Thoughtworks数智金融首席战略官、大区负责人摩根大通（J.P.Morgan Chase）不仅是美国资产规模最大的银行，更在全球AI应用领域尤其是金融服务行业展现出卓越的领导力。其行业领导者地位无可撼动，已连续三年在“Evident AI Index”这一全球权威商业AI采纳与绩效基准评估中位列榜首，该指数全面衡量银行在人才、创新、领导力和透明度四大支柱上的AI成熟度。摩根大通的成功建立在几大核心支柱之上：自上而下的清晰愿景、坚实的数据与基础设施、系统性的人才培养、聚焦高影响力的应用场景、以及一体化的负责任AI 治理框架。其在AI 领域的战略蓝图、实践能力、资源投入、价值实现和行业影响力，使其成为金融行业数智化转型的灯塔。本文旨在深度剖析摩根大通的AI 战略，从顶层设计到落地实践，从技术投入到价值评估，全景式展现其AI 版图，并结合中国“人工智能+”等国家战略背景，为国内金融机构提供对标海外先进经验、构建差异化AI 战略的思考与启示。
摩根大通的AI信条：宏大愿景与战略蓝图
摩根大通的AI 战略是一项由CEO 杰米· 戴蒙（Jamie Dimon）及最高管理层主导的系统化工程，通过跨业务线的深度整合与规模化投资，将人工智能技术有机嵌入银行核心运营场景，成为驱动其业务创新与效率提升的重要引擎。摩根大通的战略目标是成为一家“AI 原生”（AI Native）的金融组织，将AI 深度融入其运营和战略决策的各个层面。CEO 戴蒙多次强调AI 的变革性潜力，甚至将其与历史上重大的技术发明相提并论。这种最高管理层的坚定承诺，是推动全公司范围大规模变革的关键驱动力。戴蒙认为，AI 对摩根大通未来的成功至关重要，不仅是提升效率的工具，更是保持竞争优势、甚至重塑行业格局的核心要素。他提出的“在亚马逊成为银行之前，我们先成为亚马逊”的著名论断，生动地体现了这种主动出击、兼具防御性和进攻性的战略思维。摩根大通在AI 领域的探索并非始于近期，该行在人工智能领域已有超过十年的耕耘历史。公司高层也认识到AI 对劳动力的影响，认为AI 更有可能增强而非简单取代大多数现有工作岗位，并承诺对受影响的员工进行再培训和重新部署。这种长远眼光和对人的关注，为其AI 战略的平稳实施奠定了基础。摩根大通的AI战略并非孤立存在，而是与其核心业务原则紧密相连。其AI应用的四大原则包括：卓越的客户服务、卓越的运营、诚信与责任和制胜文化。这些原则共同构成了摩根大通AI战略的价值导向。基于这些原则，摩根大通将AI应用聚焦于实现三大关键成果：• 提升客户体验：采用AI大规模理解客户需求，提供超个性化服务，建立更牢固的客户关系。• 简化运营流程：通过AI自动化重复性任务，加速决策，消除效率瓶颈，转变工作方式。• 加强风险管理与合规：利用AI分析海量数据集，实时监测欺诈，识别异常，确保满足监管要求。这种务实且严谨的方法论是摩根大通AI战略的显著特点。该行强调AI应用的可靠性和可扩展性，确保每一项AI举措都服务于核心业务目标，而非仅仅追求技术的先进性。摩根大通认为，成功的标准在于AI是否能够“引领变革和创造价值”，而不仅仅是部署了多少个AI应用案例。其AI战略的显著特征在于：宏大的规模、长远的眼光、以及与核心业务原则的深度整合，这一切都由最高管理层直接推动。这清晰地表明，AI在该行内部并非仅仅是一个部门级的技术项目，而是一项贯穿全公司的转型使命。为实现其AI雄心，摩根大通采取了“All-in AI”的全面数智化推进策略，其行动蓝图体现了转型的系统性设计与坚定的决心：• 顶层战略驱动：摩根大通设立首席数据与分析官职位，直接向CEO和COO汇报，负责统领全集团的AI战略、AI治理和AI应用。这确保了AI战略与最高层业务目标的高度一致和强力执行。• 聚焦高影响力用例：务实地选择和优先投入资源于能够产生显著业务影响的AI应用场景，避免盲目追逐技术热点。