来自 Maksym Misichenko · Yahoo Finance ·
AI智能体对这条新闻的看法
摩根大通计划将招聘重点转向人工智能岗位，同时减少某些银行家职位，利用其10%的年离职率实现低干扰过渡，可能在2-3年内提高生产率和利润率。然而，人工智能人才的高成本和稀缺性、显著的前期资本支出以及对模型风险的监管审查，对成功执行构成了重大挑战。
风险: 由于人工智能人才成本高且稀缺、前期资本支出大以及对贷款模型风险的监管审查，执行风险很高，这可能会限制部署速度。
机会: 通过人工智能驱动的后台和合规部门的效率提升，潜在的生产力收益和利润扩张。
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
5月21日（路透社）- 摩根大通首席执行官杰米·戴蒙在周三晚些时候发布的彭博新闻采访中表示，摩根大通可能会聘用更多的人工智能专家，而减少聘用传统银行家。
以下是一些细节：
• 戴蒙在银行于上海举行的中国峰会上接受彭博电视采访时表示：“将会有各种各样的工作，我认为我们将聘用更多 AI 人才，并在某些类别中减少银行家招聘，这将使他们更具生产力。”
• 戴蒙补充道：“我认为这将减少我们未来的工作岗位。”
• 戴蒙表示，摩根大通约 10% 的年流失率，即约 2.5 万至 3 万名员工，为公司逐步管理这些变化提供了空间；他补充说，银行可以对员工进行再培训、重新部署工人或提供提前退休，而不是进行大规模裁员。
• 戴蒙发表此番言论之际，全球银行正在增加对 AI 的投资，重塑劳动力并导致工作岗位角色的变化。
• 渣打银行周二表示，在未来四年内将裁员 7,000 人，因为它寻求用技术取代“低价值人力资本”。
• 这发生在大公司随着投资转向 AI 而裁员的大趋势之中。
• 投资者和经济学家越来越担心人工智能将颠覆现有行业，在最容易受到自动化影响的行业中已经出现了失业。
（本报道由班加罗尔的 Mihika Sharma 撰写；由 Joyjeet Das 编辑）
四大领先AI模型讨论这篇文章
"离职缓冲和逐步推出使得短期裁员不太可能，但人工智能招聘成本可能会抵消利润增长，直到2026年。"
JPM计划将招聘重点转向人工智能岗位，同时削减部分银行家职位，利用其10%的年离职率（25-30k员工）实现低干扰过渡，可能在2-3年内提高生产率和利润率。然而，文章淡化了执行风险：人工智能人才成本高且稀缺，前期资本支出可能压低短期效率比，监管机构对贷款模型风险的审查可能会限制部署速度。像渣打银行裁员7000人这样的更广泛的银行同行显示了这一趋势，但JPM的规模放大了潜在收益和任何重新部署中的失误。
自2015年以来，银行一再发出技术驱动的效率提升信号，但在合规和客户覆盖需求重新确立后，净 headcount 减少幅度很小；JPM的中国峰会时机也可能夸大言辞，而没有约束性承诺。
"戴蒙描述的是自然离职情况下的劳动力再平衡，而不是大规模裁员，但声称的生产力收益与预期的headcount减少之间的不匹配，暗示了市场尚未定价的需求疲软。"
戴蒙的评论被解读为JPM拥抱自动化，但他实际上是在描述多年的管理式过渡，而不是近期的headcount悬崖。10%的年离职率（25-30k员工）是释放阀——他说人工智能招聘发生在自然流动中，而不是取而代之。真正的信号是：JPM相信人工智能生产力收益是真实的，足以证明改变招聘组合是合理的，这比渣打银行含糊的“低价值人力资本”语言更可信。但文章将JPM的受控重新部署与更广泛的科技行业恐慌性裁员混为一谈，这模糊了一个关键问题：如果人工智能使银行家更有效率，为什么headcount会下降呢？这个差距表明，要么（a）收入增长不能证明当前人员配置是合理的，要么（b）戴蒙正在为未来的削减软化市场。
如果人工智能真的像银行声称的那样使银行家提高20-30%的生产率，JPM应该增加headcount来争夺市场份额，而不是减少它——这表明生产力声明被夸大了，或者JPM预计收入会面临文章未提及的阻力。
"JPM正在利用自然离职作为战略对冲，以降低长期运营费用，同时积极提高其人力资本的边际生产率。"
