摩根大通为人工智能设定目标并揭示金融行业尚未关注的手册
在一家公司拥有人工智能工具与管理其采用与可衡量目标之间存在着巨大差异。摩根大通刚刚证明它属于第二类，而这一细节改变了一切分析。
据《商业内幕》分析的内部文件显示，该银行已经为其软件工程师制定了具体的目标，要求他们利用公司提供的人工智能工具。这个举措并不是内部沟通的宣传活动，也不是试点实验，而是一个将人工智能直接纳入评估开发人员的绩效指标的系统。这一信号非常明确：在摩根大通，使用人工智能已不再是可选的或理想的，而成为工作的组成部分。
这将该机构置于一个金融组织中很少有能够达到的转折点，更少的能够持续这一转变。
让效率成为什么
当像摩根大通这样的大型组织——拥有成千上万分布全球的工程师——决定正式设定技术采用目标时，最直接的风险并不是技术问题，而是组织设计的问题。
在纸面上，这一举措的金融逻辑完美可行：如果每位工程师在固定时间内能够产生更多的审阅代码、更多的自动化测试和更多的完成周期，则每行交付代码的成本将下降。软件开发的单位经济效益被压缩。 对于每年在技术上花费数十亿美元的公司来说，这对运营利润率产生直接影响。
但这个计算常常忽略了一个隐形的机制。当目标围绕生产速度设定时，唯一被排除在仪表盘之外的就是质量标准。一位工程师虽达成了自己的任务配额，但可能会同时将架构决策外包给不应仅仅依靠模型作出的任何决定。无监督的加速并不会提升价值，而是扩大错误的规模。
摩根大通真正的挑战不是让其工程师使用这些工具，而在于设计目标，使工具能增强专业人员的判断，而不是替代它。如果指标仅仅衡量输出数量——任务完成数量、提交数量、闭合周期数量——则激励机制将推动一种快速但缺乏深入的自动化形式。这是摩根大通这样的系统性金融实体在关键系统中绝对无法承受的。
为什么这一举措的重要性超越银行本身
摩根大通的这一举措并非在真空中进行，而是金融行业将要经历的人工智能采用趋向成熟的阶段的制度体现，预计在接下来的24至36个月内，整个行业都将经历这一阶段，而多数公司尚未做好管理的准备。
在过去的两年中，行业经历了被称为失望阶段的阶段：人工智能的承诺明显超越了实际生产中的可衡量结果。演示令人印象深刻，试点项目却 modest，许多组织往往将获得工具的访问权误认为能够将其融入工作流。摩根大通正在部署一种不同的方式：它正在正式实现颠覆阶段的过渡，在这个阶段，技术不再仅仅是实验性质的资产，开始重新定义谁能竞争，以及在什么成本下进行竞争。
这一过渡对三类参与者将产生直接影响。对拥有遗留技术结构的中型银行而言，与已具备结构化采纳系统的实体之间的生产力差距，将迅速扩大，远超其董事会所预见。对于那些在没有采纳指标的情况下销售人工智能实施的科技咨询公司来说，商业模式已进入倒计时。对于软件工程师本身，不论所在行业，劳动市场开始在那些能够有意识地使用人工智能与那些仅仅与其共存的人之间分化。
低附加值软件开发的去货币化进程已在进行中。 例行编码、文档编写和标准代码审查等任务正在被模型所吸纳。唯有设计复杂系统、在不确定性下进行架构决策以及基于专业判断监督模型输出的能力保留了高市场价值。这些是无法简单外包给模型的。
还没有人测量的真正指标
有一个问题是摩根大通的内部文件未公开回应的：如何衡量一位工程师是在利用人工智能更好地思考，还是仅仅是在更快地生产？
这种区分并非哲学问题，而是对银行在生产中部署的系统质量、其团队发现模型产生高置信度但低准确性故障的能力，以及中期内运营模型可持续性的直接影响。
最先解决这一测量问题的组织——那些设计出增强判断质量而不仅仅是输出速度的指标的组织——将把这一采用阶段转变为结构优势。而那些未能解决这一问题的将建造出一台快速生产技术债务的大规模机器。
这一点适用于摩根大通，也适用于任何拥有超过五十名开发人员的企业。竞争力的向量已经不再是获得模型的访问，因为这一访问正在被民主化。关键在于围绕这些模型的组织架构：监督过程、激励机制，以及引导其使用的人类标准的质量。
人工智能并不因其简单存在而产生竞争优势。只有当其设计用于增强拥有上下文、责任和修正能力的人的判断时，才产生竞争优势。
