摩根大通銀行首席分析官德里克·沃爾德倫解釋了人工智慧如何促進創新、賦能員工並培育一個正在重塑工作方式的生態系統。
摩根大通擁有 180 億美元的年度技術預算，正在重塑自身以適應新時代，利用智能體和生成式人工智慧來執行複雜的多步驟工作。
該銀行人工智慧轉型的核心是 LLM Suite，這是一個由領先的第三方大型語言模型 (LLM) 提供支援的專有平台，它實現了各種流程的自動化，並將人工智慧工具直接交到了員工手中。
摩根大通首席分析官德里克·沃爾德倫和麥肯錫高級合夥人凱文·布勒相識近二十年，他們與麥肯錫金融服務傳播與行銷總監馬特·庫克坐下來，就人工智慧對銀行業及其他領域的影響進行了廣泛的討論。
為了清晰簡潔，對這段對話進行了編輯。在對話中，Waldron 和 Buehler 討論了 LLM Suite 及其在摩根大通員工中普及人工智慧的作用、價值的雙支柱方法（自上而下地重新構想核心流程和自下而上的自助服務創新），以及將影響人工智慧下一階段發展的風險和機遇。
馬特·庫克：能否簡單介紹一下你們的角色？
德里克·沃爾德倫：我是摩根大通的首席分析官，負責監督和領導我們整體的人工智慧項目。
凱文·布勒：我是麥肯錫的高級合夥人。我曾參與建立並領導我們的風險管理業務，之後又領導了我們的企業與投資銀行以及網路安全業務。最近，我協助領導了我們的人工智慧銀行業務和人工智慧責任業務。
馬特·庫克：你們倆認識很久了。德里克，你是麥肯錫的校友。你們認識多久了？
我們認識大約18年了。我們第一次在人工智慧領域有所交集是在2016年至2018年左右，當時正值人工智慧蓬勃發展時期，湧現出像AlphaGo這樣的行業創新。
德里克·沃爾德倫：我們認識大約18年了。我們第一次在人工智慧領域有所交集是在2016年至2018年左右，當時正值人工智慧蓬勃發展時期，湧現出像AlphaGo這樣的行業發展項目。1我和凱文曾在麥肯錫合作，共同探索如何將機器學習技術應用於銀行業和銀行風險管理。我們在信貸、風險、欺詐和行銷等領域應用機器學習方面提出了許多開創性的想法。
凱文·布勒：在行業發生巨大變化的時期一起工作很有趣，我們真正親身實踐，從底層瞭解機器學習和人工智慧是如何工作的。
德里克·沃爾德倫：正是與凱文的那次經歷促使我在2023年抓住了人工智慧時代的機遇。那一年，我加入了摩根大通，擔任首席分析官一職，此前我同時擔任企業投資銀行首席幕僚長和全球戰略主管。人工智慧時代解決了我們在人工智慧早期階段遇到的種種不足，顯然，它將成為變革的轉折點。
馬特·庫克：德里克，你的核心工作之一是培養未來的知識型員工。你能給我們介紹一下LLM Suite的開發過程嗎？
德里克·沃爾德倫：LLM Suite是摩根大通的旗艦級人工智慧平台。摩根大通被譽為首家大規模向員工推廣人工智慧的大型銀行。這一舉措的驅動因素有很多，其中之一是相信人工智慧將是一項高度民主化的技術。如果我們通過變革管理和培訓，讓員工能夠接觸到這項技術，他們就能更好地進行創新並有效利用它。事實證明，這一理論是正確的。
如今，已有近25萬人可以使用該平台。摩根大通近一半的員工每天都在使用人工智慧工具。人們以數萬種與工作相關的方式使用它。律師用它來掃描、閱讀、比較和生成合同；信貸專業人員用它來閱讀條款、比較契約並提取資訊；銷售人員和一線銀行家用它來提煉資訊並為會議做準備。這樣的例子不勝列舉。
2024年，我們向所有員工推廣LLM Suite後，反響非常熱烈。大多數員工都認為，2024年是他們與人工智慧建立個人聯絡的一年。我認為這對銀行而言，無疑是一次文化轉型。
摩根大通近一半的員工每天都會使用人工智慧工具。人們在工作中以數萬種特定方式使用這些工具。
