预算身份即治理身份：摩根大通 198 亿美元技术投入，把 AI 从实验科目写进基础设施

毕超  |  2026-09-24  |  约 24 分钟  |  chaos-for-agent   人工智能银行业AI治理科技投入模型风险监管检查成本管理

核心摘要

  • AI 的预算身份一改，治理身份就跟着改：不再被 ROI 门槛筛选，但也不再享有“试点可以失败”的豁免
  • 监管的重点早已不在条文里，而在检查清单上：关停开关、人工复核、供应商穿透、退出预案
  • AI 的效益最难衡量的不是省了多少，而是“如果没有它会怎样”——缺了反事实，效益只能靠自证
  • 真正的分水岭不是花了多少钱，而是这笔钱从今天起不可谈判，且每年都会被追问它的控制是否有效

AI 的预算身份一改，治理身份就跟着改：不再被 ROI 门槛筛选，但也不再享有“试点可以失败”的豁免

监管的重点早已不在条文里，而在检查清单上：关停开关、人工复核、供应商穿透、退出预案

AI 的效益最难衡量的不是省了多少，而是“如果没有它会怎样”——缺了反事实，效益只能靠自证

真正的分水岭不是花了多少钱，而是这笔钱从今天起不可谈判，且每年都会被追问它的控制是否有效

素材说明：本文触发素材为微信公众号“点滴科技资讯”发布的文章《摩根大通扩大人工智能投资，科技支出接近 200 亿美元》（2026-09-24），该文转述《商业内幕》（Business Insider）等英文报道（UNTRUSTED，未经独立核实）。文中涉及摩根大通的预算规模、高管表态、同业参照数据，以及美联储、OCC、FDIC 的指引与检查实践，均转引自公开报道、机构解读与公开材料，具体链接见文末“事实来源”；本文未对上述内容做逐条一手核实，凡属二手口径均在正文中标注。文中提出的“三本账”“预算身份三问”“效益口径三件套”等框架及六条硬要求、六组问答，均为作者基于公开信息的整理，不构成法律、监管或合规意见。

2026 年 9 月 24 日前后，一条关于摩根大通的消息在中文金融科技圈流传：这家美国最大的银行 2026 年技术预算将达到约 198 亿美元，其中约 12 亿美元属于新增的重大项目投资，一部分指向人工智能。

多数解读停在“AI 投入又创新高”这一层。但如果只看金额，会错过这条消息真正的信息量：摩根大通改变的，是 AI 在预算表里的身份，而不只是它的数字。当一个事项从“可以自由裁量的创新预算”被挪进“与数据中心、支付系统、网络安全并列的核心基础设施”，它的治理方式、问责路径、容忍度与失败定义，都会随之整体位移。

对国内的银行而言，198 亿美元是一个与自身规模无关的数字，但它触发的三个问题，与预算大小无关：这笔钱能不能退回去、由谁签字负责、出了事按什么口径定级。

一、先把事实钉牢：198 亿美元由哪几个不同口径叠成

在展开分析之前，必须先把几个容易被混为一谈的数字分开，否则后续所有讨论都会失去地基。

口径公开数字来源与可信度
2026 年技术预算总额约 198 亿美元，同比增加近 20 亿美元、约 10%《商业内幕》转述公司简报与投资者讨论（二手口径，本文未一手核实）
增量投向约 12 亿美元用于重大项目，含部分 AI 相关项目；另有报道将其与特定产品平台建设并列同上；平台归属见 PYMNTS 等转述
AI 专项规模约 20 亿美元/年（含在技术预算内）多家二级来源表述一致，但未见与公司正式披露口径完全对应的原文
费用端影响全年费用增长约 90 亿美元，技术是主要驱动项CFO 杰里米·巴纳姆（Jeremy Barnum）在 2026 年公司更新上的表述
组织规模全球员工约 31.9 万人；面向 20 万以上员工的统一生成式 AI 入口前者见《财富》引全球 CIO 洛里·比尔（Lori Beer），后者转引自公开材料
同业参照美国银行 2026 年技术预算约 140 亿美元；20 万员工使用 AI、日均约 40 万条提示同业财报电话会与公开报道

这也是大型机构 AI 治理的第一道现实功课：口径未对齐的数字，不能进同一张表。内部汇报里最容易发生的事故，不是数据造假，而是两套口径被并列呈现，最后谁也无法解释“到底投了多少”。

二、第一本账（资本账）：预算身份一变，治理身份就跟着变

按多家二级来源的表述，摩根大通在 2026 年初做了一件比加预算更重要的事：把 AI 投入从“可自由裁量的创新”重新归入“核心基础设施”，与数据中心、支付系统、网络安全、运营韧性并列。需要明确标注：这一“重新归类”的表述主要来自二级来源（行业博客、财经解读），本文未找到公司层面同等措辞的正式披露原文，应视为未经独立核实的口径。

