摩根大通（JPMorgan Chase）的 AI 战略正产生可量化回报，但也伴随人力成本的调整。作为美国最大银行，摩根大通目前每日有 20 万名员工使用其自研的 LLM Suite 平台，AI 带来的收益以每年 30%-40% 的速度增长，首席分析官德里克・沃尔德伦（Derek Waldron）将这一战略定位为打造全球首个 “全 AI 连接型企业”。支撑这一转型的是每年 180 亿美元的技术预算、450 多个已投入生产的 AI 用例，以及荣获《美国银行家》2025 年度创新大奖的平台。不过，摩根大通也坦诚，AI 将导致运营岗位至少减少 10%，这一现状揭示了企业 AI 应用背后超越宣传层面的复杂现实。
摩根大通的 LLM Suite 平台于 2024 年夏季推出，凭借 “自愿参与” 策略在 8 个月内吸引 20 万用户，沃尔德伦将此策略带来的 “良性竞争” 视为推动平台广泛 adoption 的关键。该平台并非简单的聊天机器人，而是一个 “完整生态系统”，能将 AI 与全行数据、应用程序及工作流程相连，其模型无关架构整合了 OpenAI 与 Anthropic 的模型，每 8 周更新一次。在实际应用中，投资银行家借助它可在 30 秒内生成 5 页演示文稿（此前初级分析师需耗时数小时），律师能快速扫描并生成合同，信贷专业人员可即时提取契约信息，呼叫中心工具 EVEE Intelligent Q&A 通过上下文感知响应缩短了问题解决时间。沃尔德伦在 2025 年 10 月接受麦肯锡采访时表示：“摩根大通近半数员工每天都会使用生成式 AI 工具，他们会结合自身工作，以数万种不同方式运用这些工具。”
在投资回报方面，摩根大通并非以平台层面的表面数据衡量，而是聚焦单个项目的 ROI。自 AI 战略启动以来，AI 相关收益同比增长 30%-40%。其战略采用 “自上而下聚焦核心领域 + 自下而上推动全员创新” 的模式：自上而下聚焦信贷、欺诈检测、营销、运营等具有变革潜力的领域，自下而上赋予员工在各自岗位创新应用 AI 的空间。麦肯锡的凯文・比勒（Kevin Buehler）估算，全球银行业通过 AI 有望节省 7000 亿美元成本，但其中大部分收益可能会通过服务优化传递给客户，导致行业有形权益回报率下降 1-2 个百分点，而 AI 先行者相较于滞后企业，回报率可能高出 4 个百分点。不过，沃尔德伦也指出，生产力提升并不等同于成本降低：“此处节省 1 小时、彼处节省 3 小时，或许能提高个人效率，但在端到端流程中，这些零散的节省往往只是转移了瓶颈，并未从根本上优化成本结构。”
人力结构调整是摩根大通 AI 战略的显著影响之一。该行消费者银行业务负责人宣布，随着 “智能体 AI”（可自主处理多步骤任务的系统）的部署，运营岗位将至少减少 10%。目前，摩根大通正开发能独立执行连锁操作的 AI 智能体，沃尔德伦曾向 CNBC 演示，该系统可在 30 秒内生成投资银行演示文稿，并起草机密的并购备忘录。从岗位影响来看，AI 更倾向于赋能客户 – facing 角色（如私人银行家、交易员、投资银行家），而账户开立、欺诈检测、交易结算等后台运营岗位面临较大风险。与此同时，新岗位类别应运而生，包括 “上下文工程师”（确保 AI 系统获取准确信息）、知识管理专员，以及负责构建智能体系统的资深软件工程师。斯坦福大学研究人员通过分析 ADP 数据发现，2022 年末至 2025 年 7 月期间，处于 AI 暴露行业的早期职业工作者（22-25 岁）就业率下降了 6%。
在执行过程中，摩根大通也面临多重风险与挑战。首先是 “影子 IT” 问题，若缺乏企业级 AI 工具，员工可能使用消费级 AI，导致敏感数据暴露，为此摩根大通搭建了内部系统以保障安全与管控。其次是信任危机，当 AI 正确率达到 85%-95% 时，人类审核者可能放松警惕，而大规模应用下误差会不断累积，沃尔德伦坦言：“当智能体系统长期独立执行一系列连锁分析时，人类如何信任其结果就成了难题。” 此外，许多企业面临的 “概念验证困境” 也困扰着摩根大通 —— 大量试点项目因低估集成复杂性而无法落地。沃尔德伦向 CNBC 表示：“技术能力与企业充分获取其价值之间存在‘价值缺口’，即便投入 180 亿美元，要完全实现 AI 的价值也需要数年时间。”
摩根大通的 AI 战略为其他企业提供了可借鉴的经验框架，即便多数企业不具备其规模优势，核心原则仍具有普适性。其一，推动 AI 普及但不强制推广，自愿参与策略激发了员工的主动性，实现了平台的广泛 adoption；其二，安全优先，尤其在受监管行业，需从架构设计阶段就嵌入安全机制；其三，采用模型无关架构，避免依赖单一供应商，增强系统灵活性；其四，结合自上而下的战略转型与自下而上的员工创新，平衡整体方向与个体创造力；其五，针对不同受众制定差异化培训方案，严格跟踪单个项目的 ROI，同时正视 AI 落地的复杂性，摩根大通仅构建 LLM Suite 就耗时两年多。
总体而言，摩根大通的 AI 战略是企业 AI 应用领域极具透明度的案例，既展现了行业领先的 adoption 数据与可量化的 ROI 增长，也毫不回避 workforce 调整的现实。其成功得益于巨额资本投入、模型无关基础设施、普及化的 AI 访问、严谨的财务管控以及合理的时间规划，但沃尔德伦对信任挑战、“价值缺口” 及长期转型周期的坦诚，也表明即便拥有 180 亿美元投入与 20 万活跃用户，无缝转型仍非易事。对于正在评估 AI 战略的企业而言，摩根大通的经验并非 “规模决定一切”，而是坦诚评估机遇与执行风险，才是区分真正转型与昂贵实验的关键。目前，摩根大通 AI 战略的有效性已无需争议，真正的问题在于，10% 的 workforce 减少与数年的复杂转型，是否能与 30%-40% 的年度收益增长相平衡，以及其他企业是否有能力承担这样的转型成本。
结合补充信息来看，摩根大通的 AI 战略是其长期数字化转型的延续。早在 2023 年，其科技预算就已达 153 亿美元，占总支出 18%，科技员工规模达 5.7 万人（占员工总数 20%），并通过矩阵式组织架构（设 CIO、CDAO）推进业技融合。在 AI 领域，摩根大通自 2018 年起大规模投入，2022 年位居全球银行业 AI 排名榜首，截至 2024 年已有 400 多个 AI 应用场景，涵盖风险管理、交易、客户服务等，CEO 杰米・戴蒙（Jamie Dimon）将 AI 的变革性与印刷机、蒸汽机等重大发明媲美，同时强调需通过完善的风险框架应对 AI 安全与伦理挑战，这些长期积累为 2025 年 AI 战略的深化奠定了坚实基础。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/mo-gen-da-tong-2025-nian-ai-zhan-lyue-180-yi-mei-yuan-tou
