当CFO和CRO看的不是同一组数字

一家中型银行的资产负债委员会开季度例会。首席财务官手里的流动性覆盖率是132%，首席风险官拿到的同一指标是128%。四个百分点的差距来自两套系统对某类存款流失率的不同假设。会议没有讨论利率上行对净利息收入的实际冲击，而是先花四十分钟争论谁的模型更接近“真实”。散会时，两个团队决定各自回去重新跑数，下周再议。

这不是虚构场景，而是Mirai RiskTech在融资材料中反复指向的行业现实。银行账簿利率风险（IRRBB）、流动性、资金转移定价（FTP）和监管报告长期分散在不同系统里，各自带着不一致的方法论和建模流程。当市场变化加快、监管截止期限缩短时，这种碎片化直接转化为决策延迟和压力测试负担。正是在这个背景下，这家总部位于马德里的风险科技公司于2026年9月22日宣布，从西班牙投资机构Inveready获得500万欧元融资，用于把其AI驱动的资产负债表管理平台推向更多国际市场。

公司称，其平台基于单一数据模型，将建模、数据与报告整合进一个框架，让财务和风险团队看到同一组数字。CEO兼联合创始人Olmo Vázquez在官方新闻稿中的表述更直接：银行历史上把资金、ALM、风险和财务放在分离的系统上管理，CFO和CRO很难基于同样的数字工作；目标是给银行一个“单一、受治理的事实来源”，AI内建于平台核心而非事后叠加。

这笔融资的金额在风险科技领域不算大，但它的信号意义值得拆解：一家成立十三年的西班牙公司，在未披露轮次的情况下拿到本土老牌另类资产管理机构的资金，要同时进入美国、英国和中东市场。这背后是一个更尖锐的问题——统一数据模型在银行ALM领域，究竟是刚需，还是又一个被AI叙事包装的升级选项？

字段 内容
公司 Mirai RiskTech
轮次 未披露
金额 500万欧元
投资方 Inveready（唯一被点名投资方）
总部 西班牙马德里
创始人 Olmo Vázquez（CEO，联合创始人）、Luis Estrada（COO，联合创始人）
官网 https://mirairisktech.com/

单一数据模型要替代的，是银行内部几十年的系统惯性

Mirai的产品逻辑并不复杂：把IRRBB、流动性、FTP和监管报告放进一个云原生框架，所有模块共享一个数据模型。据公司披露，平台整合建模、数据与报告，让财务和风险团队在跨指标视角下看到一致的数字。官方新闻稿强调，其云原生架构能够缩短市场变化与资产负债表决策之间的时间差。

但“单一数据模型”这四个字，在银行环境里意味着什么，需要放在真实的产业链约束中理解。一家银行的资金部门可能同时使用某个老牌ALM供应商的本地部署系统、财务部门的Oracle或SAP模块、风险部门的内部模型平台，以及监管报告专用的数据仓库。这些系统之间的数据接口往往靠人工维护，对账周期以天甚至周计。Mirai要做的不是增加一个分析层，而是替代这套分散架构的核心——这决定了它的销售周期和落地难度远高于一般SaaS产品。

从已披露的信息看，Mirai与超过30家银行合作，覆盖全球10个国家，业务遍及北美、拉丁美洲和EMEA。这个客户规模放在全球银行市场里并不算大。全球仅美国就有超过4000家受FDIC保险的银行，欧洲单一监管机制下直接监管的重要机构超过100家。30多家银行的客户基础说明，Mirai仍处于从早期采用者向主流市场过渡的阶段。公司未披露客户名称，因此无法判断其客户是区域性银行、储蓄机构还是大型跨国银行——这三类客户对ALM系统的需求强度、预算规模和替换意愿差异极大。

一个值得注意的细节是，Mirai的商业模式包含SaaS产品和咨询服务两部分。官方新闻稿将其描述为“SaaS产品与咨询服务组合”。咨询服务的存在，通常意味着平台本身尚未完全产品化到可以自助部署的程度，或者客户需要大量定制化建模支持。这本身不是缺陷——ALM领域的模型校准和监管映射天然需要专业服务——但它对收入结构和扩张速度有直接影响。咨询服务难以像纯软件那样线性扩展，进入新市场时需要配置本地交付团队。

AI产品线是核心叙事，但可追溯性才是监管语境下的关键变量

Mirai AI是这轮融资中反复被提及的产品线，据公司披露，它结合生成式AI与深度学习，包含两个组件：Mirai AI Modeling和Mirai AI Agent。前者允许银行利用历史数据构建行为模型，在生产工作流中运行统计与机器学习方法，模型持续重新校准；后者将ALM、流动性风险和银行监管专业知识嵌入日常运营，生成可完全追溯的自然语言洞察。

