AI 对银行的影响正逐步显现，美国银行凭借“一次构建”人工智能战略在这一浪潮中积极探索前行，其经验值得国内银行借鉴。

1.“一次构建”战略的起源与基础

2018 年，美国银行在其移动应用中推出 AI 驱动助手 Erica，这并非一次性功能，而是公司人工智能战略的基石。美国银行利用 Erica 的底层架构，将其应用于客户和员工等多个业务场景。

历经7年及无数次 AI 突破，美国银行仍持续利用最初的 AI 建设成果，这正是其“建一次，重用”AI 策略的体现。

Erica 平台设计之初就具备前瞻性，能适应未来的 AI 模型和突破。尽管生成式人工智能的爆发是一个转折点，美国银行在尝试其他方法和产品后，最终决定利用现有资源，加倍投入，于 2025 年重新投资 Erica 架构，打造了面向新 AI 时代的第二代平台。

美国银行首席技术与信息官Hari Gopalkrishnan 表示：“通过投资基础和这些能力，第三、第四和第五次构建会快得多。”

2.Erica 的成长与应用拓展

Erica最初是为满足客户对银行申请更便捷方式的需求而创建。当业务其他领域，如理财顾问等也有同样需求时，美国银行开始寻求重用与Erica合作建立的资源。

2020 年，美国银行推出Erica for Employees，这是一款用于基础技术支持的虚拟助理；同时推出Ask Merrill，旨在帮助银行顾问高效整理客户信息。大约此时，银行决定将Erica架构作为一种特定策略进行复用。

随后，基于Erica架构的更多功能和工具陆续推出，如面向客户的CashPro Chat、Capital Markets Insights以及名为Ask Private Banking的工具。

Erica成功的关键在于它是一个不依赖特定模型的设计平台。其构建最初采用BERT和 OpenNLP等开源自然语言模型，但银行能够根据特定任务引入更适合的新模型。

Gopalkrishnan 称：“我们一直知道会随着时间推移不断更换模型。Erica 是一个能够真正利用多种模式的平台。”在基础模型中，通常每次都要“铺路”，搭建向量数据库、连接等，而美国银行的平台使工程师能以共享和利用的方式思考性能、可扩展性、安全性和防护措施等问题，这让每个团队更快进入市场，无需各自建造“管道”。

3.生成式人工智能对“一次构建”策略的检验

面对大型语言模型LLM的激增，美国银行对“一次建造”策略进行重新评估。Gopalkrishnan 与银行战略主管成立人工智能委员会，汇集所有业务部门询问需求，交付约 15 个概念验证，让人们自行探索不使用 Erica 平台的效果。

结果发现，大家一直在不断“重新发明轮子”，这进一步巩固了重新投资 Erica 架构的决定。

尽管人工智能取得长足进步，但当今领先的生成式和大型语言模型仍采用支撑银行最初用于 Erica 的开源技术的 Transformer 架构。因此，Gopalkrishnan 和团队借鉴第一代 Erica 的技术基础和经验教训，于 2025 年打造了为新 AI 时代更新的版本。

Gopalkrishnan 表示：“我们刚刚弄清楚了架构，以便组装并重新包装，以适应新需求。”

4.“一次构建”策略面临的挑战与应对

美国银行的做法并非一帆风顺。该银行有 6 万人从事技术开发，有时人们倾向于自行发展。Gopalkrishnan 称：“你基本上是在创造一个漏斗，所有想法都必须通过它绽放。人们想出的一万个点子，大家都以为明天就能随手做，然后就因为某个供应商推销了东西就开始比赛。”

系统中始终存在持续的矛盾，采取“一次构建”策略越坚定，越有可能拖慢组织发展。但 Gopalkrishnan 认为，走最快路线需要纪律，否则可能反噬自身。“最大的挑战是拥有机构的耐心和机构支持，认识到你通过一开始放慢节奏所获得的价值，这会大大加快你未来的发展。”

美国银行“一次构建”人工智能战略，从 Erica 的推出到不断拓展应用，再到应对生成式人工智能的挑战，以及克服内部发展中的矛盾，为国内银行在 AI 时代的发展提供了宝贵的实践经验和思路。