在金融服务领域，AI的信任问题一直是核心挑战。Kepler的创始人Vinoo Ganesh和John McRaven曾在Palantir为国防、能源和金融公司构建数据系统，这段经历让他们深刻理解在答案必须可验证的环境中，信任意味着什么。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）进行了交流，几乎所有人都表达了相同的诉求：希望使用AI进行研究，但无法信任其输出。正如一位董事总经理所言：“我怎么能信任一个我无法审计的东西？”

Kepler的解决方案是构建一个确定性基础设施，作为AI的信任和验证层。该基础设施与Claude（作为推理和解释层）相结合，驱动了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、投资者关系演示、共识估计以及覆盖14,000多家公司和27个全球市场的私有数据，确保每个数字都能精确追溯到原始文件、页面和行项目。

金融分析涉及复杂的多步计算、密集的数据和过载的术语，且对错误零容忍。Kepler需要一种能够保持长期计划不偏离轨道并能标记歧义的模型。例如，如果分析师询问一家公司过去八个季度的库存周转天数，模型需要确定答案所需的内容：正确的公式、正确的财政期间以及可能影响数字的任何重述。团队对所有前沿模型进行了基准测试，发现对于简单查询，模型表现相当。但当涉及具有相互依赖性的长多步计划时，除了Claude之外的所有模型都开始走捷径或丢失信息。

Claude在处理长上下文和多步推理方面的优势，使其成为Kepler验证层的理想选择。通过将推理与计算分离，Kepler确保每个输出步骤都可审计。分析师可以点击任何数字，立即看到其来源——是来自SEC文件中的具体段落、财报电话会议记录中的特定行，还是投资者演示中的某个表格。这种透明度在金融行业至关重要，因为监管要求报告必须可审计、可问责。

Kepler的案例展示了AI在高度监管行业中落地的关键路径：不是追求黑箱式的“智能”，而是构建可解释、可验证的系统。随着金融行业对AI的接受度提高，类似Kepler的验证层将成为标准配置，确保AI不仅是强大的工具，更是值得信赖的合作伙伴。这一模式也为其他受监管行业（如医疗、法律）提供了参考：将AI的推理能力与确定性验证基础设施相结合，是释放AI潜力的关键。