Runwise 增长研究院

2026-08-05

Runwise 增长研究院

08/05/2026
企业AI创新, 新金融

摩根大通8个月让20万员工接入LLM Suite，但关键不在规模，而在建设顺序：先统一模型无关的抽象层与风险控制，再逐层开放业务能力。

一句话看懂：摩根大通在8个月内让20万名员工完成生成式AI平台接入，其创新核心不是给员工一个“银行版ChatGPT”，而是先在模型与业务之间搭建统一入口，把模型选择、数据安全、成本、权限和风险评估变成公共能力。它追求的不是一个模型包打天下，而是在模型快速更替、监管责任不变的条件下，让不同业务可以安全使用不同能力。这条路仍在早期：20万接入证明平台能够铺开，15万周使用说明平台已形成持续采用信号，约100个生产级生成式AI方案则证明部分场景跨过试验；但用户自报节省时间不是审计后的成本下降，生产方案数量也不是利润。

20万人有了AI入口，为什么仍不能把它写成20万活跃用户？

2024年夏季，摩根大通开始向合资格员工推出内部生成式AI平台LLM Suite。到2025年6月，公司给出的口径是：平台在8个月内从零增加到20万名完成接入的用户。同期Investor Day材料称，全球已有超过20万名员工获得访问。对一家高度受监管、2025年末拥有318,512名员工的银行来说，这个推广速度很少见。

但“接入”不是“活跃”，更不是“产生经营结果”。摩根大通在不同时间和主体中披露了三个不可互换的数字：20万指2025年前后的完成接入或获得访问；2025年年报中的商业与投资银行股东信称，该部门有超过6.5万名同事活跃使用LLM Suite，但没有定义频率；到2026年2月，Jamie Dimon在集团投资者活动中称，15万人每周使用这一平台。后一个数字给出了集团周使用信号，却不能除以前一个时点的20万来计算所谓75%周活率，因为2026年当期获得权限的总人数并未同步披露。

这恰好点出本案真正值得研究的反差。摩根大通的创新，不是给员工买了一个“银行版ChatGPT”，而是先在模型与业务之间搭建统一入口，把模型选择、数据安全、成本、权限和风险评估变成公共能力；再让低风险知识任务先普及，让内部数据和专业流程按风险逐层接入。它追求的不是一个模型包打天下，而是在模型快速更替、监管责任不变的条件下，让不同业务可以安全使用不同能力。

这条路也仍在早期。20万接入证明平台能够铺开，15万周使用说明平台已形成持续采用信号，约100个生产级生成式AI方案则证明部分场景跨过试验；但用户自报节省时间不是审计后的成本下降，生产方案数量也不是利润。对管理者更有价值的问题因此不是“要不要上大模型”，而是：当AI开始读取公司知识、接触客户信息并进入业务动作时，企业先统一什么，才能让创新速度不跑到责任之前？

一、它面对的处境：银行不能把公共模型当成普通办公软件

普通企业试用生成式AI，最容易从文案、会议纪要和头脑风暴开始。银行却不能只看任务是否低风险，还要看输入里有没有客户信息、交易数据、投资观点、合同条款或内部控制记录。员工若为了省十分钟，把不该外传的内容输入消费级AI，效率收益可能很快变成隐私、知识产权和监管问题。

各部门自行采购也不是理想答案。消费银行、投行、财富管理、法务、运营和技术团队可以分别选模型、签合同、接数据，但这会把同一组工作重复很多遍：供应商尽调、模型测试、数据处理条款、权限管理、使用日志、成本核算和版本升级。模型每几个月就变化一次，部门级工具越多，组织越难回答“哪个模型处理了哪类数据、谁批准、输出进入了哪个流程”。

摩根大通还背负着庞大的技术遗产与业务规模。公司披露其技术环境包含6,000多个应用和接近1艾字节数据。通用模型可以读一份文档，却不会自动理解不同法律实体、客户授权、业务条线和数据敏感等级。若让模型直接碰生产系统，风险也不再局限于“答案写错”：它可能给客户错误信息、生成不合规内容、访问不该访问的数据，甚至触发错误交易。

所以，银行面对的不是“模型够不够聪明”，而是两个速度不一致：模型能力以月为单位迭代，监管、风险和业务责任却必须持续稳定。摩根大通的解法，是把会变化的模型与不能轻易变化的企业控制分开。

二、它做了什么：把模型放在统一入口之后，再按后果开放能力

1、先做模型无关的抽象层，不让业务绑死在一家供应商上

摩根大通在2025年Investor Day把LLM Suite定义为“模型无关”的生成式AI平台。其含义不是银行自己训练了一个万能大模型，而是在员工和第三方模型之间建立抽象层：业务应用面向统一平台，平台再接入经过评估的模型。不同模型擅长综合推理、代码或复杂文档分析，员工和应用可以按任务选择，而不必让每个团队分别重做连接。

