Runwise 增长研究院

2026-10-10

Runwise 增长研究院

10/10/2026
企业AI创新

从顾问知识助手到会议跟进，摩根士丹利如何把生成式AI嵌入财富管理流程，并保留人的复核责任。

30秒看懂：摩根士丹利企业AI落地的核心不是让AI替代专家决策，而是把经过管理的内部知识、业务专家评测和日常业务流程一同带入生产环境。2023年3月，摩根士丹利与OpenAI合作推出面向财务顾问的知识助手，限定信息来源于公司自有研究并附原始文档链接；随后推出会议纪要工具Debrief，在客户同意与顾问复核下处理会后跟进；机构证券部门则在原有AskResearch上升级AskResearchGPT。四项可复用的策略包括：先交付可信知识、让业务专家持续评测、把AI接入会议跟进并保留人的发送权、以及基于既有产品做跨业务扩展。

财富管理的AI挑战：最有价值的知识，未必能在客户需要时被找到

一家财富管理公司积累的研究报告、产品说明、市场观点和业务流程，可能比任何单一顾问掌握的知识都丰富。但客户临时问起某类资产、某项投资产品或复杂账户安排时，顾问能否及时找到经过审核、仍然有效的内容，是另一回事。

2023年，摩根士丹利财富管理部门与OpenAI合作开发生成式AI应用时，首先面向内部财务顾问推出知识助手，而不是让生成式AI直接执行交易或独立向客户提出投资建议。2023年3月的公司公告清楚界定了用途：顾问向内部工具提问，由系统依据摩根士丹利自己的研究和业务材料生成答复，并附上原始文档链接。它不是一个直接服务客户的公开聊天机器人。需要说明的是，公司并未披露一份“内部知识检索与自动交易”候选方案比较表；两者之间的取舍，是从其实际部署边界提炼出的Runwise分析，而非管理层公开承认的二选一决策。

为什么这个场景有价值？财富管理收入最终依赖顾问对客户的理解、响应和服务，而顾问还必须消化大量不断更新的信息。对于这类专业服务，高频问题未必是“怎样让AI替代专家决策”，更可能是“怎样让专家及时使用组织已拥有的知识”。在金融监管、信息保密和输出准确性要求较高的环境下，后者还更容易保留人的复核责任。

摩根士丹利并非从零开始接触AI。公司2023年公告提及，此前已使用Next Best Action向顾问提供面向客户的个性化建议，并在其他渠道利用Genome开展个性化分析。这次不同的地方，是把生成式AI嵌入顾问的信息获取与后续业务流程。本文研究的是这条从2023年启动、随后延伸至2026年的落地路径，而非摩根士丹利全部AI战略。

从顾问助手起步：财富管理深化流程，机构业务独立升级

摩根士丹利于2023年3月宣布与OpenAI合作，同年9月将AI @ Morgan Stanley Assistant全面推向财富管理顾问。2024年3月，公司任命此前负责财富管理数据分析与创新的Jeff McMillan担任公司级AI负责人，统筹跨业务AI战略与治理。同年6月，财富管理部门推出会议纪要工具AI @ Morgan Stanley Debrief，当时已有98%的财务顾问团队采用Assistant。10月，机构证券部门在自己的AskResearch研究检索产品上推出AskResearchGPT；2025年，Debrief又扩大了人员覆盖与移动端使用场景。

这些节点构成摩根士丹利生成式AI应用组合的扩展历程，却不是同一个产品依次升级的四个阶段。财富管理内部问答把有来源的信息交给顾问，Debrief进一步处理经客户同意的会议并写入CRM；机构证券部门则从既有AskResearch产品出发，服务投资银行、销售交易和研究团队。三者都依赖企业知识，但涉及不同的数据、岗位、工作流程和风险边界。

从这些实践中，可以提炼四项值得中国企业研究的落地策略：把经过管理的知识变成顾问可核对的答案；让业务专家从试用阶段就参与评测并持续纠错；在客户同意与顾问复核下把AI接入会议跟进；机构证券部门则以既有AskResearch为起点，把生成式AI融入研究检索与客户邮件流程，而不是直接复制财富管理助手。

