Nøkkelinnsikt

• Oljefondets 9 000 porteføljeselskaper forespørres daglig via egenutviklede MCP-integrasjoner
• Anthropic mener Claudes kodeevner er nøkkelen til finans: kode oversettes direkte til Excel-modeller og dataanalyse
• Anthropic satser på finansspesifikk forhåndstrening og ettertrening for å tette fagkunnskapsgap

---

Kort fortalt

Anthropic har bygget et eget finansprodukt rundt Claude, og to av selskapets teamledere forklarer hva det innebærer i praksis. Alexander Bricken, leder for anvendt AI-utvikling innen finanstjenester, og Nick Lin, produktleder for samme avdeling, viser hvordan store institusjoner som NBIM (Norges Bank Investment Management, forvalter av Oljefondet) og BCI (British Columbia Investment Management) bruker Claude i produksjon. Kjernebudskapet: Claudes styrke i koding oversettes direkte til finansanalyse, Excel-modellering og produksjon av investorklare dokumenter.

---

Fra nysgjerrighet til produksjon

Lin beskriver et tydelig skifte i hvordan finansinstitusjoner forholder seg til AI. For halvannet år siden satte selskaper opp et generelt chatgrensesnitt med flere AI-modeller og lot ansatte eksperimentere. I dag er fokuset flyttet til å bygge produksjonssystemer (1:22).

Det mest slående eksempelet er NBIM, som forvalter Oljefondet. Fondet har eierandeler i rundt 9 000 selskaper. NBIMs eget team bygget integrasjoner ved hjelp av MCP (Model Context Protocol, en åpen standard som lar AI-modeller koble seg til eksterne datakilder og verktøy), slik at porteføljeforvaltere nå spør Claude daglig om innsikt i selskapene sine (1:47).

Lin beskriver dette som mer enn bare å jobbe raskere. Analytikere bruker mindre tid på manuell datainnhenting og mer tid på det som faktisk betyr noe: å forstå forretningsmodeller, bygge relasjoner og møte kunder (2:17).

---

Hvorfor kodeevner betyr noe for finans

Bricken fremmer et argument som kan overraske ikke-tekniske lesere. Claudes evne til å skrive kode er den samme ferdigheten som gjør den effektiv innen finansanalyse (4:39).

Logikken: finansanalytikere bruker enormt mye tid på å gjøre regneark og presentasjoner piksel-perfekte. En AI som kan skrive strukturert logikk (kode) kan bruke samme presisjon på å bygge Excel-modeller, PowerPoint-presentasjoner og dataanalyser. Anthropics filopprettingsfunksjon fungerer ved å kjøre Python-kode inne i en virtuell maskin (et isolert datamaskinmiljø), noe som lar Claude lage Excel-filer og finansmodeller direkte (6:16).

Bricken påpeker at dette strekker seg utover kalkulasjoner. Gi modellen et verktøy, og den forstår hva verktøyet gjør ut fra navnet og beskrivelsen alene. Kombinert med MCP betyr dette at Claude kan kjede sammen flere systemer: hente data fra Snowflake, koble det mot en Salesforce-post, kjøre beregninger og produsere et formatert resultat (8:44).

---

Hent, analyser, skap

Lin skisserer et tredelt rammeverk for hvordan Claude håndterer finansarbeid (6:50):

Hent. Forskningsagenter (AI-systemer som selvstendig søker etter og samler informasjon) kan lese data omtrent 5 000 ganger raskere enn mennesker. Målet er å koble Claude til de konkrete datakildene analytikere allerede bruker: S&P Global, FactSet, interne databaser (7:00).

Analyser. Finansmodeller er ikke bare pene tallark. De fanger en analytikers vurdering av et selskaps fremtid. Claude må forstå grunnleggende finanskonsepter godt nok til å manipulere disse modellene gjennom kode eller regnearksformler (7:43).

Skap. Det endelige resultatet må tåle styrerommet. Kalkyler, lysbilder og rapporter må holde standarden som toppledere og kunder forventer (8:10).

---

BCIs levende dashbord

Det mest konkrete kundeeksempelet kommer fra BCI. Finansfolk utfører tradisjonelt komparativ analyse (sammenligning av finansielle og operasjonelle nøkkeltall på tvers av selskaper for å vurdere relativ verdi) i et statisk Excel-ark som oppdateres manuelt hver uke eller hvert kvartal (12:02).

