不是口号，是数字。

一年 20 亿美元，真金白银落在岗位、流程、工具上。 不是转型构想，是已经落地的业务系统。

2025 年 10 月 8 日，Jamie Dimon 接受彭博社专访，全面公开摩根大通的 AI 战略：

我们不是做试点，而是要成为一家全 AI 的企业。

这是 CEO 级别的全面动员。

2025 年，摩根大通全年技术投入达 180 亿美元，AI 是其中的核心预算，而非试验项目。Dimon 为转型定调：我们用 AI 改变的是人的分工、工作的节奏、决策的路径。

这种改变必然带来岗位减少，尤其是重复性任务。但真正的问题不在裁员，而在能否让再培训速度跟上变革节奏。

当一家全球最大的金融机构，把 AI 变成组织运行的基础设施，这不只是它自己的事，也是所有大企业、To B 公司、传统机构的即将面对的现实。

接下来，我们基于 Dimon 的完整对话，还原这场“全 AI 银行”的底层架构与落地逻辑。

第一节｜AI 将改变每一个岗位、每一道流程、每一个人

Jamie Dimon 谈 AI 从不含糊。

“我从不认为 AI 是一个‘未来话题’，”

他在这场对话里说：我们十多年前就开始用它了。不同的是，现在它不再是个工具，而是整个公司的运转方式。

这家拥有 30 万员工、业务覆盖全球 100 个国家的银行巨头，并不是从一次技术发布会才拥抱 AI。早在 2012 年，摩根大通就在反欺诈和交易监控中引入机器学习。几年后，又将 AI 延伸到客户服务、合同审查、代码开发等日常运营。

而如今，事情的规模和意义完全不同了。

“我们内部几乎每个部门都在用 AI，” Dimon 说，“从风控到交易，从客服到开发，没有一个岗位不受影响。”

这些已经融入日常工作的现实。正因为如此，Dimon 一再强调：

AI 不只是省力工具，它正在改变岗位的本质。

这场变革包含三个层面：

减少：初级岗位和重复性工作被 AI 接手

增加：提示词设计师、模型评估员、AI 项目协调人等新职位出现

重构：不是简单裁员，而是岗位结构的整体重写

而摩根大通的这一步，正在向所有企业证明：AI 不再是实验室概念，而是已经进入全球最复杂的金融机构，重塑着日常工作的每一个环节。

第二节｜20 亿换来的回报，不只是节省成本

Jamie Dimon 并没有回避钱的问题。

主持人问他：“你们每年在 AI 上投入几十亿美元，到底带来了什么？” 他答得干脆：

我们每年在 AI 上专项投入 20 亿美元，节省了大约 20 亿美元。

这笔钱具体省在哪？他说得很具体：

客户服务：每个运营人员服务的账户数量增加了 25%，而每个账户的服务电话减少了近 30%。不需要增加人手，服务容量就大幅提升。

内部合规：AI 自动审查合同、标记风险条款，节省了大量法律助理的时间。

投行业务：市场研究、行业对比等基础分析工作，AI 能快速生成初稿，分析师被释放去做更深度的判断和客户沟通。

Dimon 表示：我们用 AI 把重复性的、消耗时间的事情接管掉，让人腾出手去做更有价值的部分。

有些回报很难用数字衡量，比如服务质量的提升、员工体验的改善、客户满意度的提高。

这些算不出净现值，但效果显而易见。

更关键的是，这才刚刚开始。正如 Dimon 所说，明年会节省更多，因为管理者会不断问：我这块是不是也能让 AI 来做？

比如他自己现在用的一个工具，可以直接在手机上对比合同条款、生成会议纪要、归纳研究报告：

“我现在连邮件都不自己扫了。AI 不是省一个人，是把一小时的事压缩成一分钟。”

这些压缩下来的时间，就是企业运营的隐性红利。

他特别点出一个趋势：工作节奏正在全面加速。

以前一个项目要 3 周评估、1 周准备、1 周汇报，现在只需要几天。不是流程快了，是企业的节奏变了。

对摩根大通来说，AI 投入的意义不只是省钱，而是节奏领先。

这么大的投入，会不会是泡沫？

Dimon 很坦率：市场确实有大量资金涌入，可能存在泡沫和浪费。

历史上的崩盘，没人能预测。

但他更相信长期价值：“AI 是真实的，就像汽车、电视、互联网。互联网泡沫损失了上万亿，但诞生了谷歌、YouTube。虽然大多数参与者失败了，但最终对人类有巨大益处。”