• 夯实基础能力：大规模投入构建AI所需的核心支柱――高质量的数据资产、现代化的云基础设施、顶尖的AI人才梯队以及前沿的内部研究能力。• 平台化赋能：通过构建如OmniAI等内部平台，提供标准化的工具、环境和流程，加速AI模型在全集团各业务线的开发与部署。• 负责任AI原则：将负责任地使用AI置于核心地位，建立跨学科团队（包括伦理学家、数据科学家、工程师、风险与合规专家）评估风险、制定控制措施，确保AI应用的公平、透明、安全和合规。摩根大通AI战略的核心逻辑是：以最高管理层愿景为指引，通过在数据、云、人才、研究四大基础支柱上的巨额战略投资，支撑起覆盖各业务线的AI产品组合的开发与规模化部署，并通过强大的内部平台（如OmniAI）和卓越中心（CoEs）加速这一进程，全过程贯穿负责任AI的治理原则，最终旨在实现效率提升、客户体验优化、风险管理强化和收入增长等核心业务目标。这种将AI深度嵌入业务战略，并由最高层推动的模式，是其成功的关键因素之一，表明AI在其内部被视为决定未来命运的战略要务，而非简单的技术升级。
驱动引擎：摩根大通的AI投资组合拳
摩根大通对AI 的投入是全方位、多层次的，涵盖资金、组织、人才、数据和基础设施，构建了一个相互强化的能力生态系统。2024 年摩根大通的科技预算高达170 亿美元，约占其业务收入的9.5%，其中明确用于推进AI 能力的投资达到13 亿美元，占技术预算的7.7%。此外，还有31 亿美元用于现代化云基础设施和加强安全，45 亿美元用于创造尖端产品和提升用户体验，这些投入也间接支撑了其AI 能力的建设。摩根大通不仅投入巨大，更注重投资回报。该行预计2024 年AI 将带来约20 亿美元的业务影响，此前也有预估AI 可增加每年约10 亿至15 亿美元的价值。这种对投资回报率（ROI）的明确关注，表明其AI 战略并非盲目跟风，而是经过了严格的商业论证。这些投资被战略性地分配到关键领域，包括采购高性能计算资源（如GPU 和专用AI 芯片）、扩展和升级数据中心（包括建设新设施和采用先进冷却、节能技术）以及构建强大的云基础设施，以支持日益增长的AI 工作负载需求。摩根大通3.3 万亿美元的庞大资产管理规模和2,740 亿美元的年收入，为其进行如此大规模的AI 战略投资提供了坚实的财务基础。摩根大通AI 战略的成功，离不开强有力的领导层承诺和精心设计的组织架构。CEO 戴蒙的持续推动至关重要，他任命Teresa Heitsenrether 为首席数据与分析官（CDAO），进一步凸显了数据和AI 在公司战略中的核心地位。组织结构上，摩根大通采用了矩阵式、伞形管理模式。公司层面设立CIO 和CDAO，同时在各业务条线和区域也配置了相应的CIO 和CDAO，并向公司级汇报。这种设计旨在确保战略的一致性与执行的灵活性。公司设立了三大主要技术部门：人工智能、机器学习与研究部（负责AI 应用和前沿探索）；软件工程、架构与开发部（涵盖区块链、数字体验和支付创新）；以及技术影响部（利用技术赋能ESG 业务）。此外，摩根大通特别强调业务与技术的深度融合。通过打破传统的前后台界限，让业务人员和技术人员集中办公、紧密协作，极大地提升了沟通效率和创新敏捷性。人才是驱动AI 战略的核心，摩根大通在AI 人才队伍建设上投入巨大。目前，该行拥有超过2,000 名机器学习专家、AI 专家和数据科学家，并计划将这一数字扩大至5,000 人。其科技员工总数已达57,000 人，占员工总数的20%。在人才引进方面，摩根大通积极吸引全球顶尖人才，包括博士和研究人员，并与高校建立合作关系。该行寻找的是具备“数字化思维”并精通计算机技术的人才。更重要的是，摩根大通大力投资于现有员工的技能提升和AI赋能。每年投入3亿美元用于员工培训，AI技能培训成为强制要求，特别是提示工程（Prompt Engineering）作为新员工入职的强制性培训内容。