四项企业AI落地策略：让知识、评测和业务流程一同进入生产环境

场景与知识产品创新：先把经过管理的内部知识交到顾问手里

最早的Assistant解决的不是投资决策自动化，而是让顾问更快地获取现成知识。公司2023年公告列出的信息包括企业研究、资产类别、资本市场、不同地区的经济与行业观点，以及产品和操作流程。顾问可以围绕客户问题向助手发问，再从答案附带的原始文档进入相关研究。信息的来源受到限定，面向客户的专业判断仍由顾问承担。

这项产品设计有三个彼此关联的细节。第一，模型处理的是企业长期沉淀的专有内容，而不是把互联网上任意信息当成公司观点。第二，答案附带来源链接，顾问可以回到原文核对，而不必把生成结果视为不可追溯的结论。第三，用户与系统之间的提问和反馈，会反过来帮助团队改进工具。这使Assistant不只是一个“输入问题、生成答案”的演示产品，而是嵌入已有知识生产与使用过程的服务。

真正降低初期落地难度的，还有此前已经完成的知识管理工作。2023年3月，管理层Jeff McMillan接受《福布斯》作者Tom Davenport采访时解释：公司的重要内容原本就有一个集中存储位置，由一个团队负责管理；投资研究本身也经过合规审查。对AI项目来说，这意味着所需内容并不是上线前临时从各个部门拼凑而来。换句话说，顾问能够向AI提问，前提是公司先知道哪些资料可信、哪些版本有效、由谁对原始内容负责。

同一篇原始采访还披露了当时的试用方式：约300名财务顾问参与早期测试，遇到实际业务问题时向系统提问，再用赞成、反对或更细的意见反馈答案。报道举出的典型问题涉及公司对某只股票的研究判断、一般商业资料以及复杂账户业务安排。这些是当时测试所涉及的问题类型，不代表系统可以直接提供个性化投资指令。顾问的评价成为改进依据，而不是由技术团队只凭通用问答成绩决定产品能否被业务接受。

对财富管理而言，知识的“新鲜度”尤其重要。某项投资观点可能很快被新的分析覆盖，账户流程说明却可能长期保持稳定。上述采访指出，及时检索最新研究比单纯生成流畅回答更棘手，团队需要根据不同内容类别优化结果。2023年的早期版本还对提问范围和连续对话作了限制，以降低偏离业务主题、产生无依据回答的风险；这些限制属于当时采访记录，不能机械视为所有后续版本一成不变的规则。

这为其他企业提供了一个更实际的起点：不是先购入模型，再期待它自行吸收所有组织知识，而是先确认高价值资料的来源、审核、更新和反馈路径。如果一家制造企业的技术手册版本混乱，或者一家咨询公司的研究成果散落在无人维护的文件夹里，同样的知识助手未必能复制摩根士丹利的效果。关于Assistant内部的精确检索架构、文档淘汰审批及权限配置，公司没有完整公开，不能凭常见RAG技术方案补写。

质量与评测创新：让业务专家打分，并用每日回归测试持续纠错

把资料接入模型只是产品的第一步。对摩根士丹利来说，更难的工作是证明答案足以交给专业顾问使用。OpenAI公开案例披露，摩根士丹利建立了覆盖每个AI用例部署前的评测框架，而不是等到员工大规模使用后再凭投诉判断质量。

具体做法首先体现在摘要任务上。顾问和提示词工程师一起检查模型怎样将复杂的研究与流程内容压缩为简短回答，按准确性与连贯性评分，并据此修改提示词。随后，团队把评测延伸至多语言翻译及更复杂的检索场景，与OpenAI讨论如何调整检索方式，以适应不断扩大的资料范围。对AI是否回答得好，摩根士丹利没有只让工程人员判断，而是把最终使用者引入评测。

早期评测还有更细的一面。《福布斯》2023年采访记录，团队每周向系统输入一组预设的“黄金问题”，检查其回答是否正确；遇到可疑答案时，顾问可以借助指向底层文档的依据定位问题。OpenAI随后公开的案例则进一步披露，系统使用包含样本问题的回归测试集进行每日测试，以识别潜在薄弱点并改善合规输出。这两处披露分别记录了不同阶段的测试安排，不能误写成公司只有上线前评测、从未开展持续监测。

围绕知识覆盖，公开资料还提供了两组容易被误读的数字。2023年3月，Jeff McMillan在《福布斯》采访中就提到，公司为早期试用准备了超过10万份内部文档。OpenAI后来引述公司负责人David Wu称，助手早期能够回答约7000个问题，之后已能够就约10万份文档语料中的广泛问题作答。这些是公司人员在不同时点对文档存量与问答能力的描述，既没有统一的可比问题测试集，也没有明确的前后统计时点。它们不能证明文档数量从7000增至10万，不能计算准确率改善幅度，更不能把“广泛问题可答”理解为所有问题都能无误回答。