“可完全追溯”这个限定词值得单独拿出来审视。在银行监管语境下，AI输出如果无法追溯，基本等于不可用。欧洲银行管理局和欧洲央行对内部模型有严格的验证和审计要求，任何用于资本计算或流动性报告的分析结果，都需要能够回溯到输入数据、模型假设和计算路径。Mirai强调可追溯性，说明它理解监管环境对AI的约束。但“可完全追溯”目前仍是公司口径，没有独立的第三方验证材料说明其追溯机制的具体实现方式、审计接口或与监管报告流程的集成深度。

从产品逻辑看，Mirai AI Modeling试图解决的是ALM领域一个真实痛点：行为模型——比如存款提前支取率、贷款提前还款率——传统上依赖静态假设和定期离线校准，难以跟上市场变化。把统计和机器学习方法放进生产工作流、让模型持续重新校准，理论上可以缩短模型漂移与决策之间的时间差。但这里有一个未披露的关键问题：模型治理如何完成。银行内部模型需要经过验证、审批和文档化流程，持续重新校准的模型如果每次更新都需要重新走完整验证流程，效率提升会被治理成本抵消；如果绕过验证流程，则可能触碰监管红线。Mirai未披露其模型治理框架的具体设计，这是判断其AI产品能否在严格监管环境中规模化的核心变量。

Mirai AI Agent的定位更接近“嵌入工作流的专家系统”，据公司披露，它能把ALM、流动性风险和银行监管的专业知识带入日常运营，用自然语言生成洞察。这个方向与更广泛的“AI副驾驶”叙事一致，但在银行后台场景中，自然语言输出的价值取决于它能否直接对接决策流程和报告要求。一个生成“流动性覆盖率可能在未来30天下降”的自然语言洞察，如果无法同时输出计算依据、假设条件和监管报告格式，对银行用户的实际帮助有限。公司强调可追溯性，但未披露Agent输出的具体格式、与现有报告系统的集成方式，以及是否已被任何监管机构认可为合规工具。

Inveready的500万欧元，买的是一个期权而非验证

Inveready是这笔交易中唯一被点名的投资方。据官方新闻稿披露，Inveready成立于2008年，管理超过27亿欧元资产，旗下53只基金，投资275家组合公司，完成72次退出。这是一家从风险投资起家、已扩展为多策略另类资产管理平台的西班牙机构。其投资总监Gerardo Redondo在声明中称，这笔投资反映了对“在高价值、高监管领域构建品类定义技术”的团队的信心，Mirai结合了深度风险和ALM专业知识与AI平台，填补了银行在日益复杂的监管环境中面临的“真实缺口”。

500万欧元对Inveready的体量而言是一笔小型投资。放在其27亿欧元管理规模和275家组合公司的背景下，这笔资金更像是一个进入银行风险科技赛道的战略期权，而非重注。从资本结构看，Mirai未披露此前融资历史，funding.tech.eu的记录显示这是其首轮融资，来自1家投资机构。如果这一记录准确，意味着Mirai在成立十三年后才首次引入外部股权资本，此前可能依靠自有资金和咨询服务收入维持运营。这种路径在欧洲B2B风险科技公司中并不罕见，但也意味着公司此前的增长节奏相对保守，500万欧元能否支撑其同时进入美国、英国和中东三个市场的扩张计划，需要打一个问号。

投资方声明中“品类定义技术”的说法属于典型的风险投资话术，目前缺乏独立证据支持。Chartis Research将Mirai列入五个RiskTech象限排名，公司入选2025年RiskTech100榜单，这是相对客观的第三方行业认可。但“入选榜单”和“品类定义”之间存在明显距离。RiskTech100榜单每年收录全球风险科技领域的主要供应商，入选本身说明Mirai在细分领域有一定行业地位，但无法据此判断其技术领先性、市场份额或商业增速。

竞争格局：Mirai面对的不是空白市场，而是被老牌厂商和内部系统占据的存量

来源材料未披露Mirai的具体竞争对手，但ALM和资产负债表管理是一个存在数十年的成熟软件市场。全球范围内，银行在这一领域的选择包括大型金融软件供应商的ALM模块、专业风险科技公司的独立平台，以及大型银行自建的内部系统。Mirai的差异化主张集中在两点：单一数据模型带来的跨职能一致性，以及AI原生架构带来的建模和洞察效率。

从已披露信息看，Mirai的客户规模——超过30家银行、10个国家——与行业头部玩家相比存在数量级差距。但这并不意味着Mirai没有空间。银行ALM系统的替换周期通常以十年计，许多中小型银行仍在使用技术架构陈旧的系统，这些系统在实时数据集成、云部署和AI能力方面存在明显短板。如果Mirai能够以更低的部署成本和更短的实施周期切入这一层市场，它可能找到老牌厂商覆盖不足的缝隙。

