从“可控试验”到“可复制规模化”：BNY 的 Eliza 平台如何把生成式 AI 变成银行的“操作系统”

开篇导语：背景与转折

纽约梅隆银行（BNY）不是一家可以“慢慢试”的机构：它承担的是全球金融体系的底层基础设施角色——资产托管、清算、数据与现金的流转与安全。其资产托管与/或管理规模在 2025 年三季度末约为 57.8 万亿美元，任何流程的误差、延迟与合规瑕疵，都会被放大为系统性风险。 (bny.com)

ChatGPT 在 2022 年末引爆生成式 AI 之后，BNY 并未把探索限定在少数工程师或创新实验室里，而是迅速把问题上升到“企业运行方式”的层面：如果 AI 终将成为未来技术的操作系统，那么在系统重要性机构里，AI 不能以“旁路工具”存在，它必须在治理、权限、审计与责任边界之内扩展。 (OpenAI)

这就是转折点：BNY 选择建设一个集中化平台 Eliza，以平台化方式把模型能力、治理机制与员工赋能整合为一套“可规模化的工作系统”，并与 OpenAI 等前沿模型能力协同推进。 (OpenAI)

问题认知与内部反思：短板不在“有没有模型”，而在“组织结构性失衡”

在大型金融机构里，阻碍 AI 规模化落地的通常不是算力或模型本身，而是三类结构性失衡：

信息孤岛与权限割裂：跨法务、合规、业务、工程的数据与知识无法在统一边界内流动，导致“能用的数据用不上、能用的知识搜不到”。
知识断层与复用困难：点状 PoC 产生的提示词、代理与最佳实践很难跨团队复制，创新只能重复发生，难以形成飞轮。
风险审查与实验速度冲突：越是高风险行业，越容易把治理变成“审批堆叠”，结果是实验变慢、落地更慢，最终让治理与创新两败俱伤。

BNY 的判断是：治理不应成为 AI 规模化的刹车，而应成为油门——前提是把治理设计进系统，而不是事后补丁。OpenAI 的案例叙述与 BNY 官方介绍都强调：Eliza 的关键差异在于系统层面嵌入治理，让提示、代理开发、模型选择与共享在受控环境中完成，并通过跨职能机制持续评审用例。 (OpenAI)

转折点与 AI 战略引入：把“用 AI”升级为“用平台重塑工作法”

BNY 并未把生成式 AI 定义为单点效率工具，而是把它定位为“工作系统”与“平台能力”。这一战略落点体现在三件事上：

集中化 AI Hub + 企业平台 Eliza：统一入口、统一能力栈、统一治理与审计边界。 (OpenAI)
从用例驱动到平台驱动：先让每个部门都能“构建”，再通过共享与复用形成规模化扩散。Eliza 支持 125+ 个在线用例，20,000 名员工在构建代理。 (OpenAI)
把“深度研究”纳入决策链：在法律问题评估、风险建模、情景规划等高复杂任务中，把多步骤推理与内外部数据结合，作为决策前置的“思维伙伴”，并与代理协同触发后续行动。 (OpenAI)

组织智能化重构：从部门协同到“知识—流程—责任”的系统化

Eliza 不是“一个聊天工具”，而是一种组织运行机制的重构，核心变化可以概括为三条链条：

1 部门协同 → 知识共享机制

BNY 在 Eliza 的使用中形成了“共同实验—共享提示—复用代理—持续迭代”的协作方式，协作不再意味着更多会议，而意味着更高频的共同验证与复用。 (OpenAI)

2 数据复用 → 智能工作流形成

Eliza 将权限、控制与监督统一在平台层，使“可用数据”与“可用知识”能够进入受控工作流，减少重复劳动与灰色流程，同时为规模化复用提供基础设施。 (bny.com)

3 决策模式 → 模型共识机制

在高风险行业，“模型输出”必须与责任机制绑定。BNY 的路径是将治理机制产品化：用跨职能评审与平台内的可见控制，让用例从一开始就在同一套风险框架与监督体系内演进。 (bny.com)

