纽约梅隆银行淡化Token指标，转看AI产出

纽约梅隆银行并未跟随企业 AI 领域一度流行的“tokenmaxxing”做法。该行首席财务官 Dermot McDonogh 表示，内部评估 AI 更看重业务结果，而不是提示词数量、token 消耗或 agent 部署规模。

不把 token 用量当成核心指标

McDonogh 表示，token 成本在该行整体工程预算中占比很小，因此管理层没有把它作为重点讨论对象。即便这一指标在外部讨论升温，BNY 最终仍认为，它不足以反映 AI 的真实价值。

他称，自 ChatGPT 出现以来，BNY 已持续数年建设内部 AI 平台，并与多家云服务商和模型提供方合作。该平台不绑定单一大模型，内部系统会把任务分配给合适模型，员工不需要手动围绕成本反复优化提示词。

代码、开户与支付流程已落地

BNY 披露，AI 已进入多项核心业务流程，且效果开始量化。

• 2026 年第一季度，超过 40% 的代码由 AI 生成
• 近期这一比例已升至约 50%
• 约一半年度账户计划由 AI 起草

此外，约 25% 的客户开户流程已获得 AI 支持，约 70% 的受限方支付筛查由 AI 审核。McDonogh 表示，这些变化并未直接带来人员规模收缩，但提升了现有团队的处理能力。

财务指标出现提升

从财务结果看，BNY 人均营收已从 2022 年的 33.8 万美元升至 2025 年的 40.1 万美元；同期人均税前利润从 9.9 万美元升至 14.3 万美元。McDonogh 将这类变化定义为“产能扩张”，而非单纯节省成本。

BNY 目前按创新、获客、开户、交易和流程精简等核心环节跟踪 AI 影响，并持续完善内部“Eliza”平台。该平台被用作全公司的上下文层，会随着数据和使用场景增加不断迭代。

在员工管理上，BNY 还设置了三层 AI 熟练度体系。员工完成培训和测试后，才能进入更高等级，并获得更先进模型的使用权限。该行称，这样做是为了兼顾使用质量和责任划分。

McDonogh 还提到，在财务部门内部，AI 已开始用于监管报告、资产负债表分析、预测建模以及财报准备，包括汇总分析师预期和提前整理投资者可能提出的问题。按他的说法，衡量 AI 生产率的关键，不在于“用了多少”，而在于“组织因此能多做多少事”。