这项设计首先解决的是更换成本。若合同分析工具直接写死某一模型，一次版本变化就可能迫使团队重新开发、测试和审批；通过抽象层，模型可以在平台内部替换，业务应用与权限框架相对稳定。American Banker对管理层的访谈还显示，新模型进入LLM Suite前，会接受安全性、适用场景和用例匹配测试。

统一层也让算力成本第一次可以按共同口径管理。American Banker介绍，平台采用按使用量计费的计算模式；这意味着不同业务不必各自预留一套模型容量，中央团队可以观察任务、模型与消耗之间的关系，再把昂贵模型留给真正需要复杂推理的场景。对拥有数十万员工的组织，模型单价的细小差异乘以调用规模，最终会成为真实预算问题。成本路由因此不是采购部门的附属工作，而是平台架构的一部分。

但“模型无关”不等于没有依赖。模型仍由外部供应商提供，价格、版本、服务稳定性和数据处理方式都会变化；同一提示换一个模型，输出也可能不同。抽象层降低的是架构绑定，不会取消重新验证和第三方风险管理。摩根大通真正统一的不是答案，而是接入模型必须经过的门。

2、把受控环境做成员工默认入口，先减少影子AI

平台的第二个作用，是给员工一个比公共聊天工具更合规、也足够容易使用的替代选择。公司年报称，LLM Suite把领先生成式AI能力放到员工桌面，并在受控环境中保护客户和公司数据。首批任务集中在构思、内容起草、写作和文档总结，错误半径相对可控，也更容易形成使用习惯。

这个顺序很重要。若企业只发布“不得使用公共AI”的禁令，需求不会消失，员工仍可能寻找更方便的个人工具。McKinsey资深合伙人Kevin Buehler在与摩根大通管理层的同场访谈中提出一项第三方风险判断：没有类似内部平台时，员工可能为了提高效率，把不应输入的信息交给消费级AI工具。统一入口因此既是创新基础设施，也是行为治理手段——企业不是单纯堵住外部工具，而是提供一个可用的内部选项。

8个月完成20万用户接入，说明这种“先给入口”的推广策略有效。不过，广泛接入本身只完成了第一层。获得账号的人可能偶尔试用，也可能每天使用；有人只改写邮件，有人已把模型接进业务应用。组织若只追踪注册或权限，很容易把平台覆盖误写成业务价值。

3、先让低风险知识任务普及，再逐步连接内部数据

LLM Suite早期被定位为通用生产力工具。公司官方材料列出的任务包括构思、内容生成和文档起草；American Banker对管理层的访谈还披露，法律团队用它分析合同，银行家用它准备客户演示、起草邮件和报告。这些例子证明平台已经进入真实知识工作，但不等于合同判断、客户沟通或专业研究可以脱离人工复核。

随后，摩根大通才逐步增加受控知识。公开资料提到的连接包括公司订阅的新闻和财报电话会资料库；2025年官方路线图则提出接入更多内部数据源。到2026年2月，公司在正式投资者活动中表示，员工正在从头脑风暴和总结，转向通过内部API把生成式AI安全接入面向业务的应用和日常流程。

这不是一次性“喂给模型全部数据”，而是分层开放。研究资料、合同、客户记录和交易数据的敏感度不同，能否读取还取决于员工原有权限和具体用途。LLM Suite提供共同入口，数据是否进入某个用例，仍需要业务、技术、风险和合规共同决定。平台规模越大，最小权限和数据可追溯越重要，否则“统一”只会把一次越权放大成全企业问题。

4、用通用平台与专业应用双层推进，不把聊天次数当成业务落地

摩根大通没有要求所有AI价值都在LLM Suite聊天窗口里产生。通用层服务大量员工的写作、总结、构思和资料处理；专业层则把模型嵌入合同、客户、开发、运营或服务流程。American Banker披露，法律团队可用平台分析合同，银行家准备客户演示、邮件和报告。这些是工作流证据，不是无人审核的端到端自动化。

更专业的生产系统与通用助手并行。消费与社区银行的呼叫中心使用AI帮助坐席更快预判和回答客户问题；软件工程师获得代码助手；商业与投资银行的交易筛查、客户洞察和风险管理也在引入AI。这里必须划清口径：这些系统不一定都由LLM Suite直接驱动，其中不少还结合了传统机器学习、规则和专用数据。

2025年Investor Day材料给出了阶段性规模：超过4万名工程师配备或获得AI代码助手，约100个生成式AI解决方案已进入生产。另一个“500多个生产用例”来自公司2025年Innovation Week官方页面，指的是全部AI技术，不只是生成式AI。准确的理解是，LLM Suite提供公共入口和共享能力，专业团队则在此基础上或旁边建设面向具体流程的生产方案；二者共同推进，但不能被算成同一个产品成绩。