所以他们的策略是：不赌泡沫，赌长期价值。每年 20 亿，换的是未来十年的竞争力。

第三节｜不是在用 AI，而是把 AI 当成公司底座

为什么摩根大通能把 AI 用到这个程度？

答案不在于买了多好的模型，而在于他们做了一个更根本性的决定：

把 AI 从工具箱拿出来，变成整个公司的操作系统。

首先是组织架构的调整。摩根大通专门成立了负责 AI 与数据的高级团队，由高管直接向 CEO Jamie Dimon 和总裁汇报，不再隶属于 IT 部门，而是进入所有高层会议的核心议题。

在这家公司，AI 不再是辅助功能，而是整个公司的核心战略。

✅ 自研平台：LLM Suite，每 8 周迭代一次

过去大企业想用 AI，往往是直接调用 OpenAI 或 Anthropic 的接口。但摩根大通搭了一套自己的 AI 平台 LLM Suite，把外部模型、内部数据和各业务系统统一整合起来。

这个平台的特点是：能同时对接外部模型、内部数据和各业务系统，统一调度、嵌入流程。

不是训练一个通用模型，而是构建一个能接入关键数据、给出实用结果的平台。

每 8 周更新一次。这是实战迭代，不是作秀。

✅ Agent 应用：AI 接手完整任务

在 LLM Suite 平台上，摩根大通正在大规模部署 AI Agent。

就是会自动干活的 AI 流程工人，能分多步完成复杂事务：抓数据、做判断、生成文件，最后输出标准化结果。

具体能做到什么程度？

摩根大通首席分析官 Derek Waldron 展示了一个案例：

“输入指令：假设你是负责科技行业的投行家，准备会见英伟达 CEO 和 CFO，请生成一份五页演示文稿，包含公司动态、财报数据与行业对比。

30 秒内，系统自动生成专业级文件，逻辑清晰、格式规范。”

Waldron 的评价是：

过去这类任务，需要团队整晚完成。现在，是 Agent 自动干完。

目前，类似的 Agent 正在投行、合规等多个部门投入使用。目标是为每位员工配备专属 AI 助手，让每项流程由智能体驱动。

✅ 数据难题：模型不是最大问题，数据才是

Dimon 在对话中直言：

“最难的，不是 AI，不是模型，而是让数据真正能被调动起来。”

为什么？

因为摩根大通是一个跨越几十年历史、运营上百国家、合并过无数机构的庞大企业。它的系统中埋藏着各种类型的旧数据：

信用卡信息、交易记录、法律文书；

呼叫中心语音、分行纸质档案；

不同格式、不同时期、不同行政体系的数据……

他们花了超过十年，一点点把数据从旧系统里挖出来，清洗、标准化、接入 LLM Suite。

更棘手的是安全与合规。

当 AI 成为底层基础设施，安全问题就被放大了。摩根大通每天连接着 600 个交易所、央行和电汇平台。如果其中任何一个不安全，或者AI系统本身被攻破，都会威胁整个金融生态。

因此，他们为网络安全每年投入近 10 亿美元，并与 CIA、NSA、FBI 等机构合作，为平台筑起层层防火墙。

为什么要在数据和安全上投入这么大？

因为在摩根大通，AI 已经成为基础能力，就像水、电、网络一样。正如 Dimon 说的： “你不需要每天想水从哪来。但哪天断水了，公司就停摆。AI，就是新的水。”

他们不是在研究 AI 能干嘛，而是在重建一个 AI 驱动的银行操作系统。

把 AI 当成操作系统，连接所有人、所有任务、所有判断、所有决策。

结语｜不是摩根大通变了，而是银行的定义变了

过去的银行，是有网点、有风控、靠人力串起来的大机器。但在摩根大通，它正在变成一个 AI 主导的操作系统。合同自己处理，报告自己生成，每 8 周迭代一次。

岗位变成了“调用什么 AI”，管理者变成了“设计 AI 介入点”，过程从"周报-审批-等待"变成"秒级输入-分钟级输出"。

Dimon 一句话点透：

我们应用AI的目标，不在于追求更快，而在于重构整个公司的运行模式。

这就是“全 AI 银行”的真正含义。

它在告诉所有大企业、所有金融机构、所有服务型组织: 如果你的工作还未感受到 AI 的冲击，那可能说明你还没真正接上 AI。

AI 不是让你多一个工具用,而是逼着你换一种方式工作、组织、思考。

这种认知转变的能力，才是真正的门槛。