生成式 AI正从试点项目转向企业核心业务系统。摩根大通是一个典型例子，该银行不断增加的AI投资正推动其技术预算在2026年达到约198亿美元。

这一支出计划反映了大型企业的广泛转变。AI不再被视为小型研究项目，而是被嵌入到风险分析、欺诈检测和客户服务等核心业务领域。

对于关注AI应用如何改变企业技术策略的商业领导者而言，摩根大通的数据突显了一个更大趋势：AI正在成为运营大型组织日常系统的重要组成部分。

技术支出持续增长

多年来，银行业的技术支出一直在上升。摩根大通的预算因其规模而引人注目。

据《商业内幕》援引公司简报和投资者讨论报道，该银行预计2026年技术支出将达到约198亿美元，延续了技术投资的稳步增长。支出涵盖云基础设施、网络安全、数据系统和AI工具等领域。

增加的预算包括约12亿美元的额外技术投资，其中部分将支持AI相关工作。

大型银行通常将技术支出视为长期投资而非短期成本。许多系统需要数年时间构建，特别是当它们依赖大型数据平台和安全计算基础设施时。

由于AI系统需要可靠的数据管道和计算能力，许多公司发现AI应用往往会导致技术堆栈的全面升级。

AI开始影响业务绩效

高管表示，AI已经在银行内部影响业务表现。在投资者讨论中，摩根大通首席财务官杰里米·巴纳姆表示，机器学习分析正在为公司各部门的收入和运营改善做出贡献。

路透社关于摩根大通财务简报的报道指出，该银行正在使用数据模型和机器学习系统来改进业务多个领域的分析和决策制定。

这些模型能够处理大量金融数据，识别人类难以发现的模式。在银行等每天管理海量数据流的行业中，这些改进可以影响交易、放贷和客户运营的结果。

即使是预测模型的微小改进，在应用于数百万交易或市场信号时，也能影响财务表现。

广泛的应用场景

机器学习工具现在支持摩根大通的广泛活动。

在金融市场中，模型分析交易数据并帮助识别价格变动模式。这些洞察可以帮助交易员评估风险或在快速变化的市场中识别机会。

放贷是AI系统发挥作用的另一个领域。机器学习模型可以审查财务历史、市场趋势和客户信息，帮助评估信贷风险。这些系统通过突出数据中的模式来协助分析师。

欺诈检测仍然是银行业AI最常见的用途之一。支付网络每天处理大量交易，使得手动监控活动变得困难。机器学习系统可以近实时扫描交易，标记可能表明欺诈的异常行为。

一些内部运营也依赖AI。工具可以审查合同、总结研究报告，或帮助员工搜索大型内部数据系统。生成式 AI系统开始协助起草报告或准备内部文档等任务。

这些系统很少直接向客户展示，但它们支持许多幕后决策。

银行业与机器学习的契合

金融机构具有几个特点，使其非常适合机器学习。

首先，银行生成大量结构化数据集。交易历史、市场记录和支付数据提供了机器学习模型可以分析的丰富信息。

其次，许多银行活动依赖预测。信用评分、欺诈检测和市场分析都需要基于历史数据估计结果。

机器学习在预测发挥核心作用的环境中表现良好。

第三，模型准确性的改进可以产生可衡量的财务结果。稍微改善欺诈检测或放贷决策的模型可能影响大量交易。

这些因素解释了为什么银行在近期生成式 AI兴趣激增之前就已经大力投资数据科学和分析。

企业技术预算的演变

摩根大通的支出计划也反映了AI投资如何成为更广泛的企业技术预算的一部分。

在许多组织中，AI系统依赖现代数据平台、安全的云环境和大型计算资源。随着公司建立这些基础，AI变得更容易在各部门部署。

对于许多企业而言，AI应用从欺诈检测、文档分析或客户支持自动化等专门任务开始。一旦系统证明有用，公司就会将其扩展到组织的其他领域。

这个过程可能需要几年时间，这是企业AI支出经常与数据基础设施更广泛投资同时出现的原因之一。

成功实施的经验教训

摩根大通的例子表明，最成功的AI项目往往从明确的业务问题开始，而不是广泛的实验。

银行经常将机器学习应用于预测和数据分析已经发挥核心作用的领域。欺诈检测和信贷建模是常见的起点，因为收益更容易衡量。

另一个教训是AI应用需要持续投资。构建可靠模型依赖强大的数据治理、计算资源和熟练团队。

对于大型组织而言，这种努力正在成为正常技术规划的一部分，而不是单独的创新项目。

随着公司继续扩展其AI能力，像摩根大通这样的技术预算可能预示着企业支出在未来几年的演变方向。

Q&A

Q1：摩根大通为什么要大幅增加AI投资？

A：摩根大通增加AI投资是因为AI已经从试点项目转向核心业务系统，在风险分析、欺诈检测、客户服务、交易分析和信贷评估等多个领域带来实际的业务价值和收入改善。

Q2：银行业特别适合应用机器学习的原因是什么？

A：银行业适合机器学习的主要原因包括：拥有大量结构化数据集，许多业务活动依赖预测分析，以及模型准确性的小幅改进就能在大量交易中产生可衡量的财务收益。

Q3：企业实施AI项目有哪些关键经验？

A：成功的AI项目应该从明确的业务问题开始而非盲目实验，需要持续投资和强大的数据治理，同时要将AI建设作为正常技术规划的一部分，逐步扩展应用范围。