Ai4
针对行业高达95%的试点失败率,企业唯有彻底放弃零散实验、将负责任AI深度嵌入端到端业务流程并由业务线自担财务结果,方能将技术投入转化为真实的底线收益。
AI-assisted summary of Transforming Banking Inside and Out: How AI Drives Better Experiences and ROI With U.S. Bank — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本视频由 Ai4 频道于 2026 年 8 月 18 日发布在 YouTube 平台上。内容为美国合众银行(U.S. Bank)首席人工智能官 Prashant Mehrotra 的主题演讲,主要探讨银行业在 2026 年如何从初期的 AI 探索转向深度考察投资回报率(ROI),并分享如何通过全员赋能、可复制的流程体系以及 Agentic AI 推动企业级规模化转型。
## TL;DR 演讲围绕美国合众银行的 AI 规模化落地战略展开,强调必须告别导致 95% 试点失败的零散实验,全面转向以量化 ROI 和端到端体验重塑为核心的价值体系。银行通过在商户支付分析、设计与前端研发审查、以及覆盖 9000 名工程师且月产百万行代码的 SDLC 链路中深度融入 AI,取得了显著的业务提效与营收转化。在运营与治理层面,全行依托业务线负责的联邦制架构、长效复训机制(实现 95% 日常高频使用率)及负责任 AI(Responsible AI)合规底线,为迈向 Agentic AI 时代奠定了坚实基础。
## Atmosphere & style 整场演讲风格沉稳务实、逻辑严密,展现出大型金融机构高管冷静克制又极具前瞻性的专业气场。演讲者摒弃了炫耀概念的行业浮躁,开篇直击‘95% 试点夭折’的现实痛点,随后以扎实的业务数据和具体落地案例层层递进,语言精炼且极具说服力。听众能清晰感受到一种从技术狂热回归商业本质的理性力量,以及‘让正确的方式成为最轻松的方式’这一深刻的组织治理智慧。
## Key takeaways - [02:05](https://www.youtube.com/watch?v=o52Fnp95UAI&t=125s) 银行业 AI 关注焦点发生根本性转变:从初期的工具探索和概念验证(PoC),彻底转向以实际业务回报(ROI)与端到端价值交付为核心。 - [02:05](https://www.youtube.com/watch?v=o52Fnp95UAI&t=125s) 告别虚荣指标与边缘试点:MIT 数据显示高达 95% 的 AI 试点未能成功落地,企业必须摒弃单纯统计 Token 消耗量的模式,转向衡量业务周期缩短与风控成效。 - [05:20](https://www.youtube.com/watch?v=o52Fnp95UAI&t=320s) 坚持 360 度双轮驱动体验:必须兼顾外部客户旅程与内部员工体验,将后台业务人员智能化与前端自助服务无缝衔接,才能避免体验割裂。 - [07:31](https://www.youtube.com/watch?v=o52Fnp95UAI&t=451s) 商户支付分析智能化(Elavon):通过 AI 实时摄入并比对小微商户复杂的历史账单与费率,将原先耗时数周的多轮商务谈判压缩至单次会议完成。 - [10:17](https://www.youtube.com/watch?v=o52Fnp95UAI&t=617s) 设计与前端开发协同重塑:一线设计师与 AI 专家共创自动化比对工具,将界面视觉与代码合规核对周期从数周大幅压缩至 15 分钟到数小时。 - [12:40](https://www.youtube.com/watch?v=o52Fnp95UAI&t=760s) 研发全生命周期(SDLC)深度赋能:全行 9000 名工程师接入 AI 工具栈,每月生成代码超百万行,累计节省超 10 万工时,并重构上游需求验证流程。 - [15:27](https://www.youtube.com/watch?v=o52Fnp95UAI&t=927s) 联邦制组织运营架构:AI 中心扮演赋能角色,各业务线由高管级 Champion 牵头并对最终财务 P&L 与成效负责,践行‘尽可能共用,按需差异化’原则。 - [19:15](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1155s) 系统化技能升级与长效跟进:通过实操工作坊结合后续持续复训机制,实现参训员工 95% 的日常高频使用率,推动端到端工作流重塑而非浅层叠加。 - [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 迈向 Agentic AI 坚持人机协同(Human-in-the-loop):智能体执行复杂任务必须在人类监督下进行,并依托事前合规防控机制确保负责任规模化扩展。 - [24:21](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1461s) 落地三大核心行动倡议:始终紧盯业务成效衡量、深度嵌入员工日常工作流,以及依托治理框架规模化推进负责任流程。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=4s) 美国合众银行(U.S. Bank)的业务概貌与 AI 演进背景
作为全美第五大银行,总部位于明尼阿波利斯的美国合众银行(U.S. Bank)管理着近 7000 亿美元的资产与存款规模,在全球范围内为超过 1500 万客户提供全方位的金融服务。其业务版图高度多元化,涵盖移动端数字化零售银行、财富管理与投资、小微企业与机构业务,以及规模庞大的财资管理和支付处理服务。Prashant Mehrotra 谈到,一年前他站在这里时,行业热议的还是“我们是否在做 AI”以及“我们该如何开始接触 GenAI”,而仅仅过去一年,整个金融行业对 AI 的认知与应用重心就发生了天翻地覆的转变。
```mermaid flowchart TD accTitle: U.S. Bank AI 转型战略架构 subgraph Foundation["业务基础与双轮驱动"] USBank["U.S. Bank 业务底座<br/>7000亿美元资产 / 1500万+ 客户 / 全牌照服务"] DualFocus["360度双向体验<br/>内部员工赋能 + 外部客户体验"] end
subgraph Pillars["核心落地业务场景"] Merchant["商户支付分析 (Elavon)<br/>账单比对从数周压缩至单次会议"] Design["设计与前端研发标准<br/>自动化审查,周期缩短至数小时"] SDLC["研发全流程 (SDLC)<br/>9000 名工程师 / 月产百万行代码"] end
subgraph ScaleOps["运营与规模化机制"] Federation["联邦制管理体系<br/>业务线高管担责 + 跨部门经验复用"] Upskilling["持续分层培训<br/>95% 参训员工实现日常高频使用"] RespAI["负责任 AI (Responsible AI)<br/>事前合规防控 + 人机协同 (Human-in-the-Loop)"] end
USBank --> DualFocus DualFocus --> Merchant DualFocus --> Design DualFocus --> SDLC Merchant --> Federation Design --> Upskilling SDLC --> RespAI ```
- 资产与用户规模:管理约 7000 亿美元资产与存款,服务全球 1500 万以上客户。 - 业务生态:覆盖支票与储蓄账户、财富管理、机构客户、财资产品,并旗下拥有知名支付处理品牌 Elavon。
---
[02:05](https://www.youtube.com/watch?v=o52Fnp95UAI&t=125s) 从盲目试验转向价值变现:95% 试点失败背后的 ROI 反思
过去一年中,管理层和业务端不再满足于“你在用什么 AI”或“开发团队跑了多少个 Demo”,提问的核心彻底转向了“这到底带来了什么实际商业回报?”。在探索初期,企业往往热衷于炫耀上线了上百个 Pilot 概念验证、开发人员在各个业务线大量消耗 Token。然而随着模型调用成本的真实显现、补贴减少,以及行业权威报告(如 MIT 调研指出的 95% AI 试点最终未能成功落地)的警示,盲目试验的时代已经成为过去。
银行正在全面转向以价值实现为导向的衡量体系。U.S. Bank 庆幸自己并未在孤立零散的边缘实验上浪费过多时间,而是迅速将注意力集中在能够端到端改善客户与员工体验的核心流程上。孤立团队各自为政搞小发明的模式被彻底抛弃,取而代之的是将 AI 视为全行级的基础能力,以量化的 ROI 为锚点推进落地。