馬特·庫克： LLM Suite上線幾個月內，你們就成功為超過10萬名員工完成了系統上線。在受監管的環境下，你們從中獲得了那些關於如何控制系統推廣速度的經驗？如果再來一次，你們會做出那些改變？
德里克·沃爾德倫：回顧過去，我們意識到有些事情或許可以做得更好，但我們做對了很多。我們花時間考慮了所有風險和控制因素。毫無疑問，資料安全是最重要的考量。我們沒有操之過急。一旦一切就緒，我們就對變革管理進行了充分的投入，在推廣過程中提供培訓和教育，以便人們能夠充分利用這些工具。口碑傳播也發揮了重要作用。我們沒有強制任何人使用LLM Suite。相反，我們採用了自願加入的方式，讓任何想要使用的人都能獲得它，並根據使用者的需求分階段進行推廣。這在早期規模化階段創造了一種非常有趣且充滿活力的氛圍，也帶來了一些良性競爭。人們會關注身邊的人——有些人先用上了，有些人還沒有。大家都有點害怕錯過機會。這種社交動態有助於形成一種積極採用的文化。
口碑傳播是重要因素。我們沒有強制任何人使用LLM Suite，而是採用了自願加入的方式。
馬特·庫克：如何衡量有效使用與新奇使用之間的區別？按功能或地域劃分，是否存在任何意料之外的結果？
德里克·沃爾德倫：我們從兩個方面來看待使用情況。人們在日常工作中出於各種目的使用LLM Suite，他們從中受益匪淺，就像使用其他生產力工具（例如Excel、PowerPoint和Word）一樣。我們並不試圖精確量化節省的時間；我們知道這是一件好事。從戰略角度來看，我們專注於那些轉型將對摩根大通產生最大影響的領域：信貸、反欺詐、市場行銷、技術開發、營運以及一線銀行家賦能。我們在這些領域進行投資，並期望獲得最大的總體價值。
我們經常談到雙支柱戰略。首先，我們採取自上而下的方法，聚焦於少數幾個最具變革價值的領域，並圍繞這些領域進行戰略性組織，推動變革舉措。其次，我們擁有一個規模龐大且令人振奮的自下而上、聯合創新機制，為員工提供強大的自助服務工具，並讓他們在日常工作中運用這些工具，最終顯著提升整個公司的生產力。
馬特·庫克：LLM Suite是如何發展的？
德里克·沃爾德倫：LLM Suite 最初推出時，與當時的其他 LLM 提供商類似，主要是一個聊天機器人。但在過去的 18 個月裡，它已經發生了顯著的變化。現在，它更像是一個完整的生態系統。其願景是打造一個人工智慧互聯的企業——強大的 AI 智能核心與團隊知識系統、公司級資料系統、公司級應用程式以及用於建立簡報、分析資料和生成報告的工具相連接。隨著更多應用程式、資料和工作流程在這個生態系統中運行，其可能性將呈指數級增長。建構這個生態系統是摩根大通以人工智慧為先導的基石。
馬特·庫克：Kevin，考慮到麥肯錫的銀行和技術業務——QuantumBlack、麥肯錫技術——以及我們與全球銀行的合作，我們認為人工智慧將如何影響銀行業的經濟和業績？
Kevin Buehler：根據我們的《2025年全球銀行業年度回顧》，2024 年全球銀行業創造了約 1.2 兆美元的利潤，創歷史新高，有形權益回報率約為 10.3%，略高於其資本成本。與此同時，該行業每年在技術方面投入約6000億美元，但生產力提升效果卻參差不齊。
人工智慧將產生多方面的影響。麥肯錫全球研究院預計，到2023年，人工智慧將為銀行業節省2000億至3400億美元。隨著人工智慧技術的演進和智能體人工智慧連接性的增強，人工智慧能夠完成更多工。在《2025年全球銀行業年度回顧》中，我們建構了多個情景，探討銀行採用人工智慧及其對營運成本結構的影響，以及客戶採用人工智慧及其帶來的靈活性如何降低慣性。在我們的核心情景中，如果銀行能夠審慎地採用人工智慧，則可節省約7000億美元的成本——高於我們兩年前的估計。然而，隨著行業成本曲線的轉變，這7000億美元中的大部分很可能會被競爭抵消，最終惠及客戶。這也提高了競爭門檻。