BCI erstattet dette med et levende artefakt (Artifact, Claudes funksjon for interaktive resultater) koblet direkte til S&P- og FactSet-data. I stedet for å bygge regnearket manuelt på nytt, ber de ansatte Claude om å oppdatere dashbordet. Disse deles med toppledere som bruker plattformene direkte (12:27).

Lin beskriver dette ikke som akselerasjon, men som en omveltning av selve arbeidet (12:46).

---

Hukommelse og kontinuerlig forbedring

Bricken trekker frem en egenskap som høres hverdagslig ut, men som betyr mye i praksis: hukommelse. Claude trenger å huske preferanser på tvers av økter og verktøy (12:53).

Hvis en analytiker korrigerer en formel eller spesifiserer hvilken datakilde som skal brukes for EBITDA-beregninger (et selskaps inntjening før renter, skatt, avskrivninger og nedskrivninger), bør Claude lagre den preferansen. Lin sammenligner det med en god praktikant som lærer seg vanene dine over tid (14:09).

Dette gjelder på tvers av plattformer. Claude finnes i Claude.ai, i en nettleserutvidelse og i Excel. Hukommelsessystemet må bære sammenhengen på tvers av alle disse kontaktpunktene slik at modellen stadig forbedres gjennom interaksjonene (13:29).

---

Hva som kommer

Lin skisserer tre prioriteringer for produktveien videre (14:30):

Finansspesifikk trening. Anthropic satser på både forhåndstrening (initial trening på store datasett) og ettertrening (finjustering for spesifikke oppgaver) rettet spesifikt mot finans (14:53).

Spesialisering per delsektor. Private equity, hedgefond, forsikring og investeringsbank har ulike arbeidsflyter. Produktteamet vil bygge komponenter tilpasset hver av dem (15:02).

Bransjepartnerskap. S&P Global, FactSet og PitchBook har allerede publisert fungerende MCP-servere innen seks måneder etter at protokollen ble lansert. Anthropic vil utvide disse partnerskapene ytterligere (15:49).

Bricken legger til at den mest nyttige tilbakemeldingen kommer fra bedriftskunder som designer evalueringer (standardiserte tester som måler AI-ytelse). Disse evalueringene går direkte inn i Anthropics treningsprosess og skaper en tilbakemeldingssløyfe mellom kundebehov og modellforbedringer (16:34).

---

Hvordan tolke disse påstandene

To ting verdt å merke seg når man vurderer Anthropics budskap.

Dette er en markedsføringsvideo

Begge talerne er Anthropic-ansatte som presenterer sitt eget produkt. Kundeeksemplene (NBIM, BCI, Perella Weinberg) er ekte, men nøye utvalgt. Vi hører om suksesshistorier, ikke om mislykkede utrullinger eller begrensninger. Uavhengig rapportering om Claudes ytelse i finanstjenester er begrenset.

Fagkunnskapsgapet er reelt

Lin innrømmer at Anthropic har svært få ansatte med erfaring fra investeringsbank (10:00). Selskapets løsning, å jobbe tett med tidlige kunder for å bygge evalueringer, er fornuftig i prinsippet, men avhenger av å ha nok varierte kunder til å dekke bredden av finansbruk. Finansspesifikk forhåndstrening og ettertrening beskrives fortsatt som en kommende satsing, ikke en ferdig løsning.

---

Praktiske konsekvenser

For finansfolk

Hvis organisasjonen din vurderer AI-verktøy, gir rammeverket hent-analyser-skap en nyttig linse. Nøkkelspørsmålet er ikke om AI-en kan chatte, men om den kan koble seg til de faktiske datakildene deres, kjøre ekte analyser og levere resultater som holder standarden.

For AI-utviklere

At store dataleverandører (S&P, FactSet, PitchBook) tok i bruk MCP innen seks måneder, tyder på at protokollen får fotfeste i bedriftsmarkedet. Å bygge MCP-integrasjoner kan i økende grad bli forventet av institusjonelle kunder.

---

Ordliste

---

Kilder og ressurser