近日，据相关报道，摩根大通（J.P.Morgan）将控制AI支出，同时增聘科技人才。摩根大通预计，银行业将对生成式AI采取更严格的内部成本控制。目前，该行也正在控制自身成本，从不受限制的实验阶段，转向严格的内部预算管理。

　　受访人士指出，银行在应用AI时，应当考虑成本类指标，例如大模型成本收入比（AI总投入成本与所创造业务收益的比值），大模型带来的成本节约比例等。

　　今年6月，国家金融监督管理总局发布的《关于银行业保险业人工智能安全开发应用的指导意见》提到，要坚持务实高效，以提升业务价值为导向，科学规划人工智能开发应用投入，有效平衡成本与效益，推动人工智能切实服务经济高质量发展和金融业务高效运转。

　　从“随便烧”到“算着花”

　　围绕摩根大通此番调整，上海金融与发展实验室特聘研究员王润石接受记者采访时分析，摩根大通控制AI支出，关键就是从“随便烧”切换到“算着花”。一是模型分级。日常任务用轻量模型，只有复杂推理和高价值场景才调用贵的，不搞“用大炮打蚊子”。二是预算硬约束。每个部门有Token消耗上限，超额走审批，AI调用不再是免费午餐。三是任务分流。摘要、分类、简单问答这些活儿，本地小模型就够，贵的模型只用在刀刃上。

　　同时，王润石指出，摩根大通一边砍Token预算，一边扩招AI工程师。低价值的活儿让AI替代，但盯住AI、治理AI的人反而更紧缺了。这不是矛盾，是结构调整。

　　“可以看到，摩根大通正推动生成式AI从自由实验迈入严苛的预算管理时代，其核心转变在于将Token消耗视为必须精打细算的生产成本，而非无限制的研发开支。”苏商银行特约研究员付一夫分析，具体措施可能如下：首先，银行推行模型分层调用策略。日常的文档摘要、信息检索等低价值任务，仅使用经济型的轻量模型；而涉及交易决策、风险建模等高价值场景，才分配最昂贵的前沿大模型，以此从源头控制Token浪费。其次，建立投入产出挂钩的评估机制，每个AI项目在立项之初就必须明确预期收益，运营过程中持续追踪实际回报，对于效果不彰的应用果断削减其Token配额，并通过模型编排优化调用路径，避免让高成本模型处理简单请求。

　　在德勤中国金融服务业战略、交易及企业风险咨询合伙人蔡帼娅看来，随着模型能力和智能体技术快速迭代，各家银行正加快推动AI应用向专业化、垂直化和规模化方向发展。面对随之上升的算力与调用成本，预计银行业将呈现以下三方面趋势：

　　一是架构层面，大小模型混合协同将成为主流。银行通过建设统一的AI基础设施，引入模型路由和任务分发机制，根据任务复杂度、时效性及风险等级匹配不同规模的模型，在保障效果的同时降低Token消耗和推理成本。

　　二是管理层面，AI资源将从“全员试用”逐步转向“部门预算＋项目配额”。Token调用量将成为衡量AI资源投入与应用效益的重要指标，并逐步纳入内部成本计量与分摊机制。未来，财务部门可能像核算云资源成本一样，为各业务部门生成清晰可量化的“AI账单”。

　　三是应用层面，提示词工程和智能体建设将进入精细化运营阶段。银行不仅需要推动AI应用标准化、模板化，还将为智能体设置成本与运行护栏，包括执行步骤、上下文长度、工具调用次数等的参数限制，在保障任务质量和运行安全的同时，实现对智能体成本的全过程管控。

　　将AI以最低成本嵌进业务流程

　　从重金投放到精打细算，银行的AI经济账该怎么算？

　　王润石指出，银行AI的核心竞争力，不是谁模型最强，而是谁能把AI以最低成本嵌进业务流程。对此，他提出五点建议，第一，建模型分级制度。80%的日常任务用小模型，贵的模型只留给信贷审批、合规审查、交易分析这些高价值场景。这是资源配置，不是省钱。第二，给Token设预算上限。让每个部门知道自己烧了多少钱，超额走审批。没有成本感知，就没有效率意识。第三，ROI评估别追求精确，先跑起来。成本端算清Token消耗量、API费、算力消耗；收益端先用硬指标——省了多少人年、缩短了多少工时、不良率降了多少。归因难题可以先搁置，等A/B测试跑出数据再说。第四，中小银行别想着自建重投入。百万级买个垂直场景智能体，能出千万级产出——审批提速、风控提准、投放放量，这些都是被验证过的路径。大行输出算力和模型，中小行聚焦自己的业务场景，各取所长。第五，也是最容易被忽略的——别让AI适配旧流程，要让流程适配AI。现在多数银行的AI应用还停留在“辅助替代”的浅层，根本原因就是流程没动。真正要做的，是围绕人机协同重构业务流程，否则AI永远只能打辅助。

　　“未来银行AI竞争的关键，不是比拼谁的投入更多，而是谁能够以更合理的成本和更安全可控的方式释放AI价值。”蔡帼娅指出，按照《关于银行业保险业人工智能安全开发应用的指导意见》要求，一是价值优先，倡导价值引导下的AI应用，而不是盲目建设。监管鼓励机构自建自用场景数据集，鼓励行业协会、同业平台依法合规共建共享通用性行业数据集，进一步共享能力。

　　二是要求建立人工干预红线，在资金交易、资产评估、信贷审批、承保理赔、风险管理等，以及与客户利益直接相关、直接影响金融合约达成的生成式人工智能场景应用应被视为高风险应用，并保留人工复核环节，禁止完全由模型自动决策。

　　三是加强精细化管理。银行需要通过大小模型协同、模型路由优化、智能体治理等方式降低Token消耗，提高单位AI投入的价值产出。