客戶可以利用人工智慧尋找最佳優惠。在零售銀行業務中，客戶有時出於慣性而繼續使用同一家銀行。但在存款或信用卡等產品方面，有證據表明，如果操作簡便，客戶會選擇更換銀行。考慮到直接存款和自動付款等功能，轉移主要支票帳戶並非易事。
在我們設想的核心情景中，北美信用卡貸款和歐洲存款等利潤池很可能受到人工智慧的影響——雖然人工智慧不會完全介入，但足以讓選擇最佳信用卡、轉移餘額或轉移存款變得更加容易。這可能會影響到這些例子中高達30%的利潤池。最終結果是：整個行業的淨資產收益率可能會下降一到兩個百分點，甚至可能低於資本成本。
一線希望在於領先者與其他企業之間的差距：銀行業人工智慧先驅者的有形權益回報率(ROTE) 可能會提高多達 4 個百分點，他們可以利用領先優勢重塑模型並獲取價值，而行動遲緩者則可能面臨下滑。
馬特·庫克：德里克，隨著需求的變化，新一代技術型金融服務專業人才的招聘也在發生變化，內部培訓需求也是如此。摩根大通是如何應對這些變化的？
德里克·沃爾德倫：培訓需求多種多樣，就像人工智慧應用一樣。最好的方法是分階段進行。首先是全體員工：我們需要培訓他們熟悉並理解現有的人工智慧工具，並思考如何將其有效應用於日常工作中。我們大規模推廣了一個名為“輕鬆上手人工智慧”（AI Made Easy）的培訓項目，並持續更新。該項目反響熱烈，數萬名員工參與其中。我們通過摩根大通的螢幕、管理管道和員工大會開展行銷活動，鼓勵員工使用這些工具。口碑傳播也發揮了重要作用。
培訓需求多種多樣，就像人工智慧應用一樣。最好的方法是分階段進行。
另一類人群是技術人員，他們將越來越希望利用智能體或基因工程人工智慧建構複雜的應用程式。這方面的技能需要專門培訓。在此過程中，我們需要考慮新的框架、能力、方法和風險。
第三類是資料科學家。他們長期以來都擅長獲取資料、建構高品質模型並進行部署。我們不再需要從零開始建構模型。現在，我們採用來自第三方的強大模型，並將其部署到應用程式和系統中。資料科學家現在可以將他們的技能應用於系統的設計、評估和最佳化。先進的、前沿的資料科學能力正朝著這個方向發展。
最後，高管——包括首席執行官和企業領導者——需要重新構想營運模式、流程和職能。人工智慧的價值不僅僅在於為人們提供工具；企業領導者必須帶領跨職能團隊在人工智慧時代完成轉型。這又是另一項培訓需求。
馬特·庫克：傑米·戴蒙曾提到摩根大通擁有數千名新的人工智慧專家。LLM Suite對職位和工作類別產生了那些影響？
德里克·沃爾德倫：人工智慧技術正在創造新的機遇和需求，我們將看到新的職業類別湧現。其中最早出現的類別之一是提示工程師——這是一個全新的職業類別，他們並非軟體工程師或資料科學家，但能夠理解如何用大模型（LLM）能夠理解和執行的語言來傳達業務邏輯或目標。
提示工程師正在演變成我們所說的上下文工程師——負責將人工智慧系統所需的所有上下文資訊匯入其中，使其能夠做出正確的決策。另一個新興的職業類別是知識管理：將機構的知識和資料整理成易於人工智慧訪問和使用的形式。這需要進行整理和結構化，以便系統能夠清晰地導航並避免出錯。我相信這將成為企業中一個真正意義上的職業類別。
除了新的職業類別之外，現有角色也在不斷演變。軟體工程師需要提升技能，才能建構基於智能體和邏輯邏輯模型（LLM）元件的可擴展人工智慧系統。資料科學家需要提升技能，才能評估和最佳化端到端的機率系統。