- 行业趋势拐点:从关注 Token 消耗量、测试排行榜等虚荣指标,转向业务收益、处理周期与风控成效。 - 行业现实痛点:援引 MIT 数据,高达 95% 的 AI 试点项目在进入生产或创造价值环节时遭遇失败。 - 战略转变:告别分散的小规模试点,转向端到端(End-to-End)客户与员工一体化体验重构。
---
[05:20](https://www.youtube.com/watch?v=o52Fnp95UAI&t=320s) 360 度双轮驱动:兼顾内部员工体验与外部客户旅程
在推动 AI 落地时,必须同时构建面向外部客户与面向内部员工的“360 度全景视角”。如果一家机构只把精力花在光鲜亮丽的外部自助服务上,而忽视了后台提供支持的业务人员,那么整体的客户交互体验注定会割裂。唯有为一线支持员工配备同等水平的智能化工具,才能实现自助服务(Self-service)与人工辅助体验(Assisted experiences)的无缝衔接。
在衡量生产力时,单纯宣称“AI 工具为某人每天节省了 20 分钟”往往很难直接折算为底线利润(Bottom-line ROI)。但如果将 AI 应用于产品构建与代码交付流程,能够以更快的速度交付更高质量的代码,更重要的是在开发早期就能精准验证“当前产品是否真正切中了客户的核心痛点”,这种端到端周期的压缩才是实打实的 ROI 跃迁。
---
[07:31](https://www.youtube.com/watch?v=o52Fnp95UAI&t=451s) 商业落地案例一:赋能商户支付销售,将数周沟通缩短至单次会议
作为全美排名前十银行中极具特色的支付处理商(旗下拥有支付品牌 Elavon),U.S. Bank 深刻洞察到中小商户(SMB)在面对复杂刷卡手续费与支付账单时的无奈。普通人查看手机话费账单往往都理不清各类繁杂细项,而商户处理信用卡支付账单的复杂程度还要高出几个数量级。中小型商户店主将绝大部分精力投入在日常经营与业务增长上,根本没有专职的后台财务或精力去逐行拆解费率结构,往往不清楚自己是否被过度收费,也不确定能否换取更好的服务。
在过去,银行销售代表向商户推广支付方案时,需要与商户及其后台人员进行多次往返会议,费时数周收集历史账单并测算费用。如今,借助专门的 AI 分析工具,销售代表可以在首次面对面交流时,直接摄入商户当前的支出发票与明细,实时计算出在 U.S. Bank 体系下的费率对比与潜在节省空间。这一原本耗时数周的多轮谈判流程被直接压缩进单次对话,不仅让小微商户省去了繁重的沟通负担,更直接转化为极高的销售转化率与新增营收,生动诠释了“提供卓越客户体验能够直接带动收入增长”。
---
[10:17](https://www.youtube.com/watch?v=o52Fnp95UAI&t=617s) 商业落地案例二:设计与前端研发协同,将周级迭代压缩至数小时
数字化资产(如官网、移动端 App)的设计一致性与标准化至关重要,但过去设计团队需要耗费大量时间人工审核每一个界面模块和组件,反复确认其是否符合设计规范并能被前端代码还原。这一协同环节通常充斥着设计师与开发人员之间漫长的来回拉扯与返工。
这个落地项目的独特之处在于,它完全由设计师团队与 AI 专家并肩共同定义,而非技术团队自上而下强行摊派的“AI 示范工程”。通过训练 AI 同时对界面视觉与底层代码进行双向比对审查,系统可以快速评估设计合规性与可用性。原本需要数天乃至数周的多轮跨部门校对,现在被缩减至 15 分钟到几小时之内。未来该功能还将进一步开放为开发者的自助服务工具,使设计师能够将高薪精力从机械重复的比对中抽离,专注于前沿标准制定与体验创新。
- 提效幅度:从数天到数周的设计与代码合规核对,直接缩减为 15 分钟至数小时。 - 协同范式转变:一线设计师主动发掘痛点并参与共创,推动设计标准向开发者自助式审查演进。
---
[12:40](https://www.youtube.com/watch?v=o52Fnp95UAI&t=760s) 研发全生命周期(SDLC)赋能:9000 名工程师与月度百万行代码生成
在软件与产品开发生命周期(SDLC / PDLC)中,U.S. Bank 已经全面部署了近 12 种 AI 赋能能力。全行已有 9000 名工程师在日常工作中深度使用这些智能化开发工具,累计节省工时超过 10 万小时,每月由 AI 辅助生成的代码量突破 100 万行,相比一年前仅有数千行的规模实现了指数级爆发。