但方向上，它与两位高管的公开表态一致：技术被描述为费用增长的主要驱动，技术支出被界定为跨周期的长期投资而非短期成本杠杆；同时，效率改善（包括 AI 带来的效率）被用来“自资助”新增投资。

这种变化的实质，可以用三句话概括：

第一，门槛函数换了。处在“创新实验”科目下的项目，用投资回报门槛逐项筛选；进入“核心基础设施”科目后，评价标准变成不可谈判的基线可用性与控制有效性——数据中心不会因为“今年效益不明显”被砍掉，同理，进入该科目的 AI 能力也不再逐项接受 ROI 审判。豁免的代价是：它同时失去了“试点可以失败”的宽容。

第二，停用成本的性质变了。实验项目下线的成本是“项目失败”；基础设施停摆的成本是“业务中断”。这意味着停用一个 AI 能力的决策，从技术团队的技术判断，升级为需要业务、风险、合规共同签字的运营决策。

第三，KPI 换了。进入基线后，继续用“上线了多少个用例”“多少人在用”作为主要成绩指标，是典型的指标错配。基线科目的成绩单只有两类：可用性（有没有中断、切换是否顺畅）与控制有效性（异常能否被拦住、能否被追责、能否被关停）。

定义由此得到本文的第一个框架——预算身份三问。任何一项 AI 能力在写入基线科目之前，应先回答：

  1. 能不能退回去？如果模型或供应商明天不可用，业务能否退回人工或规则流程，回退需要多久、需要谁批准？
  2. 谁签字负责？常态运行的责任人是科技条线还是业务条线？两者的责任边界是否书面化？
  3. 出事按什么口径定级？AI 相关的异常，进入哪一类风险事件清单，按什么标准定级、向谁报告？

三问中任何一问答不上来，说明这项能力还没有准备好进入基线科目——它仍处在实验范畴，就不该按实验的方式治理，也不该按基础设施的方式汇报。

三、第二本账（效益账）：当 ROI 无法逐项归因，机构会不自觉地用过程指标顶替

这条消息里最被忽略的一句话，来自摩根大通 CEO 杰米·戴蒙（Jamie Dimon）：AI 的回报很难逐项量化，节省的时间往往“过于模糊”，无法具体衡量；在被分析师追问技术投入时，他的回应是“我认为最难衡量的一直是科技项目”。

这句话常被当作“大佬也说不清”的段子，但它其实是一个会计事实而不是谦辞：AI 的绝大部分收益是“避免的成本”与“未发生的损失”——没有发生的欺诈、没有派出去的人工、没有延长的处理时长。这类收益天然落在分母与副栏，而不是收入主栏。银行业尤其如此，因为它的产出本身就是对风险概率的定价。

真正的风险出现在第二步：当收益无法归因，组织通常会退回到可以用过程指标证明自己的地方——使用人数、活跃用例数、调用量、token 消耗量、估算的节省工时。这些指标并非无意义，但它们有三个共同缺陷：口径自定、难以审计、只涨不跌。

同一场合里，巴纳姆给出的另一半信息恰好构成解药。他明确表示，没有必要为了“总结一份分析师报告”而使用最尖端、最昂贵的模型，重点在于按用途选用合适的模型；同时他提到，AI 相关费用（token 支出）上半年处于极轻微水平，下半年可能显著上升，但全年预计仍维持在小规模。美国银行方面也给出类似的“双侧记账”：超过 20 万员工使用 AI、日均生成逾 40 万条提示，“生产率确实提升了，但另一方面，支出也相当可观”。

一边是收益难以归因，一边是支出可以精确到 token——这种不对称，正是 AI 财务治理的核心矛盾。由此得到本文的第二个框架——效益口径三件套：

对国内机构的直接含义是：AI 投入的效益核算不该由科技部门自证，也不该由供应商提供的案例背书。基线、边界、对照三件事，应由风险或财务条线在项目立项阶段就参与设定，否则第一年就会形成路径依赖，之后再想纠正口径，等于否定过去的成绩单。

四、第三本账（风险账）：制度留白，检查先行

如果说前两本账是“钱怎么算”，第三本账是“谁来定规矩”。而 2026 年美国监管的动作，恰好给出了一份关于“规则空白期如何治理技术”的样本。

据多家机构解读与公开报道，2026 年 4 月 17 日，美联储、OCC 与 FDIC 联合更新了模型风险管理指引（分别以 Fed SR 26-2、OCC Bulletin 2026-13、FDIC FIL-15-2026 的形式发布），取代了 2011 年起施行、前后管了 15 年的既有框架。这一轮更新的关键变化有两处：一是缩窄了“模型”的定义；二是明确表示生成式 AI 与智能体 AI 属于“新颖且快速演进”的技术，不在本轮指引的适用范围之内，同时预告将就模型风险管理与银行 AI 使用发布跨机构的信息征询（RFI）。（上述编号与要点转引自公开报道与机构解读，本文未一手核实。）