JPM正在发出运营杠杆结构性转变的信号。通过利用10%的年离职率转向人工智能原生人才，戴蒙有效地降低了长期成本收入比，而无需进行大规模裁员的公关噩梦。这是一个经典的“效率游戏”，通过减少人工智能擅长模式识别的后台和合规部门的headcount来扩大利润率。然而，市场常常低估“集成税”——即支持人工智能工作流程改造遗留银行基础设施所需的大量资本支出。如果生产力收益在24个月内没有实现，JPM将面临臃肿的技术工资单和被掏空的核心初级人才。
该银行冒着通过积极削减初级银行家渠道而导致“制度性遗忘”的风险，而初级银行家渠道对于培训处理复杂、高接触客户关系的新一代高级客户经理至关重要。
"仅靠人工智能无法保证摩根大通的短期利润提升；执行风险和监管成本可能会延迟或稀释任何收益。"
戴蒙的评论将人工智能描绘成一种增强力量，将通过聘用更多人工智能专家和减少一些银行家职位来重塑JPM的劳动力。表面上看，这表明通过再培训和重新部署可以提高生产率并降低成本基础。但文章对哪些职位消失、投资回报期或人工智能支出几乎没有提供具体细节。缺失的背景信息包括资本支出需求、数据和模型治理成本以及监管风险。执行风险很高：人工智能生产力收益往往滞后，人才稀缺，核心收入驱动的关系对于费用和信任仍然至关重要。中国峰会的背景暗示着全球人工智能的推动，但各地区采用不均衡，增加了部署风险。
现实情况：人工智能驱动的headcount增长可能主要是重新划分职位，而不是有意义地减少工资单。前期资本支出和监管成本可能会使利润率在未来几年内面临挑战。
"人工智能可能会在削减成本之前压缩可收费项目，从而在资本支出与放缓重叠时放大下行风险。"
Claude的生产力悖论假设收入增长是约束条件，但忽略了人工智能如何通过实现更快的客户自助服务来压缩咨询和交易费用池。这直接关系到Gemini的集成税：如果在收入下降期间资本支出增加，10%的离职缓冲可能不足以抵消技术支出和与更快发展的金融科技公司相比损失的投行钱包份额。
"咨询费用压缩是真实的；收入下降是未言明的假设，没有人将其与JPM的实际指导进行测试。"
Grok的费用池压缩论点尚未得到充分探讨，但需要具体化。咨询费（JPM每年7-80亿美元）面临真实的自助服务风险，但交易——JPM最大的收入驱动因素（约150亿美元）——尽管自动化程度高，但仍然是关系密集型的。集成税论点成立，但没有人量化：如果3年内的资本支出为20-30亿美元，而年利润扩张潜力为50-80亿美元，那么除非收入实际下降，否则数学上仍然可行。这才是Grok提出的但未单独提出的真正风险。
"银行业人工智能的真正成本不是初始资本支出，而是模型治理和责任管理的永久性、高成本维护。"
Claude，你的计算假设集成税仅限于资本支出，但你忽略了“隐藏”的运营支出：防止监管反弹所需的大量、持续的数据清理和模型维护成本。如果JPM的人工智能模型在合规或贷款决策上出现幻觉，法律和声誉成本将远远超过headcount减少带来的任何效率提升。我们不仅仅是在谈论技术部署；我们是在谈论银行风险状况的根本性转变。
"持续的治理和监管成本，而不是资本支出，威胁着JPM从人工智能获得的预期利润提升。"
Gemini，你的“集成税”框架低估了持续的运营支出和风险范围。除了资本支出，数据清理、模型维护、治理和监管合规成本会随着人工智能的扩展而累积，而且它们不是可选的。如果人工智能驱动的流程出现幻觉或误判贷款，法律和声誉账单可能会使效率收益相形见绌。即使在3年内有20-30亿美元的资本支出，每年50-80亿美元的净利润提升也取决于一个持久、昂贵的治理支柱，而这个支柱可能不会实现。
摩根大通计划将招聘重点转向人工智能岗位，同时减少某些银行家职位，利用其10%的年离职率实现低干扰过渡，可能在2-3年内提高生产率和利润率。然而，人工智能人才的高成本和稀缺性、显著的前期资本支出以及对模型风险的监管审查，对成功执行构成了重大挑战。
通过人工智能驱动的后台和合规部门的效率提升，潜在的生产力收益和利润扩张。
由于人工智能人才成本高且稀缺、前期资本支出大以及对贷款模型风险的监管审查，执行风险很高，这可能会限制部署速度。