据统计，从2019年到2023年，摩根大通的AI培训时长增加了500%，Python被定为核心技能要求。摩根大通不仅培养人才，还为员工配备强大的AI工具。例如，其内部开发的类ChatGPT工具LLM Suite已推广给超过60,000名员工，旨在提高日常工作效率，如起草邮件和总结文件。这与公司高层认为“AI将增强而非取代工作”的观点相符，体现了其致力于打造一个人机协作、AI赋能的未来工作模式。数据和基础设施是AI成功的基石。摩根大通深谙此道，强调没有干净、可操作的数据和可扩展的系统，任何AI计划都无法成功。其数据战略的核心是JADE（JPMorgan Chase Advanced Data Ecosystem）平台。JADE提供统一、高质量的数据，是AI模型训练和部署的基础。该平台还集成了Databricks等专业AI平台，用于高级分析和机器学习操作，确保数据架构能够支持复杂的AI工作负载。为了加速AI在全行的开发和应用，摩根大通采用了数据网格（Data Mesh）架构。通过将数据分散到特定于产品的“数据湖”中，并利用AWS Glue数据目录，各业务团队可以快速访问和试验相关数据集用于训练AI模型。这种分布式方法在开发诸如“需要实时交易数据的欺诈检测模型”或“需要客户交互历史的个性化算法”等专业AI解决方案时至关重要，它在促进并行开发的同时，也确保了数据治理和安全。其数据战略被描述为自下而上和自上而下方法的结合，既鼓励基层创新，也保持必要的集中控制。在技术选择上，摩根大通采取了多云战略，利用AWS、Google Cloud和Microsoft Azure等领先云服务商的专业AI服务，以灵活部署各种AI模型，避免基础设施瓶颈。同时，该行也在整合其数据中心，计划最终保留约17个高度自动化、为AI密集型运算优化的数据中心。摩根大通的基础设施战略体现了灵活性：对于需要大规模、高频处理的核心银行业务（如每日处理10万亿美元支付），现代化的大型主机仍是主力；而AI应用的试点和开发则优先选择在云端进行，以利用其敏捷性和成本效益。面对AI带来的巨大算力需求和硬件供应链的挑战，摩根大通展现了其前瞻性规划能力。该行提前5到10年规划计算能力需求，并与硬件制造商、托管服务商和数据中心设计商紧密合作，以确保资源的及时获取和优化利用，力求“掌控自己的命运”。综上四点所述，摩根大通的成功并非仅仅依赖于先进的技术本身，而是建立在一个整体性的生态系统之上：这个生态系统由专门的组织架构、大规模的人才投资、以及先进的数据基础设施（JADE 平台和Data Mesh 架构）共同构成，这些要素相互依存、相互促进，缺一不可；同时，摩根大通正在积极管理AI 转型中的“人的因素”，其目标并非简单地用机器取代人力，而是要打造一支能够与AI 协同工作的增强型团队，这种主动的变革管理策略对于充分释放AI 的生产力潜力、减少内部阻力至关重要。
摩根大通的AI军火库：产品生态深度解析
摩根大通并非仅仅停留在战略层面，而是已经构建了一个庞大且深入业务场景的AI 应用组合，拥有超过400 个AI 用例已投入生产环境。这些应用遍及法律分析、交易执行、欺诈侦测、投资策略、员工赋能、客户服务、风险管理、市场营销和合规等多个关键领域，从后台运营到前台客户交互，都取得了显著的成效。1. 强化风险防范：AI在风险管理、欺诈检测与合规中的应用在风险管理和欺诈检测这一金融机构的核心领域，AI 发挥着关键作用。摩根大通利用AI 技术每天审查高达10万亿美元的金融交易流水，寻找潜在的欺诈迹象。其内部开发的先进反洗钱（AML）系统，每小时可分析超过200 万笔交易，实时检测可疑模式。这项技术的应用效果显著，使AML 流程中的误报率降低了95%。据预测，其AI 驱动的欺诈预测系统每年可节省高达2.5 亿美元。AI 和机器学习模型也被用于改进信贷风险、市场风险和操作风险的评估。