美国区域性银行 M&T Bank 已向超过 1.5 万名员工推广内部 AI 副驾工具，用途覆盖呼叫中心通话分析、报告起草、代码生成、挖掘客户需求以及识别投资组合风险。不过这家银行值得关注的地方并不是推广速度，而是在动手做生成式 AI 之前，它用了 8 年时间重建技术团队与数据底座。

起点是禁止使用公开大模型

M&T Bank 最先做的不是引入，而是封堵。银行限制员工访问公开的大语言模型，首席数据官 Andrew Foster 给出的理由是，员工有可能把敏感的公司信息输入面向公众的服务。对受监管的金融机构来说，这是合理的判断。

随后银行比较了面向企业的供应商，选定了 Microsoft Copilot。推广没有一次铺开，而是先做约 800 人规模的试点，再逐步扩大范围。目前披露得最具体的效果来自呼叫中心：用生成式 AI 总结通话内容，每通电话大约节省 6 分钟。开发部门则使用 GitLab 的工具生成代码。

对产出结果的准确性负责的仍然是员工本人。这一原则写进了 2026 年版的商业行为与道德准则，其中明确要求只能使用经批准的 AI 工具，并禁止把机密信息、专有信息、客户信息、员工信息或受监管信息输入未经批准的系统。

在 AI 之前，先花 8 年重建技术部门

这次生成式 AI 的推广，建立在 2018 年启动的技术改造之上。当时银行一半以上的技术人员来自外部，如今自有员工占到 8 成。技术人员约 2,000 人，分布在 300 多个敏捷团队中，这一过程中银行招聘了 1,000 多名技术专家。

老旧平台的替换同步推进。银行表示，系统故障较 2018 年下降超过 8 成，每年完成的系统升级数量增加到 3 倍。2018 年出任首席信息官、2025 年起统管技术与运营的高级执行副总裁 Wisler 表示，年度发布次数从 2018 年的约 1.5 万次增加到 2025 年的 6.5 万次。2025 年技术相关支出超过 12 亿美元（约 1,870 亿日元），接近 2017 年的 3 倍。

※1 美元 = 156 日元（截至 2026 年 9 月 8 日）

换句话说，在往上放东西之前，先把承重的台子重做了一遍。

让数据的来源可以追溯

另一项准备工作在数据一侧。2023 年入职的 Foster 启动了数据血缘项目，用来追踪信息在哪里产生、如何被使用、在系统之间如何流动。他说这项工作并不是为了应对生成式 AI 而做，而是理解自身数据资产的基础能力。

具体做法上，银行使用 Solidatus 和 Monte Carlo 的数据血缘软件，把信息经过数据库、应用程序到商业智能工具的路径可视化。银行还建立了名为 Edison 的内部知识库，收录正式文档与各项规章。检索增强生成（RAG）调用的正是这些受治理的数据。围绕数据治理与数据技能开设的 Data Academy 约有 2,000 人参加。

每一个数据项的来源、含义、质量与治理状况都能看清。先做到这一步，再把 Copilot 放上去。

三条路径与同业的位置

Wisler 把银行的生成式 AI 工作归纳为三条路径：员工作为通用工具使用、已嵌入现有应用中的 AI 能力、以及围绕自有数据与业务流程自建的系统。银行运行着 1,800 多个应用程序，其中很多来自第三方供应商，因此找出软件里已经带有的 AI 功能并加以利用，是相当务实的第二条路径。自建方向上，重复性事务、软件开发、反欺诈和网络防御是最先落地的场景。

规模更大的银行走得更靠前。JPMorganChase 在 2024 年把内部平台 LLM Suite 开放给超过 20 万名员工，到 2025 年，企业与投资银行部门有 6.5 万人以上在实际使用，超过 9 成的工程师在使用 AI 编程助手。其基于 AI 的交易筛查在核查量增加一倍以上的同时，把人工复核减少了一半。Bank of America 则向 1.8 万名以上客服人员部署了 EricaAssist，按 2026 年 7 月的说法，系统能在 3 秒内给出结合上下文的建议，平均通话时长缩短接近 1 分钟。

M&T Bank 的员工总数约为 2.2 万人。绝对数字上不占优势，但从覆盖比例看，与大行的差距并不大。

公布的使用人数取决于怎么数

这里有一个读数字的细节需要留意。American Banker 在 2025 年 9 月报道称，M&T Bank 约 2.2 万名员工中已有 1.6 万人在使用 Microsoft Copilot。而这次公布的数字是超过 1.5 万人。看起来像是减少了，但这取决于统计口径指的是发放的许可证数量、拥有访问权限的人数，还是实际在使用的人数。

在报道企业采用生成式 AI 时，这种区别常常被略过，只有人数被单独传播。要比较数字，先要把口径对齐。

总结

M&T Bank 向超过 1.5 万名员工推广了 AI 副驾，通话摘要每通节省约 6 分钟。但在这之前，是从 2018 年延续至今的技术改造：自建比例 8 成、故障下降超过 8 成、年度发布 6.5 万次、技术支出 12 亿美元。数据血缘与 Edison 也让交给 AI 的数据来源变得可追溯。如果说这个案例有值得借鉴之处，那与其说是选了哪个模型，不如说是在做选择之前把什么准备好了。