新场景也没有豁免评测。对于Debrief，开发团队按不同客户会议类型组织评测数据，重点检测AI能否提取关键待办事项，以及是否引入原本不存在的内容。普通问答重视答案是否吻合已有知识；会议纪要还必须关注事实遗漏、行动项误判和对客户沟通的影响。同一个大模型进入不同业务流程后，质量评价标准也要随之改变。

这一质量体系可以确认的部分包括：业务专家评分、提示词调整、检索方法迭代、翻译测试、按场景建立数据集，以及每日样本回归测试。公开资料没有完整给出评测集大小、上线的量化阈值、错误分级、独立审计结论或各版本准确率。因此，不能因为它具备每日测试就宣布“没有幻觉”；更不能把供应商对系统可靠性的表述，改写成第三方已独立证明其在所有场景安全。

合规与数据安全也被纳入部署条件。OpenAI公开案例称，双方采用零数据保留安排，以回应企业对专有资料是否会流入公共模型训练的担忧。这个安排是供应商披露的合作条件，并不等于整个应用不存在数据安全风险；客户会议的授权、内部访问权限及最终发送责任仍然需要在业务流程中分别处理。

还有一项容易被技术讨论忽略的成本：专家评测本身需要时间，重要内容也需要持续维护。企业不能一边要求模型回答必须可靠，一边拒绝让业务专家投入评分、修订与纠错工作。摩根士丹利的经验说明，生产级企业AI的核心能力不只是模型推理，还包括可持续的内容责任和质量检查。

客户工作流创新：让Debrief完成会议跟进，关键决定仍留给顾问

2024年6月，摩根士丹利正式推出AI @ Morgan Stanley Debrief。与内部知识助手不同，它处理的是客户会议后最耗时、又最容易出现遗漏的工作：整理纪要、记录待办、准备跟进邮件，并把相关信息写入客户关系管理系统。工具使用OpenAI的语音识别与生成式AI能力，连接Zoom会议和Salesforce CRM，而不是让顾问把会议内容手动复制到一个独立聊天网站。

用同样的框架诊断你的业务

摩根士丹利把业务专家拉进评测、用每日回归测试持续纠错，才让知识助手真正进入顾问的日常工作。你的企业是否也卡在“模型很聪明，但答案不敢用”？不妨让 AI 顾问帮你诊断一下，当前最该先解决的是知识源、评测机制还是流程边界。

免费体验 Upskill AI 顾问 →

这一场景的运行方式已经有相当具体的公开证据。客户同意后，系统才能处理会议内容；会后顾问收到包含AI会议纪要链接的邮件，进入Debrief审阅内容，根据实际讨论修改纪要与邮件摘要，再由系统生成待办并分配任务，准备邮件草稿，最终由顾问决定是否向客户发送。Celent在2025年获奖案例材料中把会后流程拆成了五步，摩根士丹利的正式新闻稿也确认了客户同意、生成行动项、顾问编辑发送与写入Salesforce的安排。

这里最重要的不是AI能同时生成多少种文本，而是系统负责准备材料，人负责确认事实和对外发送。会议记录可能包含客户的家庭目标、资产安排和下一步计划；遗漏一个约定或误写一个产品名称，都可能影响后续服务。因此，Debrief并未把生成摘要和草拟邮件等同于自动完成客户沟通。顾问的审阅权、修改权和最终发送权，是产品使用流程的一部分。

摩根士丹利为这一场景设置了独立的质量检查。OpenAI披露，团队使用覆盖不同会议情境的测试数据，检查能否准确捕捉重要事项且不凭空添加内容。相比知识检索，这是更复杂的业务验证：系统不仅要理解会议内容，还要把信息转化为CRM记录、客户邮件和团队后续任务。若生成的摘要表面流畅但行动项指派错误，流程自动化反而会把错误带入下一步工作。

从顾问的日常体验看，价值已经能落到具体时间上。摩根士丹利2024年6月公告中，休斯敦顾问Don Whitehead反馈，Debrief仅承担会议记录工作，就让他每场会议大约节省半小时。另据Celent发布的案例摘要，平均每场一小时客户会议约节省30分钟。这一数据出自公司项目提交及相关案例材料，并非随机对照研究，不能简单乘以全部顾问人数推算公司实际节省了多少工资或创造了多少新增收入。

