核心观点
- MCP 协议的作用： MCP 协议是一个开放的、模型无关的标准，旨在允许大型语言模型（LLM）安全、一致地消费结构化数据，成为连接专有数据集和 AI 驱动应用程序的连接层，使数据和流程能够在模型原生界面中访问，同时保留用户认证、权限和商业控制。
- 竞争优势： 竞争优势不在于 MCP 协议本身，而在于底层数据资产和使其可扩展且值得信赖的分类法和交付框架。专有实时数据流、参考数据、符号和长期历史数据因其深度嵌入客户系统并与监管和运营要求保持一致而保留价值。
- 数据泄露风险： 在短期内，数据泄露风险似乎被高估了。MCP 架构继续依赖类似于现有实时数据流和基于 API 的分布式模型的授权、身份验证和使用跟踪。
- 数据消费结构变化： AI 代理意味着从基于座位的授权转向基于消费的实时数据使用，这引发了关于交易所和数据许可方如何对模型驱动应用程序进行分类的未解问题：它们是桌面使用的扩展，还是需要单独商业条款的专有应用程序。
- 净收入影响： AI 驱动的分布式可能扩大可拓展市场，尤其是在金融服务领域的长尾用户（如小型资产管理公司、私募股权和家族办公室），但这些潜在的利好必须权衡 Tier 1 和 Tier 2 机构中收入稀释的风险。
关键数据和研究结论
- LSEG 和 S&P 的不同策略： LSEG 优先考虑采用和长期企业参与，而不是立即收取基于使用费的费用；S&P 则较早开始对部分客户进行基于使用的收费。
- 定价策略： LSEG 的当前策略优先考虑采用和长期企业参与，而不是立即收取基于使用费的费用。虽然基于使用费的定价是一个逻辑上的最终状态，但技术和客户行为仍然处于早期阶段，无法建立最佳的定价框架。
- 数据类型的影响： 新闻和实时数据将是从桌面终端使用中受益最多的内容类型，而超低延迟解决方案可能需要更长时间才能被 LLM 利用。
- 竞争对手的策略： Bloomberg 通过 ASKB 和将第三方和客户构建的机器人带入 Bloomberg IB 来保护其终端的价值；FactSet 在 AI 驱动的工具方面似乎比 LSEG 更具前瞻性。
- 对 LSEG 的展望： 看跌 AI 对桌面业务的短期影响，并希望看到 LSEG 对 AI 世界的定价模型有明确的说法，以及如何利用数据和 feeds 增长来抵消桌面收入的下降。
竞争格局
- LSEG、S&P 和 FactSet： FactSet 在 AI 驱动的工具方面似乎比 LSEG 更具前瞻性，而 LSEG 采取了更广泛的市场策略。
- Bloomberg： Bloomberg 通过 ASKB 和将第三方和客户构建的机器人带入 Bloomberg IB 来保护其终端的价值，但其 MCP 策略起步较晚。
- 交易所： 交易所可能会尝试与参考数据初创公司合作，以利用 LLM 桌面应用程序带来的潜在新收入来源或扩展现有收入来源。
风险和机遇
- 风险： 数据泄露、桌面收入的下降、竞争压力、宏观环境、外汇风险、主动到被动转变、买方整合和合同续签风险。
- 机遇： 通过 AI 驱动的消费基础定价扩大可拓展市场，尤其是在金融服务领域的长尾用户。