提示工程師正在演變成我們所說的上下文工程師——將人工智慧系統所需的所有上下文資訊輸入其中，以便它能夠做出正確的決策。
馬特·庫克：您之前提到要鼓勵員工使用LLM Suite。您如何提升非技術人員的技能，使他們成為有效的輔助駕駛員？
德里克·沃爾德倫：我們的人工智慧訓練從簡單入手，逐步深入。第一階段：學習LLM（人工智慧學習模型）能做什麼和不能做什麼。第二階段：學習指令或問題的類型。
一旦熟悉了各項功能，我們就會著手學習如何建構有效的提示，包括框架、示例和限制條件。接下來，我們會探討更複雜的方法：例如，如何將學習領導力導師的角色從建立者轉變為稽核者，或者如何利用兩位學習領導力導師就某個概念展開辯論以激發更多創意。
自發佈以來，我們建構了更多模組來配合新功能，包括如何從多個來源進行深入研究，以及如何獲取多個資料集並進行複雜的分析。
凱文·布勒：隨著技術的進步，我們都處於快速學習的過程中。使用這些模型的人越多，對它們的侷限性和不足之處瞭解得越多，它們就能為機構創造越多的價值。
德里克·沃爾德倫：沒錯，培訓不僅僅來自集中組織的課程——向同行學習也很重要。在摩根大通，許多團隊迅速建立了提示庫、“每周提示”郵件和社交管道，用於分享高級使用者的創新經驗。口碑傳播是最好的培訓管道之一。
口碑是最好的培訓管道之一。
馬特·庫克：Kevin，人工智慧是如何影響大學畢業生的就業機會以及公司金字塔結構的？
凱文·布勒：這個問題問得正是時候。過去我只能提出假設和一些軼事，但現在我們有了確鑿的資料。很早我們就意識到，隨著人工智慧的興起，組織結構將會發生變化。現有組織可能會從金字塔形結構轉向更接近菱形的結構。一些人工智慧原生公司則希望採用更精簡的方尖碑或柱狀結構。
但直到最近我們才掌握了大量可靠的資料。過去幾個月裡，幾篇基於美國勞工統計局可靠資料的有趣論文相繼發表。以及來自 ADP 的工資資料。兩項研究得出的結論大致相同：人工智慧對入門級員工產生了切實但適度的影響。史丹佛大學的研究人員利用ADP的薪資資料發現，在受人工智慧影響最大的職業領域，22至25歲的初級職業員工的就業率在2022年末至2025年7月期間下降了6%。這很明顯。如果你是這個年齡段的大學畢業生，並且正在從事軟體工程或客戶支援方面的工作，你會發現，與同齡的醫護人員相比，情況截然不同。醫護人員的就業增長速度比年長員工更快。在此期間，在人工智慧應用較少的行業，同齡員工的就業情況保持穩定，甚至持續增長；而在人工智慧應用較多的行業，經驗豐富的員工的就業情況也保持穩定，甚至持續增長。
如果入門級員工減少，企業就需要思考他們應該扮演什麼角色？或許可以扮演德里克提到的一些新角色。未來領導者儲備減少的情況下，我們該如何以新的方式培訓和培養人才，才能仍然擁有豐富的人才儲備？
馬特·庫克：Kevin，你和你的同事們曾撰文討論過人工智慧投資的優先順序。為什麼優先順序如此重要？
凱文·布勒：優先關注重點至關重要，因為許多機構最終都會陷入概念驗證（POC）的泥潭，其試點數量甚至超過了美國航空公司。他們啟動了許多項目，但最終都未能投入生產，因此並沒有帶來顯著的經濟效益。最有效的做法是關注對自身經濟效益至關重要的核心工作流程。例如，如果你是一家汽車公司，那麼核心工作流程可能是供應鏈、製造、銷售和分銷。如果你是一家銀行，那麼核心工作流程可能是客戶註冊或抵押貸款和房屋淨值貸款——包括貸款發放、承銷、處理和支付以及後續服務。重要的是選擇適量的關鍵工作流程，並使用最適合的工具對其進行重新設計。這些工具可以是機器人流程自動化、傳統預測人工智慧、生成式人工智慧或智能體人工智慧。選擇合適的組合來重塑工作流程，並針對未來進行端到端的重新設計。這才是創造價值的途徑。
