给原有团队增加一个助手。Kelly反过来做：先把团队拆成岗位，再给每个岗位安排一个Agent。
Desmond负责量化策略，Steffi负责技术分析。研究完成后，Doocy登场。它扮演红队，不负责把材料写得更漂亮，只负责找漏洞，试着把整套投资逻辑推翻。Houston站在更上层，调用其他Agent，收集结果，再把不同意见送到Kelly面前。
这张组织图里，研究、反驳、协调和决策被刻意分开。Kelly还让专业Agent彼此隔离，希望它们先各自得出判断，不要互相带节奏。最后，他再用自己的经验拍板。
Kelly复制的并不只是几个岗位。他还搭了一套“企业大脑”，把研究资料、历史交易和邮件做成相互连接的节点。在他的比喻里，这些节点像神经元：看到一个新信号时，系统可以找到过去相似的研究；复盘一笔交易时，也能沿着记录返回当初的判断。
这是投研机构里最难被看见的一笔资产。
传统基金的记忆散落在硬盘、邮箱、会议纪要和员工脑子里。人一离职，许多没有写进报告的上下文也跟着消失。Kelly想把这部分经验从人身上搬下来，放进Agent可以持续调用的系统里。只要记录不断增加，这家只有一个人的公司，也能拥有机构记忆。
当然，把Agent隔开，并不等于得到真正独立的意见。如果它们使用相似的模型和数据，就可能从不同岗位出发，走进同一个盲区。Doocy可以模拟投委会上的反方，却不会像真正的合伙人那样，为一句反对意见承担后果。
所以，Kelly始终保留自己的判断来进行最终决策。
成本从500万美元压缩到4万美元
最先发生变化的是成本。
在接受CNBC的采访中，Kelly自称Bracket22全部Agent和算力一年的支出约为3万至4万美元。与他给出的旧基金500万美元成本相比，新成本只相当于原来的0.6%至0.8%，降幅超过99%。
被省掉的也不只是七八份工资。
加密货币市场全年无休。过去，为了让基金24小时运转，Kelly要在不同时区布置员工，还要承担福利、办公空间、奖金和管理成本。
现在，Agent不用交接班，也不会在凌晨三点关机。Desmond可以整个周末测试策略，等Kelly上班，再由Houston把结果调出来。
Kelly估计，自己的生产率至少提高了10倍。他甚至设想，一家100人的机构有了AI，可能获得过去1000人的产出，研究覆盖面正在与员工数量脱钩。
过去，一家基金想多看一种资产、多跑一组策略，通常要继续招分析师和工程师。现在，它可以先增加Agent。原本需要提前承担的人力固定成本，开始变成随使用量变化的模型和算力费用。
这会先改变小型资管和自营交易公司的门槛。一个有策略、有资本的基金经理，不再需要先凑齐完整班底，就能获得过去只有机构才负担得起的研究覆盖。
与此同时，金融AI公司的生意也会变化：客户要的不只是一个会总结研报的聊天框，而是一整套数字化班底——有人找信号，有人唱反调，有人调度，还有一个记得住过去所有交易的“大脑”。
基金开始有了一点软件公司的样子：系统搭好之后，新增能力不必再按人头付费。
但省钱不等于创造Alpha
成本省下来了，那投资收益如何？最关键的数字，Kelly没有给，这也是这个案例最具争议的地方。
对基金来说，图表、报告和24小时在线都只是中间产品，最后交出来的只能是收益。Bracket22披露了人员、成本和生产率，却没有披露收益率、最大回撤、夏普比率、胜率，也没有给出相对基准的表现。
因此，人们可以确认Kelly把一家交易公司做得更便宜了，却无法确认这些Agent比从前的团队更会赚钱。
这是投资行业里经常被混淆的两张成绩单。一张记录“做了多少工作”：读了多少研报、覆盖多少市场、测试多少策略；另一张记录“工作产生了什么结果”：在承担同样风险后，究竟多赚了多少钱。
AI很容易把第一张成绩单写得漂亮。第二张要难得多。
成本下降当然有价值。如果投资表现不变，每年少掉数百万美元的运营费用，本身就会改善Kelly的净收益；一些过去不值得测试的小策略，也可能因为试错成本下降而重新进入视野。但省钱不等于创造Alpha，研究数量增加也不等于有效信号增加。
相反，策略跑得太多，还可能更容易在历史数据里撞见偶然规律。当越来越多机构使用相近的模型、数据和框架，Agent也可能让相似策略更快地挤进同一笔交易。人类时代需要几周形成的拥挤，机器或许几小时就能完成。
所以，Bracket22已经通过了运营测试，还没有通过投资测试。Kelly复制了生产投资判断的流水线，能否复制Alpha，要等市场交卷。
大机构能否复制？
很难。
Kelly可以把公司压缩到一个人，首先因为他交易的是自己的钱。没有外部LP，他不用向客户解释某次回撤是不是模型造成的，也不用说服别人把资金交给一个叫Houston的Agent。
自有资本给了Bracket22极大的试错空间。
一旦换成客户资金，问题就变了。一笔交易不仅要方向正确，还要留下谁批准、依据是什么、出了问题由谁承担的记录。受托责任、合规审查、权限隔离和审计要求，并不会因为研究员变成Agent而消失。Agent可以生成意见，却不能替机构签下责任。
目前华尔街大机构的AI探索基本上都是人机合作的：摩根士丹利把部分工作分流给AI；高盛把Devin、Claude等系统放进人与AI共同工作的团队；BNY甚至让“数字员工”拥有登录账号、邮箱和权限，却仍为它们安排人类经理。
大机构的谨慎不完全是因为动作慢。它们要保留的不只是人，还有一条出了问题能够追责、出现分歧能够制衡的链条。对一人公司来说，组织冗余是一笔成本；对管理客户资金的机构来说，冗余有时就是保险。
人才梯队也是同一道题。初级分析师今天是一项费用，几年后可能成为能够识别异常、质疑模型的人。如果拆报表、做假设、写第一版研究都交给Agent，年轻员工从哪里经历错误，又从哪里形成判断？高盛内部有人担心，过度依赖AI会削弱年轻银行家的推理能力。省掉今天的训练成本，可能也会透支明天的高级人才。
所以Bracket22的例子更像一次极限测试，它展示了一种新的基金运作方式：投研机构可以像软件一样被组装，专业分工可以由Agent复制，组织规模不再决定研究覆盖面。
同时它也把基金经理的角色推到更集中的位置——机器负责扩张认知带宽，人要为目标和收益负责。
Comments