用同样的框架诊断你的业务

摩根大通用统一风险边界为20万员工打开AI入口，你的企业是否也已厘清模型选择与数据安全的公共能力？用AI顾问诊断你的AI成熟度，看看下一步该先统一什么。

免费体验 Upskill AI 顾问 →

双层结构解决了中央团队与业务团队之间的矛盾。中央团队不可能替30多万名员工开发所有专业工具，业务团队也不应各自绕过安全与采购。统一平台提供模型、接口和控制，业务人员贡献场景与反馈，专业团队再把高价值需求做成可维护的生产应用。公司所说的“citizen developer”由此才有现实边界：员工可以提出和组合用例，但生产责任不会因为“自助”而消失。

5、把模型风险、隐私和审计按用例后果嵌入，而不是贴一张原则声明

摩根大通公开的风险治理并非为生成式AI临时搭建。2025年Form 10-K把模型风险纳入运营风险，并披露三道防线：业务条线拥有风险、设计并执行控制；独立风险管理负责衡量、评估和挑战；内部审计独立评价流程、控制、治理和风险管理是否有效。

在模型层面，独立的Model Risk Governance and Review职能制定政策。模型使用者和开发者负责开发、测试、实施与持续监测；适用模型要提交审查与批准，并按复杂度、风险暴露和依赖程度分层。审查会挑战方法、假设和适用目的，必要时要求额外测试。这个制度不能被简单理解为“每次员工提问都要审批”，更准确的说法是：当AI成为影响业务决定的模型或分析能力时，其治理强度要随用途和后果提高。

生成式AI还增加了传统模型治理没有完全覆盖的新问题。2026年，摩根大通披露Fence框架，在具体用例层面用合成数据测试和缓解幻觉、偏题与提示注入。公司关于Agent安全的正式文章进一步提出：系统一旦能够调用API和执行动作，就要明确授权边界、限制与外部服务的交互，并保留可审计的操作记录。数据还需要携带敏感等级和允许用途，让控制在运行时继续生效。

高风险流程的最后责任仍在人。公开教学案例显示，面向客户等高风险用例要经过独立风险团队验证，平台记录提示与回答以支持合规；正式年报也要求员工接受周期性的隐私培训。无论模型能否起草合同、准备客户建议或生成代码，员工仍需核实事实、判断适用性并对客户、交易和合规后果负责。所谓“人工在环”不是文章末尾的一句免责声明，而应落实为权限、审批、测试、日志和问责。

三、结果如何：规模采用已经成立，可归因价值仍不完整

从推广看，摩根大通已经跨过“少数人试用”。2025年前后披露的20万是完成接入或获得访问；2025年CIB股东信披露超过6.5万名同事活跃使用，但没有说明是日活、周活还是其他频率；到2026年2月，Jamie Dimon称集团有15万人每周使用LLM平台。这三个数字分别回答覆盖、部门活跃和集团周使用，披露时点与主体不同。由于公司没有同步披露2026年获得权限的总人数，不能把15万除以早期20万，计算75%周活率。

效率证据也需要分层。Jamie Dimon在披露15万周使用时说，用户认为自己每周节省约4小时；他同时明确，这个数字没有进入净现值计算，也没有按减少人头确认。此前Investor Day对特定关键用户子集披露的同样是平均自报每周获得数小时生产率。两组表述能证明用户感到工具有用，却没有公开样本、岗位、基线、观察周期或独立审计，不能直接换算成集团成本下降。

公司COO信披露，AI代码助手使软件开发生命周期生产率提高10%—20%；这是更具体的流程指标，但对象是代码助手，不能全部算到LLM Suite。商业与投资银行还披露，2025年超过90%的工程师使用AI代码助手；在交易筛查中，AI支持审核量超过翻倍，同时把人工检查数量减半。它们说明专业AI可以改变生产流程，却仍不能证明通用平台单独创造了多少价值。

约100个生产级GenAI方案同样是“进入生产”的证据，不是“规模价值”的证据。公司没有公开这些方案的活跃度、淘汰率、维护成本、错误率或正向ROI比例。摩根大通2025年收入和利润增长，也受到利率、市场、信贷、客户活动和业务投入等多重因素影响，不能被写成LLM Suite的成果。

因此，本案现阶段最稳妥的结论是：摩根大通已经验证统一受控入口可以快速覆盖大型组织，集团周使用和CIB活跃使用提供了持续采用信号，部分生成式AI用例也已进入生产。但不同口径还不足以形成同一时点的完整采用漏斗；用户自报节省时间也没有被确认为净现值或人头减少，更不能证明统一平台已经转化成可独立审计的集团级成本或收入改善。