馬特·庫克：德里克，你如何看待這些優先事項？
德里克·沃爾德倫：凱文關於優先考慮避免概念驗證（POC）氾濫的觀點非常精闢。人們低估了將人工智慧解決方案從構思到開發再到生產的難度——這不僅關乎人工智慧本身，還關乎相關的軟體、業務流程、變更管理以及對人的影響。許多企業之所以深陷概念驗證階段，正是因為他們低估了這一點，導致無法擴展規模。
話雖如此，我們也不能過於字面地理解優先順序，而忽略了長尾創新。人工智慧是一項民主化技術，它賦予個人力量。一方面，我們必須專注於最重要的工作流程，並全力支援它們。另一方面，我們也要為員工提供自助工具，讓他們能夠進行創新。如果真正實現了自助服務，且開發成本接近於零，那麼最終有多少功能停留在概念驗證階段，多少功能最終投入生產，都無關緊要。
生成式人工智慧是一項民主化技術，它賦予個人力量。
凱文·布勒：人工智慧時代降低了准入門檻和成本。現在有很多優秀的低程式碼和無程式碼解決方案，組織中更廣泛的部門都可以採用。
德里克·沃爾德倫：我在摩根大通早期開展人工智慧項目時做過一項分析，當時我們正在決定重點發展方向。如果你觀察企業中的各種職位類別，你會發現一些非常龐大的類別——工程師、呼叫中心、前台——這些類別與優先順序排序相符。但除此之外，還有數量龐大的尾部類別。很大一部分工作都集中在這些尾部類別中，而這些工作永遠不會被納入優先順序排序的計畫。解決這些尾部類別問題需要通過普及化的自助服務工具來實現。
馬特·庫克：摩根大通在技術方面的投入巨大——比許多科技公司都多。該銀行計畫在2025年投入180億美元用於技術研發。如何確定投資優先順序以獲得投資回報率？
德里克·沃爾德倫：我們之所以在技術上投入巨資，是因為我們堅信，技術領先能夠帶來戰略優勢。在人工智慧領域，我們會進行嚴謹的財務分析，以瞭解整個人工智慧項目的投資回報率。自人工智慧項目啟動以來，我們歸功於人工智慧投入的總收益一直以每年約30%至40%的速度穩步增長，我們相信這一趨勢將會持續下去。我們之所以能夠得出這樣的結論，是因為我們擁有成熟的財務管理體系，在每個人工智慧項目啟動前和投入生產後，都會跟蹤其財務收益。
凱文·布勒：關於需要進行多少優先順序排序，目前存在爭議。如果按影響程度對項目進行排序，會發現一些需要大幅重組的領域，以及大量自助服務活動。如果把所有這些自助服務活動加起來，它們的影響與前幾個領域的影響總和相比如何？您的看法是什麼？
德里克·沃爾德倫：兩者都是重要的價值驅動因素。新一代人工智慧的民主化特性——面向長尾使用者，並支援自下而上的聯合創新——其價值遠超大多數人的認知。話雖如此，生產力的提升雖然能創造產能，但並不一定能轉化為成本的降低。節省一小時或三小時或許能提高個人生產力，但在端到端流程中，這些節省往往只是轉移了瓶頸。如果目標是降低成本或提升端到端指標（例如響應時間縮短 80%），則需要優先考慮整個流程，並從頭到尾重新構想。這兩種策略都至關重要。長尾使用者的價值或許不會直接帶來成本降低，但它能創造組織產能，最終體現在營運槓桿效應上。
馬特·庫克：摩根大通在分析和人工智慧方面的近期發展路線圖是什麼？
德里克·沃爾德倫：我們大約一半的員工每天都在使用人工智慧工具，因此下一個價值增長點不會來自更廣泛的應用。我們專注於兩件事。
首先，要提升工具的性能，這主要得益於摩根大通內部更強大的連接性。工具需要連接到更多的應用程式、資料和系統，才能提供更深入的洞察。由於技術堆疊的規模龐大且分散，這種連接對於各種規模的企業來說都是一項艱巨的任務。其次，要通過充分利用所有技術來最大化價值——運用這些工具重新構想並最佳化流程。