表面看，这像是监管在给 AI“松绑”。但如果把另一条线放在一起读，画面会完全不同。

据路透社援引三名知情人士的报道，OCC 与美联储已经把 AI 纳入了例行检查的固定议题——如今几乎没有一次银行检查不涉及 AI。检查的问法非常具体：

此外，OCC 在 2026 年 5 月发布的《半年度风险展望》中警告，AI 正在“显著改变”银行面临的网络安全威胁格局：它既被用于实施欺诈，也降低了攻击者的准入门槛，并提升了攻击的速度、规模与复杂程度。

把这些拼在一起，可以得到一个结构性判断：美国对银行 AI 采取的是“制度留白 + 检查渗透”的组合。规则层面暂不写死，但检查层面已经在事实上定义标准。对机构而言，这种组合的含义非常明确：

留白不等于免责，等于把定义权交给现场检查官。你不必等到规则出台才准备，但你必须假定每一项“没有规则约束”的做法，都会被问一句：“你的依据、记录和退出方案在哪里？”

换句话说，合规的举证责任从“证明我没有违反某条规定”，变成了“证明我有一套可被检查的控制”。对习惯了“等监管发文再对标整改”的国内机构来说，这是一个需要提前适应的差异：当规则缺位时，证据链本身就是合规资产。

五、两条路径的对照：检查先行，还是立规先行

把中美两条路径并排看，差异不在宽严，而在顺序。

维度美国（2026 年动作）中国（2026 年动作）
规则形态更新模型风险指引，但将生成式 AI、智能体 AI 明确排除在本轮范围外，预告后续信息征询金融监管总局 2026 年 6 月发布《关于银行业保险业人工智能安全开发应用的指导意见》，以指导性意见先行
推进顺序检查先行：AI 已成例行检查固定议题，实务标准由现场问答沉淀立规先行：先给原则与责任框架，再在实际执行中细化
核心抓手具体控制项：技术限制、人工复核、关停开关、供应商穿透与解耦预案责任原则：“谁使用、谁负责”，并要求机构建立自身的治理与安全开发机制
机构应对重点把每一项控制做成可被逐条问、可当场出示的证据把原则翻译成可执行的内部制度，并留下执行痕迹

两条路径的落点其实相同：都要回答责任在谁、证据在哪、能不能停。对同时在两地展业的机构，这意味着同一套证据链要按两种口径准备——对上美国检查，问的是“控制项是否逐条可出示”；对上国内监管，问的是“责任是否逐级落到人”。

更值得注意的是时间差带来的套利心态。当一方规则留白、一方规则先行时，机构内部容易产生两种倾向：在前者处“先跑起来再说”，在后者处“等细则落地再动”。这两种倾向在 AI 上是同一种风险的两种表现——把治理的启动时机，押在外部文件的出台时机上。

六、六条可落地的硬要求

以下六条，与预算规模无关，适用于任何正在把 AI 从试点推向常态运行的机构。

第一条｜先做“可回退性评估”，再决定是否写入基线科目。对每一项拟进入常态运行的 AI 能力，明确技术回退路径、人工/规则备份方案、回退时长与批准权限。不可回退的能力单独列表，配置更强的人工复核与更短的监控周期。

第二条｜效益口径三件套写进立项文件。基线固化、归因边界、反事实对照，三者在项目立项时一次性确定并留痕，由风险或财务条线参与签字，不由项目组自定自证。

第三条｜建立按用途分级的模型准入清单。把“用最昂贵模型处理简单任务（如报告摘要）”列为成本异常项，纳入月度技术费用分析。同时建立 token 消耗的单位经济性指标（单位任务的算力成本），而不是只看总量。

第四条｜准备可被检查的证据链四件套：模型清单与分级、独立验证记录、关停开关与责任人、供应商穿透与退出预案。其中最容易缺的是最后一项：供应商的分包商是谁、其治理要求如何、如果供应商出事如何解耦。这一项在检查中的问法极其具体，无法用原则性回答应付。

第五条｜过程指标与财务指标分开呈报。使用人数、用例数、调用量属于过程指标，不得与节支、增收类财务指标同表并列、更不得同比。两类指标混排，是 AI 汇报材料里最常见的失真来源。

