由 Simon 摩根大通180亿美元豪赌AI，效益年增40%却裁员10%？这场震撼转型背后，是效率飞跃还是人力代价的残酷争议？
摩根大通的人工智能战略正在带来可量化的回报，但代价是人力成本的削减。这家银行对此并不讳言。随着20万名员工每日使用其自研的LLM Suite平台，且AI带来的效益正以每年30-40%的速度增长，这家美国最大的银行正在执行其首席分析官德里克·沃尔德伦所称的、旨在打造全球首个“全面AI互联企业”的计划。
支撑这场转型的基石是什么？ 答案是每年高达180亿美元的技术预算、超过450个投入生产的AI应用案例，以及一个荣获《美国银行家》杂志“2025年度创新大奖”的平台。然而，摩根大通坦承其运营人员将至少减少10%，这揭示了企业级AI在宣传头条之外的复杂性。
LLM Suite于2024年夏季发布，通过自愿采用的策略，在八个月内吸引了20万用户。沃尔德伦称，这创造了“健康的竞争，推动了病毒式普及”。
这不仅仅是一个聊天机器人：LLM Suite作为一个“完整的生态系统”，将AI与全公司的数据、应用程序和工作流程连接起来。其模型无关的架构整合了OpenAI和Anthropic的模型，并每八周更新一次。
成效显著：投资银行家能在30秒内生成五页的演示文稿，而这项工作过去需要初级分析师数小时。律师可以扫描和生成合同。信贷专员能即时提取契约信息。呼叫中心工具EVEE智能问答通过情境感知响应，缩短了问题解决时间。
沃尔德伦在2025年10月告诉麦肯锡：“略低于一半的摩根大通员工每天都在使用生成式AI工具。人们以成千上万种与其工作具体相关的方式在使用它。”
摩根大通在单个项目层面追踪投资回报率，而非全平台的虚荣指标。自启动以来，AI带来的效益实现了30-40% 的年同比增长。
该战略结合了自上而下对变革性领域（信贷、欺诈、营销、运营）的重点关注，与自下而上的民主化推广，允许员工在其工作领域内进行创新。
麦肯锡的凯文·布勒估计，整个银行业有7000亿美元的潜在成本节省空间。但其中大部分将通过竞争让利给客户。行业的平均有形股本回报率可能下降1-2个百分点，而AI先行者相较于行动迟缓者，可能获得高达4个百分点的提升。
沃尔德伦承认，生产力的提升不会自动转化为成本削减。“这里节省一小时，那里节省三小时，可能提高个人效率，但在端到端的流程中，这些零散的节省往往只是转移了瓶颈。”
摩根大通的消费者银行业务负责人宣布，随着银行部署能够处理多步骤任务的“智能体AI”，运营人员将至少减少10%。
该行正在构建能够独立执行级联操作的AI智能体。沃尔德伦向CNBC演示了该系统如何在30秒内创建投行演示文稿并起草机密的并购备忘录。
AI青睐面向客户的岗位——私人银行家、交易员、投资银行家。面临风险的是处理账户设立、欺诈检测和交易结算的运营人员。
新的岗位类别正在涌现：“情境工程师”确保AI系统获得恰当信息，知识管理专家，以及负责构建智能体系统的技能提升型软件工程师。
斯坦福大学研究人员分析ADP数据发现，在受AI影响的职业中，早期职业工作者（22-25岁）的就业人数从2022年底到2025年7月下降了6%。
摩根大通的透明度也延伸到了承认重大的执行风险。
如果没有企业级工具，员工可能会使用消费级AI，从而暴露敏感数据。摩根大通为此构建了内部系统以确保安全与控制。
当AI的正确率在85-95% 时，人类审核员可能会停止仔细检查。错误率在规模效应下会叠加放大。
沃尔德伦告诉麦肯锡：“当一个智能体系统长时间独立执行一系列级联分析时，就会引发人类如何信任它的问题。”
许多企业陷入“概念验证地狱”——大量试点项目因低估集成复杂性而从未投入生产。
沃尔德伦告诉CNBC：“技术的能力与企业完全捕获这种价值的能力之间存在差距。”即使有180亿美元，完全实现也需要数年时间。
尽管有规模优势，摩根大通的方法仍提供了可复制的原则：
* 普及使用但不强制：自愿采用策略创造了病毒式普及。
* 安全第一：尤其是在受监管行业。
* 实施模型无关架构：避免供应商锁定。
* 结合自上而下转型与自下而上创新。
* 按受众细分培训。
* 在项目层面严格追踪投资回报率。
* 承认复杂性并相应规划：摩根大通花费了超过两年时间构建LLM Suite。
并非每家企业都有180亿美元的技术预算或20万员工。但核心原则——民主化、安全第一的架构、避免供应商锁定和财务纪律——适用于各行各业和不同规模。
摩根大通的AI战略代表了企业级AI最透明的案例研究——包含了行业领先的采用指标、可量化的投资回报率增长，以及对劳动力结构调整的坦率承认。
该行的成功因素很明确：巨额资本投入、模型无关的基础设施、普及使用与财务纪律相结合，以及现实的时间表。但沃尔德伦对信任挑战、能力与执行之间的“价值差距”以及未来多年旅程的坦率，表明即使是180亿美元和20万积极参与的员工，也无法保证转型一帆风顺。
对于正在评估自身AI战略的企业而言，摩根大通的教训并非规模解决一切——而是对机遇和执行风险的诚实评估，才能将真正的转型与昂贵的实验区分开来。
问题不在于摩根大通的AI战略是否有效。而在于10%的劳动力削减和长达数年的复杂性，是否是为了换取30-40% 的年效益增长而可以接受的代价——以及有多少其他企业有能力去探索这个答案。
—
延伸思考：
1. 效率与就业的权衡：摩根大通的案例显示，AI在带来巨大效率提升的同时，也必然伴随特定岗位的削减。在更广泛的社会经济层面，我们应如何设计政策和再培训体系，以缓解技术性失业的阵痛，并引导劳动力向新兴的高价值岗位（如“情境工程师”）转移？
2. 信任与控制的悖论：当AI智能体能够独立执行复杂、级联的任务时，人类监督的深度和有效性将面临挑战。在企业追求高度自动化的过程中，如何建立可靠的人机协同与审核机制，防止“自动化偏见”和错误在系统中的累积放大，确保最终的责任与控制权仍掌握在人类手中？
*编者注：本分析基于麦肯锡2025年10月对德里克·沃尔德伦和凯文·布勒的访谈、CNBC 2025年9月对LLM Suite的独家演示、《美国银行家》2025年6月的年度创新报道，以及斯坦福大学关于AI就业影响的研究。*
阅读 ArtificialIntelligence News 的原文，点击链接。