摩根大通AI降本信号：谁在为“越强越好”买单？

他举例指出：“总结一份分析师报告，真的不需要最新、最前沿且极其昂贵的模型。”这一表态反映出，在金融行业加速部署生成式AI工具的同时，企业高管层对相关运营成本的敏感度正在显著上升。

AI部署进入“成本意识”新阶段

摩根大通并非首家关注AI使用效率的金融机构，但其作为全球系统重要性银行之一，此次公开表态具有标志性意义。过去两年，大型金融机构普遍将AI视为提升生产力、优化客户服务和强化风控的核心技术路径。然而，随着模型调用频率激增，尤其是对参数规模庞大、推理成本高昂的闭源大模型（如GPT-4o、Claude 3.5或定制化企业级模型）的依赖加深，IT支出压力开始显现。

巴纳姆所倡导的“为合适的用途使用合适的模型”策略，实质上是一种分层AI架构思维：对于文本摘要、邮件分类、基础数据提取等低复杂度任务，可采用轻量级开源模型或内部微调的小型专用模型；而仅在需要深度推理、多模态理解或高合规要求的场景（如交易信号生成、监管文件审查、客户风险画像）中，才启用高成本模型。这种精细化管理不仅能控制云服务账单，还能降低延迟、提升系统稳定性。

值得注意的是，摩根大通在同场电话会中上调了全年运营成本指引，部分原因即与技术投资相关。市场对此反应谨慎——当日公司股价下跌，反映出投资者对“AI红利尚未兑现、成本却已攀升”的担忧。这与同期IBM因AI相关软件业务表现不及预期导致股价暴跌26%形成呼应，凸显资本市场对AI商业化落地节奏的重新定价。

金融业AI成本管控趋势正在形成

摩根大通的策略调整并非孤立事件，而是金融行业集体转向成本效益导向的缩影。多家投行与资管机构近期内部备忘录显示，IT部门已开始对各部门的AI API调用量进行监控，并设定预算上限。一些机构甚至引入“AI碳足迹与成本仪表盘”，实时追踪每次模型调用的计算资源消耗与费用。

这种转变背后有三重驱动因素。首先，生成式AI的边际成本并未如预期快速下降。尽管硬件算力持续进步，但顶级模型的训练与推理成本仍居高不下，尤其在需要低延迟响应的交易或客户服务场景中，企业往往需支付溢价以保障服务质量。其次，监管环境趋严。美国证券交易委员会（SEC）及欧洲央行等机构已开始关注AI模型的可解释性与审计追踪，迫使金融机构在模型选择上更趋保守，难以完全依赖黑箱式商业API。最后，ROI（投资回报率）验证周期拉长。初期试点项目虽展示效率提升，但规模化应用后的净收益——尤其是在人力替代与错误率降低方面——仍需更长时间观察。

在此背景下，“模型混搭”（model hybridization）成为主流策略。例如，某华尔街投行将客户查询先由本地部署的Llama 3小型变体进行意图识别与路由，仅当涉及复杂产品咨询时才触发云端高端模型。另一家欧洲银行则开发了内部评分卡，根据任务复杂度、数据敏感性和响应时限自动分配模型层级。这些实践均指向同一逻辑：AI不是“越强越好”，而是“恰到好处”。