第六条｜把人力结构变化纳入操作风险清单。公开报道援引第三方数据称，美国几家最大银行在 12 个月内发布了 2000 多个 AI 岗位，AI 相关金融岗位的平均薪酬从 2020 年的约 14.2 万美元升至约 18 万美元（第三方数据，未经独立核实）。真正的风险不在薪酬，而在岗位替代的节奏：当入门级分析、文档摘要、基础审核工作被 AI 承接，机构会先失去的是培养判断力的训练场，其次才是人手。这一变化应进入操作性风险与关键岗位管理，而不是只停留在人才预算表里。

结语

回到那条消息本身。198 亿美元并不是一个可以被模仿的数字，但它指向的动作可以被任何规模的机构复制：把 AI 的位置，从“项目”改成“基建”。

这一步一旦迈出，很多过去可以回避的问题就再也回避不了——它不再享有试点阶段的宽容，必须回答可回退性、签字责任与事件定级；它的效益不再能靠使用人数自证，必须回答“如果没有它会怎样”；它的控制不再能靠原则性描述过关，必须能在检查现场逐条出示。

预算身份即治理身份。当一笔钱从“这次试试看”变成“每年都必须花”，机构为它承担的义务，也就从“用一次算一次”，变成了“每天都要为它负责”。

FAQ

Q1：我们银行的技术预算距离 198 亿美元差了两个数量级，这篇分析对我们有什么用？

A1：有用的不是金额，而是动作结构。摩根大通的做法可以拆成三件事，与规模无关：一是把 AI 从项目科目挪进常态运行科目，从而重新定义它的考核与问责；二是承认效益难以逐项归因，转而建立基线、边界与对照三件套；三是提前准备可被检查的证据链。中小机构完全可以在这三件事上直接对齐，且成本主要是制度成本而非采购成本。

Q2：“把 AI 写进核心基础设施”到底改变了什么实际动作？

A2：改变的是四个动作：一是筛选门槛（不再逐项过 ROI 关，改用基线可用性与控制有效性）；二是停用成本的性质（从“项目失败”变成“业务中断”，需多方签字）；三是考核指标（从用例数、使用人数转向可用性与控制有效性）；四是治理责任（从技术团队的技术判断升级为业务、风险、合规的共同责任）。如果只调整了预算科目而没有调整后三项，这个“重新归类”就只是说法。

Q3：AI 该不该设 ROI 门槛？

A3：要区分两类投入。探索性投入应当设门槛，且门槛应当偏高、周期偏短，鼓励快速止损；进入常态运行的能力不宜再逐项设 ROI 门槛，但必须设单位成本与对照口径。真正危险的不是“没有 ROI 门槛”，而是“既没有门槛，也没有基线”，此时效益叙述会完全依赖自证。

Q4：token 成本怎么管才算到位？

A4：三个层次。第一层是按用途分级选模型，把高成本模型限定在高价值任务上，明确“简单任务不用最贵模型”为制度而非倡导；第二层是建立单位任务算力成本指标，把总量口径拆到单笔业务；第三层是把算力成本纳入业务条线的损益视角，让使用方对成本有感知。缺少第三层，前两层都会在执行中被稀释——因为成本不落在使用者的账上。

Q5：美国监管把生成式 AI、智能体 AI 排除在模型风险指引之外，是否意味着监管放松？

A5：从条文看是范围收缩，从实践看不是放松。同期的事实是：AI 已被纳入例行检查的固定议题，且检查的问题非常具体（技术限制、人工复核、关停开关、责任人与备份方案、供应商及其分包商、解耦能力）。这是一种“规则留白 + 检查渗透”的组合：标准不在文本里，而在现场问答里沉淀。对机构的实际要求反而更高——因为你无法通过“逐条对标规则”证明合规，只能通过“逐条出示控制”证明可控。

Q6：如果只允许先补一块，应该补哪一块？

A6：补“证据链”这一块。具体而言，先把模型清单与分级做实，再把关停开关与责任人落到具体岗位，然后补供应商穿透与退出预案。原因很直接：这三项在任何一种监管路径下都会被问到——无论规则先行还是检查先行，无论国内还是跨境，问法不同但指向同一件事：当这套系统出问题时，你有没有能力停住它、说清是谁的责任、并把业务接回去。这一块补齐的成本远低于算力投入，缺了它则会抵消其他所有投入的合规价值。

事实来源

（作者：金融行业风险管理从业者）

（内容由AI生成，仅供参考）

关于作者

毕超，博士、高级工程师（计算机技术专业），金融行业风险管理从业者。

清华大学校友导师，中国人工智能学会终身会员，中国计算机学会学术审稿专家。

研究方向：大语言模型、数字金融、金融科技。2024年获北京市西城区"西融计划"青年拔尖人才。

了解更多：关于作者

下一篇 →智能体爬过那道篱笆：首例 AI 自主入侵政府网站事件，给银行 AI 治理划出三条硬边界

相关文章

← 返回首页  |  关于作者  |  RSS