「Houston，把Desmond周末跑出來的策略圖調出來。」

Brian Kelly對着電腦說了一句話，幾張圖表隨即出現在螢幕上。

放在過去，這道指令至少要穿過幾張辦公桌：量化研究員整理測試結果，分析師畫圖，再把材料送到基金經理面前。如今，周末加班的Desmond是Agent，負責上傳下達的Houston也是。

Kelly是對沖基金Bracket22的創始人。公司裏還有Steffi和Doocy，一個看技術信號，一個專門攻擊投資邏輯。四個名字組成了一支投研團隊，唯一的人類是Kelly。

這不是他的第一家基金。

2025年初，Kelly關掉了此前經營的加密貨幣對沖基金。那家公司只有七八名員工，卻要覆蓋多個國家和時區。工資、獎金、醫療保險、辦公室租金加在一起，按Kelly自己的估算，每年相關成本約為500萬美元。

幾個月後，他開始密集試用AI。重新搭建Bracket22時，Kelly沒有把舊團隊招回來，而是把一家基金拆開，再用Agent逐個裝回去。

嚴格來說，Bracket22不是替外部LP管理資金的傳統對沖基金。它只交易Kelly自己的錢，覆蓋加密貨幣、股票和大宗商品。

但這也讓它成了一場足夠純粹的實驗：如果沒有客戶、同事和辦公室，一家投資機構還剩下什麼？

用Agent替代每個崗位

很多公司引入AI，是給原有團隊增加一個助手。Kelly反過來做：先把團隊拆成崗位，再給每個崗位安排一個Agent。

Desmond負責量化策略，Steffi負責技術分析。研究完成後，Doocy登場。它扮演紅隊，不負責把材料寫得更漂亮，只負責找漏洞，試着把整套投資邏輯推翻。Houston站在更上層，調用其他Agent，收集結果，再把不同意見送到Kelly面前。

這張組織圖裏，研究、反駁、協調和決策被刻意分開。Kelly還讓專業Agent彼此隔離，希望它們先各自得出判斷，不要互相帶節奏。最後，他再用自己的經驗拍板。

Kelly複製的並不只是幾個崗位。他還搭了一套「企業大腦」，把研究資料、歷史交易和郵件做成相互連接的節點。在他的比喻裏，這些節點像神經元：看到一個新信號時，系統可以找到過去相似的研究；覆盤一筆交易時，也能沿着記錄返回當初的判斷。

這是投研機構裏最難被看見的一筆資產。

傳統基金的記憶散落在硬盤、郵箱、會議紀要和員工腦子裏。人一離職，許多沒有寫進報告的上下文也跟着消失。Kelly想把這部分經驗從人身上搬下來，放進Agent可以持續調用的系統裏。只要記錄不斷增加，這家只有一個人的公司，也能擁有機構記憶。

當然，把Agent隔開，並不等於得到真正獨立的意見。如果它們使用相似的模型和數據，就可能從不同崗位出發，走進同一個盲區。Doocy可以模擬投委會上的反方，卻不會像真正的合夥人那樣，為一句反對意見承擔後果。

所以，Kelly始終保留自己的判斷來進行最終決策。

成本從500萬美元壓縮到4萬美元

最先發生變化的是成本。

在接受CNBC的採訪中，Kelly自稱Bracket22全部Agent和算力一年的支出約為3萬至4萬美元。與他給出的舊基金500萬美元成本相比，新成本只相當於原來的0.6%至0.8%，降幅超過99%。

被省掉的也不只是七八份工資。

加密貨幣市場全年無休。過去，為了讓基金24小時運轉，Kelly要在不同時區佈置員工，還要承擔福利、辦公空間、獎金和管理成本。

現在，Agent不用交接班，也不會在凌晨三點關機。Desmond可以整個周末測試策略，等Kelly上班，再由Houston把結果調出來。

Kelly估計，自己的生產率至少提高了10倍。他甚至設想，一家100人的機構有了AI，可能獲得過去1000人的產出，研究覆蓋面正在與員工數量脫鉤。

過去，一家基金想多看一種資產、多跑一組策略，通常要繼續招分析師和工程師。現在，它可以先增加Agent。原本需要提前承擔的人力固定成本，開始變成隨使用量變化的模型和算力費用。

