美国银行（Bank of America）的 EricaAssist 会在客服通话中整理来电原因并推荐下一步；摩根士丹利（Morgan Stanley）的 Debrief 会把客户会议笔记保存到客户关系管理系统；西班牙对外银行集团（BBVA）与维萨公司（Visa）的测试中，AI Agent 已经发起过一笔真实支付。三者都与 AI 有关，但它们能够“动手”的程度完全不同。[2][3][10]

通俗地说，EricaAssist 像客服屏幕旁的副驾驶，Debrief 像经客户同意才启动的会议秘书，BBVA 的测试则让系统在严格限制下第一次碰到了真实支付。一个给建议，一个能写入业务系统，一个会改变外部交易状态。判断银行 AI 是否进入智能体阶段，不能只看产品是否带有“Agent”名称，而要看三个问题：谁决定下一步、系统能调用什么、执行结果由谁负责。

公开证据显示，国际银行目前最成熟的实践仍集中在助手和受控的智能体式工作流：检索资料、生成摘要、提出建议、串联固定步骤，或者在人工控制下完成有限写入。越接近外部行动，公开案例越少，权限和安全措施也越具体。对银行而言，更高自治并不天然更先进；在明确任务中可靠完成闭环、留下证据并能被控制，才是更有价值的成熟度。

一、先建立一把尺：会说、会做与能否规模化是三件事

“AI 助手”“生成式 AI”“智能体”经常混在一起使用。为便于比较，本文不采用统一的行业分级，而是按照系统实际能够完成的动作，使用以下四种工作性描述。

还要把两条轴分开。部署成熟度回答“有没有稳定生产使用”，可以从概念、试点、有限生产到规模化生产；自治程度回答“系统能自己做到哪一步”，可以从回答与建议、受控多步骤工作流，发展到有限行动乃至开放式自治。

因此，一个系统完全可能已经服务数千万客户，却主要仍是低自治助手；另一个系统也可能会发起真实交易，却仍处在小范围测试。把两者压成一个“先进程度”分数，会同时误判价值和风险。

二、第一阶段：最先规模化的，是帮助人工作

美国银行：从客户服务前台到坐席副驾驶

美国银行是一家大型综合性银行。2018 年上线的 Erica 位于手机银行等数字渠道，可以把它理解为客户侧的“智能服务前台”：客户查询账户、交易或服务问题时，它负责理解问题、给出受控回答、提供提醒，复杂情况再转给真人。它连接银行已有的账户与服务流程，但不是保存余额的核心账务系统。

这里尤其要避免“用今天的名字解释昨天的技术”。美国银行 2025 年的回顾显示，Erica 长期依赖受控回答库和持续工程更新：当时已使用 700 多条回答、能够识别数百万种客户问题，自上线以来累计更新超过 75,000 次；累计交互已超过 30 亿次。[1] 这些数字证明它是规模化数字服务入口，却不能把 2018 年首版倒推成今天意义上的大语言模型 Agent。

同一品牌体系下还有两个容易混淆的入口。Erica for Employees 是员工查询内部服务信息的“内部办事问询台”；EricaAssist 则嵌在客服工作台中，是人工坐席的“屏幕副驾驶”。三者服务对象和业务位置不同，不能写成一个软件按顺序改了三次名字，也不能仅凭品牌相近推断它们共享同一模型或数据库。

2026 年，美国银行宣布为已有的 EricaAssist 增加生成式 AI 能力。系统可以在通话中概括客户为何来电，汇聚相关客户信息，并依据员工岗位和客户关系推荐下一步；最终解释、判断和处置仍由客服人员完成。银行披露，18,000 多名员工使用该工具，平均每次通话缩短近一分钟。[2] 这是有价值的流程指标，但材料没有给出测量期间、对照组和不同来电类型的质量变化，因此不能进一步写成确定的财务收益。

星展银行与 NatWest：先增强坐席，再谈自主服务

星展银行（DBS）总部位于新加坡。它的 CSO Assistant 面向 Customer Service Officer，即客服人员，可以理解为坐席旁的“实时速记员和知识助手”。星展银行 2024 年年报披露，新加坡、香港、印度和台湾的客服人员已使用这套内部开发的生成式 AI 工具，系统能够实时转录、摘要并推荐客户问题的解决方案。年报同时写的是“预计通话处理时间最多降低 20%”，因此 20% 是目标，不是已实现结果。[15]

英国国民西敏寺银行集团（NatWest Group，本文简称 NatWest）的 Cora+ 则是面向客户的生成式服务升级。Cora 是原有数字助手；国际商业机器公司（IBM）的案例材料显示，Cora+ 采用 watsonx Assistant 对话式 AI 平台和 IBM Cloud 云服务，增加生成式问答与检索。需要真人介入时，NatWest 的公告说明系统会把此前对话摘要交给客服。[5][18] 它改善的是客户问答与转人工流程，不等于让系统自由办理高风险业务。