此外，来自新泽西州的顾问Zach Goldberg在公司公告中描述，会后可以及时审阅、修改并发送客户总结。这个细节值得注意：会议结束后，待办信息仍然鲜活；顾问能更快完成复核与跟进，价值不仅是少打字，还包括缩短客户沟通的间隔。不过，“部分跟进从数天缩短到数小时”的说法目前来自供应商公开采访，不是经过独立测量的全体用户平均数。

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

Debrief也经历了从可供使用到更广泛推广的过程。摩根士丹利在2025年6月宣布，团队已经完成开发、试点，并向全部财务顾问推出。Celent同期材料称，约1.5万名顾问可以使用Debrief；这是可使用范围，不是有1.5万人每天使用的证据。2025年7月，InvestmentNews援引公司内部备忘录和技术负责人说明，Debrief进一步提供移动端使用方式，并将使用范围扩展至更多财富管理一线员工，同时配套教程、培训和合规要求。这些安排说明，公司仍在为工具找到更自然的工作入口，而不是把2024年发布会当成产品落地的终点。

跨业务扩展：在原有AskResearch基础上升级机构证券研究工具

摩根士丹利在另一业务部门的实践表明，跨业务扩展不等于将首个AI产品原样复制给全公司。2024年10月，摩根士丹利研究部门宣布推出AskResearchGPT，面向投资银行、销售交易及研究团队。根据公司公告，这个产品是在机构证券部门原有的AskResearch检索应用上增加生成式AI能力，而不是财富管理Assistant的直接移植。现有公开材料也不足以证明，机构证券新工具的上线是由Assistant试点直接促成的。

摩根士丹利研究部门每年发布超过7万份专有研究报告。面对这样的资料，机构业务人员的任务不只是查询某一个结论，还可能需要同时理解多篇报告、提炼相互关联的判断，并把结果形成客户沟通材料。根据公司公告，AskResearchGPT利用GPT-4综合结构不一的研究内容，支持从多份报告中提取信息和摘要，弥补传统检索只能定位单条数据或研究观点的局限。

产品设计中的关键是让输出继续向业务流程走，而不是停在答案窗口。摩根士丹利披露，AskResearchGPT可以在员工日常使用的生产力和沟通工具中访问；它还连接一项公司拥有专利的工作流功能，让员工通过一次操作把检索结果转入待编辑的邮件草稿。相关结果附有研究材料的引用链接，便于员工乃至客户追溯到原始研究。这里同样保留了“AI整理材料、专业人员修改后再沟通”的责任边界。

将研究结论转入客户邮件后，产品质量的判断也会改变：不仅要看答案能否找到相关研究，还要核对不同报告被综合后的意思是否准确、引用是否能够追溯、草稿是否适合当前客户沟通。官方尚未公开AskResearchGPT单独的评测通过率，不能把财富管理助手的测试表现直接当作机构证券新工具的成绩。这是业务流程扩大后需要单独验证的部分。

这项业务扩展与财富管理Debrief既相似又不同。相似的是，两者都从员工的实际任务出发，把资料转换为可追溯、可由专业人员审阅的输出；不同的是，Debrief主要处理经客户同意的会议内容，AskResearchGPT则利用机构研究库服务其他岗位。它们体现了类似的产品设计原则，却不能据此证明两个部门实际复用了同一套代码、检索索引、评测数据集或权限系统。企业级能力协同是否发生、共享到什么程度，仍需更多内部实施证据。

公司的跨业务统筹并不是等这些产品全部发布后才建立。2024年3月，摩根士丹利任命Jeff McMillan为公司级AI负责人。据当月《InvestmentNews》援引的内部备忘录，他负责协调各业务的AI机会、战略和治理，并与研究部门负责人Katy Huberty共同主持企业级AI指导小组。这一安排早于同年6月的Debrief发布和10月的AskResearchGPT推出。到2026年股东信发布时，管理层已将AI列为企业战略优先事项，并表示向各业务部门投入AI人才与资源。可以确认的是组织协调职能已建立；不能仅凭时间先后断言该任命直接促成了某一工具上线，也没有公开数据能精确拆分跨业务复用率或各项目ROI。