這會先改變小型資管和自營交易公司的門檻。一個有策略、有資本的基金經理，不再需要先湊齊完整班底，就能獲得過去只有機構才負擔得起的研究覆蓋。

與此同時，金融AI公司的生意也會變化：客戶要的不只是一個會總結研報的聊天框，而是一整套數字化班底——有人找信號，有人唱反調，有人調度，還有一個記得住過去所有交易的「大腦」。

基金開始有了一點軟件公司的樣子：系統搭好之後，新增能力不必再按人頭付費。

但省錢不等於創造Alpha

成本省下來了，那投資收益如何？最關鍵的數字，Kelly沒有給，這也是這個案例最具爭議的地方。

對基金來說，圖表、報告和24小時在線都只是中間產品，最後交出來的只能是收益。Bracket22披露了人員、成本和生產率，卻沒有披露收益率、最大回撤、夏普比率、勝率，也沒有給出相對基準的表現。

因此，人們可以確認Kelly把一家交易公司做得更便宜了，卻無法確認這些Agent比從前的團隊更會賺錢。

這是投資行業裏經常被混淆的兩張成績單。一張記錄「做了多少工作」：讀了多少研報、覆蓋多少市場、測試多少策略；另一張記錄「工作產生了什麼結果」：在承擔同樣風險後，究竟多賺了多少錢。

AI很容易把第一張成績單寫得漂亮。第二張要難得多。

成本下降當然有價值。如果投資表現不變，每年少掉數百萬美元的運營費用，本身就會改善Kelly的淨收益；一些過去不值得測試的小策略，也可能因為試錯成本下降而重新進入視野。但省錢不等於創造Alpha，研究數量增加也不等於有效信號增加。

相反，策略跑得太多，還可能更容易在歷史數據裏撞見偶然規律。當越來越多機構使用相近的模型、數據和框架，Agent也可能讓相似策略更快地擠進同一筆交易。人類時代需要幾周形成的擁擠，機器或許幾小時就能完成。

所以，Bracket22已經通過了運營測試，還沒有通過投資測試。Kelly複製了生產投資判斷的流水線，能否複製Alpha，要等市場交卷。

大機構能否複製？

很難。

Kelly可以把公司壓縮到一個人，首先因為他交易的是自己的錢。沒有外部LP，他不用向客戶解釋某次回撤是不是模型造成的，也不用說服別人把資金交給一個叫Houston的Agent。

自有資本給了Bracket22極大的試錯空間。

一旦換成客戶資金，問題就變了。一筆交易不僅要方向正確，還要留下誰批准、依據是什麼、出了問題由誰承擔的記錄。受託責任、合規審查、權限隔離和審計要求，並不會因為研究員變成Agent而消失。Agent可以生成意見，卻不能替機構簽下責任。

目前華爾街大機構的AI探索基本上都是人機合作的：摩根士丹利把部分工作分流給AI；高盛把Devin、Claude等系統放進人與AI共同工作的團隊；BNY甚至讓「數字員工」擁有登入賬號、郵箱和權限，卻仍為它們安排人類經理。

大機構的謹慎不完全是因為動作慢。它們要保留的不只是人，還有一條出了問題能夠追責、出現分歧能夠制衡的鏈條。對一人公司來說，組織冗餘是一筆成本；對管理客戶資金的機構來說，冗餘有時就是保險。

人才梯隊也是同一道題。初級分析師今天是一項費用，幾年後可能成為能夠識別異常、質疑模型的人。如果拆報表、做假設、寫第一版研究都交給Agent，年輕員工從哪裏經歷錯誤，又從哪裏形成判斷？高盛內部有人擔心，過度依賴AI會削弱年輕銀行家的推理能力。省掉今天的訓練成本，可能也會透支明天的高級人才。

所以Bracket22的例子更像一次極限測試，它展示了一種新的基金運作方式：投研機構可以像軟件一樣被組裝，專業分工可以由Agent複製，組織規模不再決定研究覆蓋面。

同時它也把基金經理的角色推到更集中的位置——機器負責擴張認知帶寬，人要為目標和收益負責。