真正的竞争壁垒不在功能列表，而在监管信任和模型验证积累。一家银行选择ALM平台，本质上是在选择一套将被监管机构反复审视的数字基础设施。Mirai在西班牙和拉丁美洲积累的客户案例，能否转化为美国、英国和中东市场的销售说服力，取决于这些市场的监管机构对其平台输出的接受程度。公司未披露任何监管认可或审计认证信息，这是其国际化叙事中最大的空白。

资金用途的算术：500万欧元能覆盖多少市场进入成本

据公司披露，这笔资金将用于加速在欧洲、英国、美国和中东的增长，加强在西班牙等核心市场的存在，并继续开发AI驱动的资产负债表管理平台，部分资金用于推进Mirai AI产品线。

把500万欧元摊到四个目标市场，每个市场平均只有125万欧元。即使考虑到公司已有部分国际业务基础，这个数字也不足以支撑大规模的市场进入。以美国市场为例，建立一支面向银行的销售团队——哪怕只有两到三名资深客户经理加一名解决方案顾问——年化人力成本就可能超过100万欧元。再加上合规、营销和本地化交付成本，125万欧元的市场预算在12到18个月内就会消耗殆尽。

这意味着Mirai的国际化更可能采取“轻进入”策略：依赖现有客户关系网络、行业会议和合作伙伴渠道获取早期线索，而非大规模建设本地团队。这种策略的优点是资本效率高，缺点是增长速度和市场渗透深度受限。公司未披露各目标市场的优先级排序和资源配置计划，因此无法判断其扩张路径的具体节奏。

另一个值得关注的资金用途是“继续开发AI驱动的资产负债表管理平台”。500万欧元中同时要覆盖四个市场的扩张和产品开发，分配到研发的部分必然有限。Mirai AI Modeling和Mirai AI Agent目前仍处于需要持续投入的阶段——尤其是模型治理、可追溯性机制和与监管报告系统的集成，这些都需要大量工程资源。如果研发投入不足，AI产品线可能停留在“有功能但不够成熟”的状态，反过来削弱其在国际市场的差异化说服力。

风险与待验证假设：统一数据模型是刚需，还是成本中心里的优先级问题

Mirai的核心假设是：银行愿意为统一数据模型和AI原生ALM平台支付替换成本，因为碎片化带来的决策延迟和压力测试负担已经超过了维持现状的惯性。这个假设在逻辑上成立，但在商业上需要逐层验证。

第一层验证是客户优先级。银行的技术预算在2026年面临多重挤压：核心系统现代化、网络安全、支付基础设施、监管报告自动化、AI合规工具都在争夺同一笔钱。ALM系统替换通常不是最紧急的项目——它不直接产生收入，也不直接触发监管处罚，其价值体现在决策质量和效率提升上，难以用简单的ROI公式量化。Mirai需要证明，统一平台带来的效率提升足以让CFO或CRO把ALM系统替换排进年度预算的前列。

第二层验证是部署可行性。单一数据模型意味着银行需要把分散在多个系统中的数据迁移到Mirai的平台，这个过程涉及数据清洗、映射、验证和并行运行。对于一家中型银行，ALM系统的完整替换可能需要12到24个月，期间新旧系统并行，团队需要同时维护两套流程。Mirai未披露其平均部署周期和客户上线时间，这是判断其销售效率的关键缺失信息。

第三层验证是AI在监管环境中的接受度。Mirai AI Modeling承诺模型持续重新校准，Mirai AI Agent承诺可追溯的自然语言洞察，但银行监管机构对AI在风险管理和报告中的应用仍持审慎态度。欧洲的AI法案对金融领域的高风险AI系统有额外要求，美国的监管机构也在加强对模型风险管理的审查。Mirai的AI产品能否通过监管审查，取决于其模型治理框架的完备程度——而这一点目前只有公司口径，没有独立的第三方验证。

从已披露的X（单一数据模型架构、30多家银行客户、Chartis Research榜单认可）和Y（500万欧元融资、四个目标市场、AI产品线定位）来看，Mirai具备了一个细分领域国际化扩张的基本条件：有可复用的产品架构、有一定数量的客户验证、有第三方行业认可。但Z——客户名称、部署周期、模型治理细节、监管认可、收入规模——均未披露，因此结论的边界是：Mirai的国际化叙事在逻辑上自洽，但其从“区域性ALM供应商”到“全球风险科技平台”的跨越，仍处于非常早期的验证阶段。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：银行ALM系统的碎片化是一个真实存在的行业问题，但“真实问题”和“愿意付费解决的紧迫问题”之间隔着预算优先级、替换成本和监管审慎三重障碍。Mirai用500万欧元同时押注四个市场和一条AI产品线，更像是在测试统一数据模型叙事在国际市场的接受度，而非执行一个已经验证的扩张剧本。真正的信号要等到它披露客户名称、部署周期和监管认可的那一天——在此之前，这笔融资买到的是一张进入牌桌的门票，而不是赢下牌局的筹码。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。