这种扩展并不意味着风险边界已经取消。2026年7月，路透社援引摩根士丹利财富管理AI负责人Koren Maranca称，公司计划在当年夏季开始测试可与客户全天候交互的数字助手，并准备让AI向顾问主动推送提醒和建议；她同时强调，涉及投资组合的重要决策仍需人类监督，AI不会自主作出组合决策。截至本文研究日期，尚未找到足以证实该客户助手已完成全面部署及公布经营结果的可靠材料，因而只能将其视为下一阶段方向，而不能算进已实现成效。

经营结果：采用率与会议效率有证据，AI创造多少利润仍未披露

摩根士丹利这条路径已经有三个值得区分的结果。首先是员工采用：公司2024年6月公告称，98%的财务顾问团队已经采用Assistant，OpenAI其后发布的案例也披露超过98%的顾问团队活跃使用。这里的分母是顾问团队，不能直接写成98%的全体员工或者2026年仍保持相同使用率。

其次是知识可获取程度。OpenAI的案例称，相关文档访问比例从20%提高到80%。该数据可以作为供应商披露的知识获取改善信号，但公开资料没有完整列出所使用的文档范围、分母与独立核验方法，不能把它等同于“80%的公司文档都被日常阅读”，更不等于顾问工作效率提升了四倍。至于约10万份资料库，指知识语料范围，而非活跃查询的文档数。

第三是会后流程效率。Celent摘要记录，每场一小时会议平均节省约30分钟；2025年约1.5万名顾问可以使用Debrief。前者是案例披露的工作节时，后者是覆盖范围，两者不能相乘推导实际总收益。公司也没有披露Debrief的会议渗透率、顾问月度使用频次、后续客户满意度的独立测量值，或由这些工具直接带来的收入和利润增量。

2026年股东信把AI定位为提升生产率、增强专业判断和服务客户的重要方向，但集团或财富管理业务的经营表现受到市场环境、资金流动、客户关系及其他投入共同影响；不能把部门收入增长直接归给Assistant、Debrief或AskResearchGPT。就公开证据而言，这个案例最可靠的成绩是规模化采用、特定流程节时和可追溯的跨业务部署，而非已经证实的AI财务投资回报率。

对中国企业的启示：第一场景要解决真实问题，还要为下一场景留下能力

摩根士丹利值得借鉴的不是“每家公司都该先做知识问答”，而是让不同AI应用围绕清晰的业务责任推进。财富管理助手依托已有知识库，早在约300名顾问试用时就收集反馈，并通过每周“黄金问题”检查答案；后续公开案例进一步披露了按场景评测和每日回归测试。Debrief增加了客户同意、纪要审阅和顾问自行发送等环节；机构证券部门则在原有AskResearch产品上升级。这里既有财富管理内部的应用深化，也有另一业务线独立的产品创新，而不是同一工具逐级升级的单线过程。

这条路径也有很强的前提条件。摩根士丹利长期积累的研究资料、集中管理的内容库、经过合规审查的知识和愿意参与试用的专业顾问，是生成式AI能被较快嵌入工作的基础。缺乏统一知识源、版本负责人和真实用户反馈的企业，第一笔预算未必应该花在模型上；先梳理资料更新责任，往往比上线一个看似聪明的问答窗口更迫切。

对咨询、保险、制造技术支持、医药信息和大型B2B销售企业，比较实用的做法是先选一个经常出现、可以依赖可信资料判断好坏、错误仍可由员工拦截的任务。验证时至少看三件事：一线员工是否持续愿意用，关键答案或业务记录是否准确，以及被节省的时间有没有转向真正有价值的客户服务。只有这些指标站得住，才有理由进一步接入CRM、对外沟通或更高权限的自动化流程。

还有一个反面提醒：不能把摩根士丹利的“先内部、后触客”理解为AI风险会随着阶段推进而自然消失。权限越接近客户数据、投资建议与交易执行，越需要重新核实授权、评测、人工复核和责任分工。2026年的新一轮数字助手测试仍强调人对投资组合决策的监督，恰好说明业务扩展不意味着放弃边界。

如果说这项案例有一个最值得中国管理者带走的判断，那就是：企业AI第一场景的成果，不只是一项工具节省了多少分钟，而是企业能否建立一套让可信知识、业务人员、质量评测和日常流程持续配合的能力。 没有这些能力，再先进的模型也很难从单个试点走向可反复使用的业务产品。