在金融服务这一高度监管的行业中，数据的准确性和可审计性至关重要。无论是监管文件中的数字，还是交易提案或研究报告中的指标，都必须能够追溯到原始文件。然而，传统分析工具虽然能提取数据，但验证过程仍需分析师手动完成，效率低下且容易出错。AI系统虽然能解释自由形式的问题并分解为步骤，但计算与推理过程混合，导致输出可能包含错误，难以信任。

Kepler的创始人Vinoo Ganesh和John McRaven在Palantir工作多年，为国防、能源和金融公司构建数据系统，深刻理解在需要可验证答案的环境中建立信任的挑战。在创立Kepler之前，他们与147家金融机构（包括私募股权、对冲基金和投资银行）交流，发现一个共同痛点：每个人都想用AI进行研究，但没人信任输出结果。正如一位董事总经理所说：“我怎么能信任我无法审计的东西？”

为了解决这一问题，Kepler构建了一套确定性基础设施，作为AI的信任和验证层。这套基础设施与Claude的推理和解释层相结合，共同驱动Kepler Finance平台。该平台允许分析师用自然语言提问，并立即获得可验证的答案。平台索引了超过2600万份SEC文件、财报电话会议记录、投资者演示文稿、共识估计以及覆盖14000多家公司和27个全球市场的私有数据。

金融分析涉及复杂的多步计算、密集的数据和过载的术语，对错误零容忍。因此，Kepler需要一种能够保持长期计划不偏离、并能标记歧义的模型。例如，当分析师询问一家公司过去八个季度的库存周转天数时，模型需要确定正确的公式、正确的财政期间以及可能影响数字的重述。团队对所有前沿模型进行了基准测试，发现在简单查询上性能相当，但在具有相互依赖性的长多步计划中，除Claude外，其他模型开始走捷径或丢失上下文。

Claude的推理能力使Kepler能够处理复杂任务，同时保持可验证性。平台将每个输出数字与具体文件、页面和行项目关联，确保分析师可以即时验证。这种设计不仅提高了效率，还建立了对AI系统的信任。Kepler的成功展示了如何将AI的灵活性与金融行业的严格审计要求相结合，为其他受监管行业提供了可借鉴的范例。