作为美国历史最悠久且持续经营的银行之一,纽约梅隆银行(BNY Mellon)在人工智能(AI)领域迈出了具有象征意义的一步:在内部发布会中推出升级版的Eliza平台,并透露近乎普遍的员工培训覆盖率 - - 98%的员工接受了生成式AI的相关培训。这个消息不仅反映了BNY Mellon对技术转型的野心,也预示着大型金融机构在如何将AI嵌入日常运营与客户服务方面正在进行深刻变革。 Eliza的角色与升级重点 Eliza自2024年发布以来,逐渐成为BNY Mellon内部定制化AI能力的核心载体。平台的命名带有历史意味,以亚历山大·汉密尔顿(Alexander Hamilton)夫人Eliza为名,既是对银行历史传统的致敬,也传达出在传统与创新之间寻求平衡的意图。新一代Eliza着重于跨来源的数据访问能力,能够将来自银行各个业务中心的内部数据与实时市场数据整合,提升响应客户咨询和生成报告的速度。 在实践层面,BNY Mellon提到Eliza可加速支票及交易处理、自动化账户对账、修复支付流程中的异常,以及辅助开发代码与撰写客户简报等。
升级后,员工据称可以用几分钟而非几小时完成某些类型的客户简报,这类时间效率的提升意味着在客户沟通、产品交付与决策支持上的实质性改进。 人才与培训:从技能普及到日常应用 BNY Mellon声称98%的员工已接受生成式AI培训,这一覆盖率在金融界相当罕见。培训不仅是技能传授,更强调"在岗使用"的流畅度。BNY领导层将AI能力视为"新增产能",并鼓励员工在日常工作中将Eliza作为提高效率、减少机械性工作的工具。对于分布在前台、后台与中台的不同岗位而言,AI带来的影响各有侧重:前台员工可借助AI快速响应客户问题并准备投资或托管报告;中后台则能通过自动化流程减少人工干预,提高事务处理的自动化率与准确性。 技术治理与安全防护:围墙花园与红队测试 在金融领域,合规与数据安全是任何新技术部署的核心考量。
BNY Mellon采用所谓的"围墙花园"(walled garden)策略来训练其系统,通过受控的数据环境维护数据主权与可审计性,同时引入外部大模型提供方如Anthropic、Google与OpenAI的能力作为底层算力或推理引擎。为了检验系统抗攻击性与稳健性,BNY进行红队测试以模拟网络攻击与对抗性场景,这有助于发现模型在恶意输入或边缘条件下的脆弱点。 这种混合策略兼顾了自有数据隐私与外部领先模型能力,但也提出了持续治理的挑战。关键问题包括如何保证训练数据和实时推理过程中不外泄敏感信息,如何在模型更新和外部API变动时保持业务连续性,以及如何在审计或监管要求下提供可解释性与追踪能力。 行业背景与竞争格局 研究机构Evident在其追踪报告中指出,在被监测的50家大型银行中,所有公司都在某种程度上提到了AI。BNY Mellon此前在Evident的排名中位列第14,领先者包括摩根大通与Capital One等已将AI深入到多个核心业务的银行。
BNY此番升级努力可能会提升其在AI应用上的地位,但竞争并非仅是技术谁更前沿,更多体现在数据治理、合规合力、人才培养与客户落地场景的深度整合上。 金融机构在AI路线上的差别化不仅来自模型本身,还来自业务流程重构、系统集成与文化适应的能力。例如,有的银行倾向于从客户交互层面率先部署AI助手,有的则优先优化结算与监管报告等后台流程。BNY将Eliza作为内部生成代理(bespoke agents)的平台,允许员工自定义工具来处理特定任务,这种"工具化、可定制"的策略有利于将AI更快地推向多样化的应用场景。 合规、法律与道德考量 在监管密集型的银行业,AI的应用面临严格的合规审查。BNY强调"流利掌握AI不再是可选项",但这并不意味着全面放权给模型。
数据使用必须遵循隐私法规与客户合同条款,尤其在涉及跨境数据流、托管资产信息或敏感交易记录时。金融监管机构越来越关注AI导致的模型风险、解释性问题以及潜在的系统性风险。当大规模模型参与信贷决策、交易建议或反洗钱监测时,如何建立可追溯的决策链路、并向监管方证明模型的稳健性与公平性,成为银行必须解决的关键问题。 此外,道德层面的考虑不可忽视。例如模型可能会在训练数据的偏差下产生不公平的推荐或判定,或者在自动化流程中无意中放大操作风险。BNY在内部采用红队测试是积极举措,但真正可持续的是在模型开发、部署与后期监控中建立完整的治理框架,包含数据治理、模型验证、持续监控与应急回滚机制。