例如，摩根大通利用AI 分析美联储官员的讲话措辞，以捕捉货币政策的潜在信号，辅助交易和风险决策；其Katana Lens 的风险管理工具将风险管理人员的生产力提高了25%，同时处理的业务量增加了35%，并将风险事件造成的损失减少了42%。在合规领域，摩根大通的COIN（Contract Intelligence）平台是其利用AI 提升效率的典范。该平台利用机器学习技术自动分析法律文件，能在几秒钟内处理12,000 份商业信贷协议，从中提取关键数据点。据统计，COIN每年为该行节省超过36 万小时的人工工作量，显著降低了合规成本并减少了人为错误。2. 提升客户互动：AI在客户服务与投资顾问中的应用改善客户体验是摩根大通AI 战略的另一大重点。该行在呼叫中心部署了AI 驱动的语音识别和身份验证技术（Voice ID），通过创建独特的声纹来验证客户身份，有效缩短了客户等待时间。同时，AI 工具被提供给约8 万名呼叫中心员工，在通话过程中为他们提供实时的解决方案和建议，提升服务效率和质量。聊天机器人（Chatbots）的应用也日益广泛，据统计每周可自动处理超过3 万次客户对话。内部AI 助手Iris 能够解决40% 的客户问题，无需人工介入，并将平均等待时间从5 分钟缩短至30 秒以下，客户满意度（NPS）也因此提升了15 个百分点。在投资顾问领域，摩根大通推出了名为IndexGPT 的AI 工具。该工具利用类似GPT-4 的生成式AI 和自然语言处理（NLP）技术，通过分析新闻报道来构建主题投资组合。其独特之处在于能够识别与特定新兴趋势相关的、可能被传统方法忽略的公司，IndexGPT 能够生成比传统软件多一倍以上的关键词，从而更全面地捕捉主题投资机会。此外，AI 也被探索用于增强财富管理顾问的能力，例如通过分析顾问笔记和客户沟通记录来提供更深入的洞察 。除了风险和客户服务，AI还在优化摩根大通的内部运营效率方面发挥着重要作用。在交易执行方面，LOXM平台利用机器学习和强化学习技术，优化在全球股票市场中的交易执行策略。该平台通过分析海量市场数据、预测价格变动，以最小化市场冲击和交易成本的方式执行交易。据报道，LOXM将交易决策延迟从50毫秒降低到5毫秒以下，并将算法交易的胜率从52%提升至超过60%，通过优化订单路由节省了2,500万美元的滑点成本。在提升内部员工生产力方面，LLM Suite帮助大量员工简化了日常任务。另一项重要的应用是AI编码助手，该工具将软件工程师的开发效率提升了10%到20%，使他们能够将更多时间投入到更具价值的AI和数据分析项目中。此外，AI还被用于支付验证筛选、利用光学字符识别（OCR）技术每月处理超过200万张支票，以及通过NLP技术将文件处理时间缩短40%。摩根大通对其AI投资的回报有着清晰的衡量标准，是少数公开报告AI用例ROI的金融机构之一 。对于AI应用的评估，摩根大通不仅仅停留在技术层面，更注重其产生的实际业务价值 。摩根大通将AI技术广泛渗透到整个价值链中，涵盖了传统意义上的成本中心（如风险、合规）以及直接驱动收入增长和客户体验的前台业务（如客服、投资）和提升内部效率的运营环节。这种应用的广度本身就标志着其AI整合战略已达到相当成熟和普及的程度。在众多应用中，摩根大通在提升运营效率方面取得的显著且可量化的成果尤为引人注目，例如COIN平台节省的大量工时、AI编码助手带来的生产力飞跃、以及文件处理时间的缩短。这表明AI正在从根本上改变摩根大通的内部运作方式，不仅直接呼应了其追求“卓越运营”的核心原则，更为其带来可持续的成本优势，并将人力成本解放出来投入到更高价值的创造性工作中。
未来展望：AI浪潮下的金融新格局与中国路径
