JPMorgan Chase
美国 · 工业化部署
- 2026 年技术预算约 198 亿美元，覆盖核心系统、云、安全、数据和 AI。
- AI 已进入编码、营销、定价、销售优化和客户个性化。
- 消费银行披露 2025 年 AI/ML 创造价值同比增长近 60%。
FINANCIAL AI RESEARCH · 2026
两层预算，四层技术栈数据库升级、Token 调用与 Agent 工作流
从银行年报、投资者材料和官方技术披露出发，重构金融机构 AI 预算的真实结构：核心数据库与系统升级是一层，员工与业务流程的模型调用、Token 消耗和 Agent 执行是另一层。
01 · Executive Summary
AI 已从员工助手进入金融核心流程
银行业当前真正的分水岭，不是购买了多少 Copilot 席位，而是模型能否在权限、审计与数据不出域的前提下读取核心数据库，并执行 KYC、信贷、财富管理、风险合规和运营流程。
$19.8B
JPMorgan 2026年技术预算
$13.5B
Bank of America年度技术支出
85,000+
UBS内部AI助手覆盖
100,000小时
Citi每周释放开发产能
核心判断：金融 AI 的第一阶段是让员工使用 AI，第二阶段是让 AI 安全读取银行数据，第三阶段是让 Agent 接管流程。Oracle 等数据库厂商的主要机会集中在第二阶段，Microsoft 横跨办公入口、云和数据层，工作流厂商的价值在第三阶段放大。
02 · Capital Architecture
两层预算框架与四层技术栈
金融机构很少单列“AI 资本开支”。服务器、云、数据库、数据治理、软件开发、模型调用、许可证和人才成本通常分散在技术费用、专业服务费、人员费用及资本化软件中。
1核心数据库与系统
Oracle、主机、账务核心、支付清算、客户与交易数据。重点是向量检索、权限和低延迟接入。
偏长期合同与基础设施投入2数据与 AI 控制平面
数据湖、元数据、身份权限、模型路由、审计、隐私与模型风险管理。
偏云、数据平台和治理费用3模型与 Token 推理
OpenAI、Anthropic、Google、Mistral 及内部小模型的 API、推理和企业许可证。
偏 Opex，随使用量变化4Agent 与业务工作流
KYC、财富顾问、投行尽调、信贷、客服、反洗钱、报告生成和软件开发。
决定最终业务回报示意性预算结构
以下为研究框架，不是任何一家银行的公开预算拆分。早期阶段基础设施与数据治理占比通常更高。
03 · Maturity Matrix
机构成熟度分层
| 梯队 | 机构 | 主要特征 | 当前观察 |
|---|---|---|---|
| 工业化部署 | JPMorgan、Bank of America、UBS、Citi | 员工覆盖、数据基础和核心流程接入均较强 | 开始披露效率、使用量或产能改善 |
| 高价值场景 | Morgan Stanley、Goldman Sachs、Santander、BNP Paribas | 财富管理、投行、KYC、贷款和运营流程深化 | 单位任务价值高，整体财务回报仍待验证 |
| 基础设施加速 | Barclays、HSBC、Wells Fargo、Deutsche Bank | Copilot、云、数据治理和自托管模型投入增加 | 规模化收益披露相对有限 |
04 · Institution Tracker
重点金融机构 AI 应用进度
Bank of America
美国 · 客户侧规模领先
- 年度技术支出约 135 亿美元，超过 40 亿美元用于新技术项目。
- Erica 累计交互超过 34 亿次，形成统一数字服务入口。
- 95% 员工采用 Erica for Employees，企业客户接入 CashPro 助手。
Citigroup
美国 · Agentic AI 加速
- Citi Assist、Stylus 与 Workspaces 覆盖政策查询、文件分析和多步骤任务。
- AI 辅助开发工具每周释放约 100,000 小时开发产能。
- 重点切入 KYC、批发贷款、信用审查、数据质量和风险控制。
Goldman Sachs
美国 · 高价值流程重构
- GS AI Assistant 从约 10,000 人试点扩展至全公司。
- One Goldman Sachs 3.0 重点重构 KYC、监管报告、贷款、风险及销售支持。
- 知识员工成本高，AI 回报更可能体现为交易团队产能和收入提升。
Morgan Stanley
美国 · 财富管理最深入
- AI Debrief 生成会议纪要、行动事项和客户邮件草稿，并写入 Salesforce。
- AskResearchGPT 服务研究、投行及销售交易人员。
- 核心经济逻辑是提高顾问人均管理资产和客户接触频率。
UBS
欧洲 · 全员覆盖领先
- M365 Copilot 扩展至全部符合条件员工，内部助手 Red 覆盖超过 85,000 人。
- 披露 280 多个已上线 AI 用例，开发效率目标提高 15%。
- 与 Credit Suisse 系统整合并行，AI 与应用、服务器和数据中心简化形成协同。
Barclays
欧洲 · 横向 Copilot 规模化
- 从 15,000 人试点扩大至 100,000 名员工。