这三家机构的共同点不是使用了同一种模型，而是选择了相似的落地点：任务量大、流程边界清楚、错误相对可逆，并且天然存在人工接管点。银行最先规模化的，往往不是让 AI 独立办事，而是先减少人的检索、听记、归纳和重复操作。

三、第二阶段：从一次回答走向受控工作流

摩根士丹利是一家国际金融服务机构。它在财富管理业务中先后部署了两类工具：Assistant 是顾问查询内部研究、制度和产品资料的“内部知识查询台”；Debrief 则是围绕一次客户会议工作的“会议秘书”。前者回答“机构资料怎么说”，后者处理“这次会议谈了什么、下一步要做什么”。[3][4]

Debrief 的公开任务链已经超过单轮问答：

取得客户同意          → 处理会议内容并生成笔记          → 提取行动项、总结重点          → 起草会后邮件          → 顾问编辑并自行决定是否发送          → 将会议笔记保存到 Salesforce CRM

这里的 Salesforce CRM，是赛富时公司（Salesforce）提供的客户关系管理平台，用于保存客户、沟通和后续工作记录。Debrief 自动保存笔记，说明它确实拥有有限的系统写入能力；但邮件仍由顾问编辑并决定是否发送，公开材料也没有显示它能够提供投资建议或执行交易。[3]

因此，更准确的说法是：Debrief 属于受控的智能体式工作流。它围绕明确目标组织多个步骤，也会写入外部系统，但步骤和连接是预先限定的，最可能形成客户责任的行为仍由人控制。这是根据公开动作作出的系统定位，不是摩根士丹利给出的产品等级。

花旗集团（Citi）的 Stylus Workspaces 展示了另一种受控多步骤工作流。Stylus 是员工使用的“AI 研究与材料工作台”，可以连接花旗内部数据、员工目录、企业平台、项目管理工具，也可以使用网页搜索与分析能力。官方示例把查找资料、比较、提炼和翻译串成一次多步骤任务。[11] 这比单轮聊天更接近智能体式工作流，但公开示例主要仍是“查、算、写”，没有证明系统已经可以修改客户资料、发起支付或作出对外承诺。

智能体式工作流的核心不是“回答更像人”，而是让系统围绕目标组织步骤，并在每个关键节点保留权限、证据和验收。CRM 写入是真实动作，却不等于自主投顾；跨工具研究是真实编排，也不等于拥有核心业务执行权。

四、第三阶段：一旦代表人行动，风险性质就变了

西班牙对外银行集团是一家跨国银行集团。它的公开路线可以拆成三个阶段，而不是笼统概括为“已经全面部署 Agent”。

第一阶段是员工使用企业生成式 AI。2024 年，BBVA 向员工发放 3,000 个 ChatGPT Enterprise 许可证；五个月后，83% 的获批用户已把工具纳入日常工作，并创建近 3,000 个面向特定任务的 GPT。这里的 GPT 可以理解为在企业工作区中为特定任务配置的助手，不是银行获得了模型权重。2025 年，许可证规模扩大到 11,000 个。[6][7]

第二阶段是平台化扩散。BBVA 随后宣布将使用范围扩展到超过 120,000 名员工，但公告使用的是未来时，能证明的是扩展计划，不能写成当时已经完成 12 万人覆盖。[8] 2026 年成立的 AI Transformation 组织强调工业化创建、部署和管理 Agent，说明银行正在建设规模化生产体系；它同样不能反推所有 Agent 都已全行投产。[9]

第三阶段才进入受控行动。2026 年 7 月，BBVA 与维萨公司的 Visa Agentic Ready 测试使用真实卡凭证和活跃商户系统，由 AI Agent 代表持卡人发起一笔交易。测试同时保留持卡人同意、发卡行监督、令牌化、实时反欺诈、强客户认证和既有支付保护。[10]

这笔交易的意义不只是“AI 会买东西”，而是显示行动权必须与控制一起出现：谁授权、可以买什么、凭证如何保护、发行方如何监督、异常如何阻断、争议如何处理。公开材料没有披露该支付 Agent 的基础模型，因此不能因为 BBVA 在员工场景与 OpenAI 合作，就推断支付测试也使用 OpenAI。

从公开状态看，这更适合写成小范围受控的行动测试，显示了有限行动型智能体的候选能力，而不是面向全体客户的规模化自主支付产品。从建议权跨到行动权，不是功能列表上多一项“执行”，而是身份、授权、责任和补救机制的整体升级。

