摩根大通首席信息官Gill Haus近日阐述了该行在人工智能领域的推进策略，强调在追逐AI应用之前，必须先将核心基础能力建设到位。他明确表示，团队不会为了写代码而招聘工程师，而是围绕AI能力建设来配置技术团队。
Gill Haus指出，金融机构在AI落地过程中，最容易被忽视的是底层基础。他将优先级归纳为三个基本面：数据治理与质量、模型风险管理，以及工程与运维体系的适配。在他看来，如果数据本身不可靠、模型风险无法量化管控、工程流程无法支撑AI负载，那么上层应用再亮眼也难以规模化。
作为美国最大银行之一，摩根大通近年来在AI领域的投入持续加码。Gill Haus的职责覆盖该行整体技术架构与信息体系，其表态在一定程度上反映了大型金融机构对AI落地的务实态度：相比追逐热点模型，更看重可治理、可审计、可扩展的技术底座。
在人才策略上，Gill Haus的观点与当前行业普遍做法形成对照。许多企业仍在以传统软件工程师的招聘标准扩充团队，而他认为，AI时代的团队配置应服务于能力建设目标，而非单纯增加编码人力。这意味着岗位定义、技能组合和协作方式都需要相应调整。
从行业影响看，大型金融机构的AI路径往往具有示范效应。当头部银行将重心放在数据、风险与工程基础而非单一应用时，可能会带动更多企业重新评估自身AI投入的优先级，从“先上应用”转向“先打地基”。
对于企业服务与AI基础设施供应商而言，这一趋势意味着机会正在向数据平台、模型治理工具、MLOps及合规审计等基础层转移。能否帮助客户把AI能力嵌入既有工程与风控体系，将成为下一阶段竞争的关键。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