摩根大通的AI实践为全球金融业提供了一个极具价值的参考范本。其成功并非偶然，而是源于高瞻远瞩的战略视野、坚定不移的资源投入、系统性的能力建设（人才、数据、平台）、对业务价值的执着追求、开放合作的生态思维、以及对风险与责任的高度重视。这些要素共同构成了其在AI浪潮中乘风破浪的“数智罗盘”。对于国内金融机构而言，AI已不再是锦上添花的选项，而是关乎未来生存与发展的核心竞争力。我们必须意识到，对标摩根大通并非简单的复制粘贴，而是要汲取其战略思维的精髓，结合中国独特的政策环境、市场需求和自身禀赋，走出一条具有中国特色的金融AI发展之路。近年来，国内金融机构在国家战略的推动和蓬勃发展的国内AI生态支持下，正积极拥抱AI技术，展现出显著的投入决心和应用实践：• 大幅提升战略投入：领先金融机构纷纷将AI置于组织战略核心地位，并投入巨额资金。例如，工商银行2024年全年科技投入285.18亿元，占营业收入的3.47%，其以 “数字工行” 为核心战略，构建 “科技+金融+生态” 三位一体模式，并建成千亿级金融大模型 “工银智涌”。• 积极拥抱前沿模型：国内的金融机构正快速部署和应用国内领先的AI大模型，特别是像DeepSeek这样的高性能开源模型。工商银行、邮储银行、浦发银行等已将DeepSeek模型集成到自身的大模型矩阵或应用中。• 广泛应用数智场景：国内金融机构的AI 应用场景与全球趋势基本一致，涵盖智能客服、运营增效、信贷审批与风险控制等核心领域。据招行年报披露，其落地大模型应用场景数已超120 个，涵盖零售及对公客户服务、风控、运营、办公等领域，全年智能化应用实现替代工时数达到2,600 万小时。• 依托金融科技生态：国内的金融机构在一个充满活力的金融科技生态中运营，这个生态由阿里、腾讯、字节、华为等科技巨头主导，它们提供AI 平台、云计算和基础模型服务。银行既是这些平台的用户，也是合作伙伴。同时，像平安科技这样的机构也向其他金融机构输出技术服务。综合来看，国内金融机构正在展现出快速采纳先进AI 技术的势头，并深受其独特的生态系统和政策环境影响：这种由政府战略引导（“人工智能+”写入政府工作报告）、科技巨头平台支撑（BAT、华为等既是技术供应商，更是生态构建者）、活跃初创公司创新（以DeepSeek 为代表的AI 初创公司充满活力，并获得政府基金或风险投资的支持）、以及日渐兴盛的开源运动（众多模型选择开源，促进了技术共享与合作，加速生态创新迭代）共同构成的复杂生态系统，为国内金融机构提供了多样化的技术选择和发展路径，但同时也要求它们具备在其中审慎选择合作伙伴、平台和技术路线的战略眼光。未来已来，唯变不变。国内金融机构必须主动拥抱AI 变革，将AI 深度融入战略、业务与文化之中，方能在这场由数据和智能驱动的时代洪流中，把握先机，重塑优势，为中国经济的高质量发展贡献强大的金融动能。
标杆案例来源：Thoughtworks数智金融服务
作为一家全球软件与技术咨询公司，Thoughtworks数智金融服务一直致力于整合自身在 数智战略、客户体验、产品创新、数据现代化、人工智能、卓越工程、平台现代化和数字应用管理和运营等方面的能力，助力金融机构通过数字化转型实现高质量、可持续发展。
目前，Thoughtworks已经为上百家国内外领先的金融机构提供数字化转型咨询和交付服务，覆盖了国有商业银行、全国性股份制银行、区域性商业银行、外资银行、保险、券商、投行、信托、基金等金融机构及金融科技公司。
第七届 AiDD峰会（北京）将于8月8-9日举办。本届峰会共设5大条线，16大论坛，80+最新实践案例。其中，“AI+金融业务创新论坛”围绕大模型赋能金融服务、智能风控体系构建、客户洞察与精准营销、用户体验创新等主题展开深度研讨。通过探讨行业典型案例与前沿技术实现路径，帮助与会者洞察如何运用AI与金融业务深度结合，提升业务效率与风控水平，进而赢得竞争优势。欢迎大家报名参会，与近百位AI行业大咖共同探索AI新纪元！
加入智库
成为客户