五、平台化：模型可以多样，控制平面必须一致

纽约梅隆银行（BNY）主要服务机构客户，业务覆盖支付、对账、托管和资产服务。它的 Eliza 可以通俗理解为面向全行的“企业 AI 能力中心”：既向员工提供安全聊天、搜索、编码和 Agent 能力，也把智能能力嵌入支付、异常处理、对账和托管等流程。BNY 明确表示，Eliza 使用多家领先供应商的模型与工具，并向内部构建者提供模型菜单。[13][14]

这说明统一平台不等于统一模型。Eliza 的价值在于让模型选择、员工自建应用和业务工作流进入共同治理框架。平台页面还强调透明护栏、可复核性、异常检测和资产净值校验；但异常检测可能使用规则、统计方法或传统机器学习，不能因为它处在 Eliza 平台中，就把所有功能都叫生成式 AI Agent。[13]

花旗集团的 Arc 则更像 Agent 的“开发工厂与管理平台”。官方把它定位为供开发者构建、连接、发布、监控和审计 Agent 的企业平台，初期用于特定、定义清晰的用例。[12] “每个 Agent 都将被监控、审计和治理”是重要的控制目标，但 will 和 initially 也提示读者：平台发布不等于所有未来能力已经稳定生产，更不等于每个业务 Agent 都自动安全有效。

对大型银行而言，控制平面至少需要统一管理：员工与机器身份、数据访问、工具白名单、参数和额度、知识有效期、模型评测、全链路日志、审批、成本、循环上限、异常停机和版本回滚。模型可以来自不同供应商，业务应用也可以由不同团队建设；如果身份、权限和审计各自为政，平台只会把薄弱控制放大。

六、常见误解：自有应用不等于模型私有化

九项案例并非都使用 OpenAI（人工智能技术与企业服务供应商）。公开资料明确确认 OpenAI 参与的，主要是摩根士丹利的财富管理工具，以及 BBVA 的员工 ChatGPT Enterprise 平台。[3][4][6][7] NatWest 公布的是 IBM 技术路线；BNY 采用多模型、多供应商策略；美国银行、花旗集团和星展银行没有公开相关系统的底层模型供应商。[2][5][11][12][13][14][15]

还要把四个层次分开：

摩根士丹利 2023 年的材料表明，Assistant 使用 GPT-4 处理机构内部知识，并从内部内容生成回答；2024 年材料又明确，相关工具通过与 OpenAI 这一“非关联第三方”的安排提供。[3][4] 这支持“银行控制应用、知识和员工政策”，却不支持“摩根士丹利获得 GPT-4 权重并部署在自有机房”。

BBVA 公布的则是分配 3,000、3,300 再到 11,000 个 ChatGPT Enterprise 许可证，员工在企业工作区使用并创建定制助手。[6][7] 更准确的理解是购买企业产品使用资格；公开材料没有披露模型权重交付、推理集群、数据驻留、保留策略和退出条款。

外部模型并不意味着银行可以把责任一起外包。美国联邦存款保险公司等监管机构的第三方风险管理指引明确指出，采用第三方不会减轻银行安全稳健、依法合规开展活动的责任；管理应覆盖规划、尽调、合同、持续监测和终止阶段。[17] 因此，判断“是否安全”不能只看厂商品牌或企业版标签，而要逐项核对数据、身份、网络、模型、工具权限、人工复核、审计、连续性和退出能力。

七、怎样读懂案例数字：规模不等于收益

银行公开材料中的数字至少分为四层，不能互相替代：

例如，Erica 超过 30 亿次累计交互证明了规模，却不直接证明每次交互都解决了问题，更不等于利润贡献。[1] EricaAssist 平均通话缩短近一分钟更接近流程指标，但仍需同时观察一次解决率、重复来电、投诉和坐席纠错。[2]

BNY 披露 99% 员工已经完成培训并进入 Eliza 平台，这证明组织动员和准入覆盖，不等于 99% 员工每天高质量使用。[14] BBVA 的员工采用率和节时数据主要来自银行调查或用户反馈，可以支持“员工愿意使用”，却不能直接换算成经审计的成本节约。[6][7][8]

星展银行“通话处理时间最多降低 20%”是预期目标；其年报中的全行运营流程节时、风险事件变化和 AI/ML 经济价值覆盖更广泛项目，不能全部归因于 CSO Assistant。[15] 同理，花旗全体 AI 工具的采用情况不能归给 Stylus 或 Arc，平台级数字也不能替代具体场景的任务成功率。

真正有说服力的证据链应从采用开始，经由流程和风险，最后才到财务结果。立项只看调用量，容易把“系统很忙”误认为“系统有效”；只看节时，又可能掩盖误导、投诉和返工向别处转移。