对员工与组织文化的影响 当近乎所有员工都能接触并使用AI工具,组织的工作方式与人才需求会发生结构性变化。BNY通过广泛培训提高员工AI素养,一方面是为了提升日常工作效率,另一方面也是为了降低对少数AI专家的依赖,使业务团队能更灵活地利用AI创造价值。这对人才管理提出了新的要求:一方面需要加强技术型和数据型人才的招聘以维护和优化平台,另一方面也需要提升普通业务人员的数字思维与风险意识。 这种变化既带来机会也伴随焦虑。AI将替代部分重复性劳动,但同时会创造新的岗位需求,例如AI治理专员、数据注释管理、模型监控与业务流程重构专家。银行需要通过再培训、岗位转型与激励机制,促进员工在技术演进中的平稳过渡,避免技能错配和人员抵触。
客户视角与服务创新 对于BNY的企业客户而言,Eliza的升级意味着更快速、更精确的服务交付。对大型机构投资者、资产管理公司或企业财务部门而言,能在几分钟内获得个性化的市场简报或操作建议,大幅缩短决策周期与响应时间。另外,自动化对账与修复支付异常的能力能降低运营成本、减少人为错误并提高客户信任度。然而,客户同样关切数据处理的合规性及安全性,他们期望银行能透明解释AI如何使用其数据、如何保障隐私与合规。 投资者角度:AI能否转化为可量化的收益 虽然AI在提高效率、改善客户体验方面的潜力巨大,但金融机构将其转化为可量化财务收益并非易事。Evident在其报告中指出,跟踪的银行中只有少数报告了AI带来的实际财务影响。
BNY的挑战在于把内部效率提升转化为可持续的成本节约或收入增长,同时在财务报表与投资者沟通中清晰量化这些效益。 实现可量化收益的关键在于将AI嵌入核心业务流程,而非仅限于实验或边际优化。能够通过Eliza实现自动化的事务处理、减少人工纠错比例、提高客户保留率或缩短产品上市时间,将直接反映在成本结构和营收增长中。与此同时,机构需要谨慎评估AI投资的长期回报期,确保合规投入与技术维护的预算合理配置。 风险管理与连续性应对 技术风险与运营连续性是部署AI时必须优先考虑的议题。BNY使用外部模型提供商的技术能力需考虑供应链风险、服务中断与合约条款的变动。
此外,AI系统可能在极端市场条件下表现不稳定,银行需要建立应对措施以避免在市场波动期间出现系统性错误。 建立多层次的防护体系包括数据中心冗余、模型备份、手工操作的快速回退通道以及周期性的压力测试。定期的安全审计与合规检查有助于发现潜在风险并修正流程。同时,透明的沟通对内对外都很重要:员工需了解何时应求助于人工审查,客户需明确何种服务由AI驱动以及相关的保障措施。 未来展望:从效率工具到决策伙伴 Eliza的升级代表了银行业在AI应用上由试点走向规模化的一种趋势。从短期看,AI首先在提高效率、降低错误率与加速信息处理上展现价值;从中长期来看,高质量的数据治理与强有力的模型监管将决定AI能否成为真正的决策伙伴。
BNY若能把Eliza打造成一个安全、可控并能跨部门协同的智能平台,就有可能在托管服务、资产服务与机构业务中形成差异化优势。 对其他金融机构而言,BNY的做法具有借鉴意义:广泛提升员工AI素养、建立围墙花园式的数据治理、将外部模型与自有数据能力相结合、并以红队测试强化安全性,都是在监管高压下推进AI的可行路径。然而,每家银行的组织结构、客户群与风险偏好不同,无法复制一模一样的策略,关键在于根据自身业务特点设计落地路径。 结语 BNY Mellon通过升级Eliza并实现近乎普及化的员工AI培训,展示了金融机构在面对新一轮技术变革时的积极姿态。虽然技术本身不是万能钥匙,但当它被嵌入到严密的治理框架与现实业务流程时,所释放的效率与创新潜力不容小觑。未来几年内,如何在合规、安全与效率之间找到平衡,将决定哪些银行能真正将AI转化为可持续竞争优势。
对于监管者、客户与员工而言,关注点应当同等分布在能力建设、透明治理与持续监督之上,以确保AI既能提升服务质量,也能保障金融体系的稳健运行。 。