馬特·庫克：有沒有那個項目讓你特別興奮？
德里克·沃爾德倫：我最興奮的是推動互聯互通。我們每隔幾周就會向 LLM 套件生態系統中加入新的資料集、應用程式或連接。這意味著每個月我都會遇到上個月無法解決的新問題。
我們每隔幾周就會向 LLM Suite 生態系統中加入新的資料集、應用程式或連接。這意味著每個月我都會遇到上個月無法解決的新問題。
馬特·庫克：凱文，談到風險問題，未來五年，該行業應該為那些方面做好準備？
凱文·布勒：人工智慧的應用收益大於風險，但確實存在一些需要考慮的風險。我們來看幾個例子。大多數機構都面臨著如何保護包括客戶資訊在內的私人資訊安全的問題，確保工具能夠將這些資訊與LLM（大模型）的培訓資料完全隔離。這方面有很多方法可以做到，而且大多數機構都已經找到瞭解決方案。
我確實擔心影子IT：如果沒有像LLM Suite這樣的工具，人們很容易為了提高效率而使用市面上最大的消費級AI工具，輸入一些不該輸入的資訊。消費級AI工具並不一定有同樣的監管機制。目前，一些LLM工具的訓練過程中使用了不該輸入的資訊，引發了持續不斷的訴訟；我擔心這會對整個行業產生連鎖反應。我們需要一個解決方案——或許可以借鑑ASCAP和BMI近百年前解決音樂版稅問題的做法。
惡意使用確實存在問題。我聽說過一些非常逼真的深度偽造視訊。我還遇到過CEO和CFO詐騙，有人冒充CEO或CFO，而相關機構很難分辨出這些指令是偽造的。網路安全問題、中間人攻擊和魚叉式網路釣魚的發生頻率也越來越高。
當您以面向客戶的方式部署系統時，風險就會增加。大多數人都是從內部部署開始的。但面對客戶時，您需要更多保障措施。您肯定不希望LLM（大模型）系統擁有全部功能來處理客戶的信用卡地址變更；您需要的是精準的定製化服務。您可能需要設定一些防護措施，甚至需要其他模型來監控輸入和輸出，以確保模型能夠滿足特定用途，並且不會提供不應提供的意見。我們正在幫助大家確保這一點。
德里克·沃爾德倫：這份清單非常好。我還要補充一點，那就是智能體的訪問管理和權限。隨著智能體越來越廣泛，它們會訪問系統、應用程式和其他智能體憑證的傳遞和使用方式就成了一個棘手的問題。在智能體盛行的時代，業界需要提升身份和訪問管理框架。
隨著工具功能日益強大，人們不再只是提出問題，而是提出需要數分鐘甚至數小時才能自主運行的問題，信任問題也隨之而來。這些系統如何才能值得信賴？如今，稽核和驗證資訊來源輕而易舉。但當一個智能體系統長時間獨立地執行一系列級聯分析時，人們便會質疑如何才能信任它。我們需要創新來解決這個問題。
當一個智能體系統長時間獨立地進行一系列級聯分析時，就會引發人們質疑人類如何才能信任它。我們需要創新來解決這個問題。
凱文·布勒：我同意。還有一個相關的問題：我們通常依賴人來監督人工智慧。當模型的正確率達到 85%、90% 甚至 95% 時，人工稽核員可能會放鬆警惕，開始認為模型總是正確的。稽核員可能不會像應該的那樣仔細檢查輸出結果。
德里克·沃爾德倫：沒錯。當我們面對這些問題時，我們會意識到，我們與人工智慧系統合作和管理人工智慧系統的方式將越來越像我們今天管理人員的方式。我曾說過，人工智慧會讓每個人都成為管理者。
凱文·布勒：學習如何管理人工智慧是一項面向未來的技能。一家公司將技術主管和人力資源主管的職責合併在一起——由他們共同負責監督所有工作，無論這些工作是由人執行還是由機器執行。能夠同時勝任人力資源主管和技術主管這兩個職位的人並不多，但這確實是一個很有意思的想法。 (點滴科技資訊)