对哈希泰格而言，这类路径的抽象结论非常清晰：AI 转型的交付对象不是“某个模型”，而是“可复制的智能工作系统”。在产品形态上，对应的往往是类似 YueLi Engine（知识计算/编排层）+ EiKM（知识沉淀与复用）+ 行业系统（如 ESGtank） 的组合式平台化能力——用统一边界把“知识、工具、流程、审计”连接成闭环。

绩效与量化成效：用指标证明“规模化不是口号”

BNY 的案例里，最有说服力的是“早期用例就能量化、且能复制”的证据：

合同审核助手：针对每年 3,000+ 份供应商协议，将法律审核时间从 4 小时降至 1 小时，降幅 75%。 (OpenAI)
平台规模指标：Eliza 支持 125+ 个在线用例，20,000 名员工在构建代理，表明能力已从“专家少数”扩散到“组织多数”。 (bny.com)
文化与能力扩散：通过培训与社区化活动，推动员工把自己视为问题解决者与“代理构建者”，并以黑客松等形式跨部门共创。 (OpenAI)

这些指标共同指向一个更重要的结果：AI 的价值不止体现在节省工时，而在于把知识工作从“人工搬运”升级为“可控的自主工作流”，从而提升组织弹性与响应速度。

治理与反思：技术与伦理的平衡，靠“内生化治理”而非“外置审批”

在金融行业，AI 的主要风险并不抽象：数据滥用、隐私与合规、模型幻觉导致的错误决策、权限越界、审计不可追溯等，任何一个都可能变成声誉与监管事件。

BNY 的治理思路不是额外加一道“AI 审批流程”，而是把治理机制做成平台能力的一部分：

统一的权限、安全防护与监督体系；
用例在上线前后持续评估与迭代；
用治理促进更快行动，而不是用治理压制创新。 (bny.com)

对同行业的启示也很直接：

先定义责任边界，再谈自治程度：没有“可追责的自治”，就没有可规模化的代理。
把治理做成产品，而不是流程：治理一旦停留在文档与会议里，规模化必然失败。
把培训当作基础设施：组织里真正的瓶颈往往是能力分布，而不是模型能力。

BNY 场景下的 AI 应用效用一览表

应用场景	使用 AI 技能	实际效用	定量成效	战略意义
供应商合同审核	NLP/检索增强生成（RAG）+ 结构化摘要	缩短法务审阅与比对时间、提升一致性	审核从 4 小时降至 1 小时（-75%）；覆盖 3,000+ 份/年 (OpenAI)	把高风险知识工作流程化、可审计化
人力资源政策问答	企业知识库问答 + 权限控制	减少人工工单、统一口径	文中描述为减少人工请求并提升一致性（未披露具体数值） (OpenAI)	以知识复用降低组织摩擦
风险洞察代理	多步骤推理 + 内外部数据联合分析	识别新兴风险信号、提前干预	文中未披露具体提前量（示例为“在问题升级前采取行动”） (OpenAI)	以“认知前置”提升风险弹性
企业级规模化平台（Eliza）	代理构建/共享 + 统一治理 + 受控环境	把创新从少数专家扩散为全员能力	125+ 在线用例；20,000 员工构建代理 (bny.com)	将 AI 变成组织的“操作系统”

哈希泰格式智能化跃迁——交付“体验与价值转换”，而非交付“技术清单”

BNY 的案例之所以具有行业代表性，不在于它“用了哪个模型”，而在于它把生成式 AI 的扩散路径设计成了可复制的组织能力：用平台统一边界、用治理加速扩散、用培训重塑文化、用可量化用例建立信任。 (OpenAI)

对哈希泰格而言，这正是产品化与交付方法论的落点：以 YueLi Engine 将“知识—数据—模型—流程”编排为可复用的智能工作流，以 EiKM 将组织经验沉淀为可检索、可复盘的知识资产，并在 ESGtank 等行业系统中把智能能力嵌入合规与治理框架，最终让 AI 以“可控、可审计、可复制”的方式进入企业日常运作。

当 AI 被真正嵌入组织的权限、审计与责任结构时，它才不再是一阵效率风潮，而会成为企业长期竞争力的复利引擎。