八、对中国大型银行的启示：按权限而不是按热度推进

从九项案例中可以归纳出一条更稳妥的放权路径：

只读检索与引用          → 摘要和草稿          → 结构化预填          → 人工确认后写入          → 对象、额度和时间受限的自动执行          → 少量可逆的闭环动作

第一批场景宜选择客服坐席、财富或对公会议、制度知识检索、运营异常摘要和研发辅助。这些任务高频、边界较清楚，通常能够建立人工复核和回退路径。支付、交易、授信、定价和客户承诺则应进入独立的高风险轨道，不能因为低风险助手表现良好，就直接继承其上线结论。

每次扩大权限前，立项材料至少应回答：

1. 任务合同：目标是什么，怎样才算完成，哪些结果必须引用证据？

2. 身份与委托：Agent 代表谁，以什么凭证行动，授权能否限定对象、金额、时间和目的？

3. 数据与工具：能读取哪些字段，能调用哪些工具，哪些接口只读、哪些可写？

4. 验证与人工控制：谁复核，什么情况必须升级，错误能否撤销或补偿？

5. 运行时约束：如何限制循环、并发、成本和外部通信，如何实时阻断而不是事后发现？

6. 证据与恢复：是否能还原“人—Agent—模型—工具—结果”链路，故障后从哪里恢复，何时强制停止？

7. 验收指标：是否同时跟踪采用、流程、风险和财务四层结果？

摩根大通集团（JPMorganChase）发布的 Agent 安全框架可以通俗理解为：给数字执行者发工牌、门禁卡和操作权限，并记录它每次进门和办事的过程。该框架指出，受限、只读的 Agent 可以采用较轻护栏；一旦同时处理不可信输入、访问敏感数据并拥有外部行动权，就形成高风险组合，需要强健、持续的执行控制和监督。[16]

这里引用的是规范性治理框架，不是一套公开销售的软件，也不能证明摩根大通已在所有 Agent 上完整实现这些控制。它提供的关键启示是：普通模型治理主要问“输出是否准确、稳定、公平”，Agent 治理还必须问“它代表谁、能进哪些系统、可以动什么、什么时候必须停、做错后怎样撤销”。

正确路线不是一步到位追求自主，而是在每次扩大行动权之前，先证明业务价值、控制能力和恢复能力。行动权提高一级，身份、验证、审计和回退要求不是被替换，而是继续累积。

九、结语：银行真正需要的是可控地完成任务

回到开篇的三个系统：EricaAssist 的价值在于让客服更快理解问题，Debrief 的价值在于把会议整理接入受控流程，BBVA—Visa 测试的价值在于展示 Agent 如何在真实支付中接受授权与风控约束。它们不是同一种产品，却共同画出一条清晰路线：从信息辅助，到流程编排，再到有限行动。

这条路线也揭示了银行 AI 的现实边界。公开证据尚不足以证明开放式、高度自主的 Agent 已经大规模进入核心受监管流程；相反，较成熟的案例普遍把模型嵌入已有工作流，用现有身份、业务规则、人工责任和审计机制约束它。

因此，对银行而言，智能体的成熟度不取决于它看起来多像人，也不取决于产品名称多新，而取决于它能否在明确授权内，可靠、可审计地完成一个真实任务。先建立可控的工作流闭环，再逐级开放行动权，比直接追求“全自主”更接近生产价值。

参考资料

1. Bank of America: A Decade of AI Innovation—Erica Surpasses 3 Billion Client Interactions

2. Bank of America Enhances EricaAssist with Generative AI

3. Morgan Stanley Wealth Management Announces AI @ Morgan Stanley Debrief

4. Morgan Stanley Wealth Management Announces Key Milestone in Innovation Journey with OpenAI

5. NatWest launches Cora+, the latest generative AI upgrade to the bank’s digital assistant

6. BBVA sparks a wave of innovation with the deployment of ChatGPT Enterprise

7. BBVA expands its agreement with OpenAI to 11,000 ChatGPT licences

8. BBVA and OpenAI Seal a Strategic Alliance to Redefine Banking with Artificial Intelligence

9. BBVA Accelerates Its Artificial Intelligence Strategy With A Global Area: AI Transformation

10. BBVA Completes Its First AI Agent-Initiated Transaction Together with Visa

11. Citi Unveils Citi Stylus Workspaces with Agentic AI

12. Citi: Introducing AI Agents—The Next Phase in Our AI Journey

13. BNY: Powered by Eliza

14. BNY: AI In the Next Phase—Driving Adoption

15. DBS Group Holdings: DBS Annual Report 2024

16. JPMorganChase: Securing the next generation of AI agents

17. FDIC: Interagency Guidance on Third-Party Relationships—Risk Management

18. IBM: AI-led answers, empathy-led service—NatWest customer service case study