- 建设 Colleague AI Agent，覆盖 HR、合规、差旅和内部搜索。
- 下一阶段取决于从办公助手进入银行纵向流程的速度。
HSBC
欧洲 · 自托管模型路线
- 与 Mistral AI 建立多年合作，计划在内部技术系统运行自托管模型。
- 已有市场分析、金融犯罪与客户服务 AI 场景。
- 重点解决跨境银行的数据主权、隐私与模型控制要求。
Santander
欧洲 · 全员 AI 战略
- AI 工具扩展至全球约 185,000 名员工。
- 聚焦投资 Copilot、个性化客户旅程和后台 Agent。
- 员工覆盖快，接下来需要验证成本、收入与客户转化结果。
BNP Paribas
欧洲 · 用例数量领先
- 披露超过 800 个 AI 用例投入生产。
- 与 Mistral AI 合作，覆盖市场报价、投顾、欺诈识别和运营效率。
- 欧洲本土模型有助于满足数据主权和监管要求。
05 · Database Thesis
Oracle 在金融 AI 架构中的真实位置
金融核心数据的黏性入口
大型金融机构的数据高度敏感，模型不能无边界地复制客户、交易和风险数据。数据库原地向量检索、行列级权限、审计与低延迟访问，使 Oracle 有机会从传统数据库供应商升级为 AI 数据控制平面的一部分。
- 机会不只来自新增数据库许可证，也来自 23ai 升级、云数据库、向量检索和数据安全。
- 最强护城河是嵌入核心系统和监管流程，不是通用大模型能力。
- 银行最终仍会采用多模型架构，因此数据库层的中立性比绑定单一模型更重要。
Oracle 的受益边界
直接受益：数据库升级、云数据库、向量索引、数据治理、灾备和高可用。
间接受益：Agent 对核心数据查询量上升，推动数据库计算和存储负载增加。
限制因素：大型银行会维持 Oracle、IBM、Microsoft、开源数据库和云原生服务的混合架构；AI 支出不会全部流向 Oracle。
更准确的投资表述：Oracle 是金融 AI 的数据底座受益者之一，其机会来自核心数据被 AI 安全调用的频次上升，而不是包揽银行的全部模型预算。
客户与交易数据：账户、支付、持仓、信贷
↓
Oracle / 核心数据库：权限、审计、向量检索
↓
AI 控制平面：数据脱敏、模型路由
↓
模型与 Agent：OpenAI、Anthropic、内部模型
↓
业务结果：KYC、顾问、风险、运营
06 · Inference Economics
员工日常 API 与 Token 费用测算
Token 成本会随着员工采用率和任务复杂度迅速增长，但单位模型价格、缓存、批处理、小模型分流和企业合同会压低平均成本。以下工具用于建立量级感，不代表任何银行真实合同价格。
估算年度模型调用成本
$0
月均 $0
年度请求量：0
每名实际用户年均：$0
预算含义：Token 费用是高度可变的 Opex，但在大型银行总技术预算中通常仍小于核心系统、数据治理、网络安全与集成成本。真正昂贵的部分往往是让模型安全地接入数据和流程，而不是单纯生成一段文字。
07 · Investment Map
金融 AI 供应链映射
数据库与核心系统
Oracle、IBM、Microsoft SQL Server、PostgreSQL 生态。受益于数据库升级、查询负载和数据安全。
云与数据平台
Microsoft Azure、AWS、Google Cloud、Snowflake、Databricks。承接数据湖、模型训练和治理。
模型与企业入口
Microsoft、OpenAI、Anthropic、Google、Mistral。收入来自许可证、API 和推理调用。
工作流与执行层
Salesforce、ServiceNow、Palantir、UiPath 及银行内部平台。价值来自把 AI 嵌入流程。
投资主线优先级
| 主线 | 确定性 | 逻辑 | 主要风险 |
|---|---|---|---|
| 数据库与数据治理升级 | 较高 | 监管数据必须可控、可审计，核心系统迁移周期长 | 混合架构分流，银行议价能力强 |
| 企业 AI 入口与云 | 较高 | 员工覆盖快，Microsoft 可横跨办公、身份、云与模型 | 许可证优化和多模型策略压低 ARPU |
| Token 与基础模型 | 中等 | 使用量高速增长，高价值推理需求持续 | 价格下降、小模型替代和自建模型 |
| 银行自身效率改善 | 中短期有限 | 长期可提高顾问产能、自动化率和客户黏性 | 初期双重成本、合规和人工复核保留 |
08 · Three-stage Evolution
未来三阶段演进
阶段一：员工助手
文档摘要、会议纪要、内部知识搜索和代码生成。部署快，风险较低，ROI 最易验证。
阶段二：数据库 AI 化
模型通过权限和审计层读取客户、交易、研究及风险数据。Oracle 与数据平台的战略价值上升。
阶段三：Agent 接管流程
Agent 执行 KYC、信贷、投行尽调、运营和客户服务，人工转为监督与例外处理。
最终结论
金融 AI 的最大支出项不一定是 Token。短中期最大的预算池仍是核心数据库、数据治理、云、安全与流程集成。随着基础设施完成，模型调用和 Agent 执行的占比才会持续上升。评估银行 AI 进展，应同时观察技术费用、员工采用率、核心流程接入深度、可量化产能和模型治理能力。