更深层次的变革不仅在于写代码的速度,更在于质量保障与需求上游的重塑。AI 被广泛用于自动化生成测试用例并执行更复杂的边界场景测试,大幅降低线上缺陷率。更关键的是,银行正将 AI 能力向上游推进至产品构思与需求验证阶段——彻底终结过去耗时数月、编写长达 400 页产品需求文档(PRD)却依然无法验证商业有效性的沉重流程,通过 AI 快速输出概念原型,在极短时间内验证产品设想的真实可行性。
```mermaid flowchart LR accTitle: 软件研发全生命周期 (SDLC) AI 赋能链路 A["概念与需求定义<br/>快速验证,替代400页PRD"] --> B["代码编写与重构<br/>月产百万行代码 / 9000工程师"] B --> C["自动化测试与质检<br/>测试用例自动生成与全场景覆盖"] C --> D["生产部署与监控<br/>极速上线 / 降低业务与合规风险"] ```
- 工程师覆盖规模:全行 9000 名软件工程师全员接入 AI 工具栈。 - 代码生成产出:每月由 AI 生成的代码超过 100 万行(一年前仅为千行级别)。 - 工时节省指标:累计节省软件工程工时超过 10 万小时。 - 流程向上游延伸:将传统撰写数百页 PRD 的繁琐调研流程,转变为极速构建可交互概念进行早期验证。
---
[15:27](https://www.youtube.com/watch?v=o52Fnp95UAI&t=927s) 规模化运营机制:指标衡量、联邦制管理与业务线责任制
要从试点走向规模化生产,必须彻底推翻“只测活动量(Activity)”的伪指标。Token 消耗量、内部排行榜等看似好看的数字并不能带来真实的商业回报,真正关键的是周期时间(Cycle time)缩短了多少、代码是否更少出错、合规风险与欺诈率是否实质性下降,以及商户成交流程是否显著加快。此外,衡量价值时不仅要看削减了多少直接成本,更要看释放出的组织产能(Capacity)——是用同样的资源做成了更多业务,还是将节省的精力转化为新的价值增长极。
在运营组织架构上,U.S. Bank 采取了“先集中、后联邦化(Federated)”的演进路径。各个业务线必须为自己的 P&L 财务结果与 AI 实施成效承担最终责任,AI 中心或中央转型办公室的角色是赋能与支持,而非包办一切。全行在每个业务线都设立了对成效负责的高管级 Champion,并通过定期机制促进跨业务线的横向交流与经验共享,践行“尽可能共用,按需差异化(As common as possible, and as different as necessary)”的构建哲学,最大化减少重复造轮子。
---
[19:15](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1155s) 员工技能升级与工作流重塑:95% 的日均使用率突破
针对企业中普遍存在的“员工抗拒新技术”难题,不能仅仅把工具扔给员工并指望他们自发使用。U.S. Bank 构建了完善的教育体系,涵盖线上自主课程以及线上线下相结合的导师辅助型实操工作坊(Assisted workshops)。关键在于建立持续跟进机制:在工作坊结束后立即回访,数周后再进行周期性复训与能力进阶。数据表明,完成这一系统培训流程的员工中,有高达 95% 在日常工作中保持着对 AI 工具的高频使用。
如果只是在原有流程上机械地“叠加一层 AI”,收效往往与过去的 RPA 自动化无异,只能带来 2% 至 5% 的微小边际改善。真正的价值飞跃源于对业务流程、工作流乃至交互体验的端到端重塑。Prashant 强调其核心治理理念是“让正确的方式成为最轻松的方式(Making the right way the easiest way)”,当重构后的智能流程比旧流程更顺畅、更省力时,多倍级的商业效能跃升便水到渠成。
---
[22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 迈向 Agentic AI 时代的六大核心落地法则与负责任 AI
在展望以智能体为核心的 Agentic AI 时,U.S. Bank 明确坚持“人机协同(Human-in-the-loop)”的指导原则,让 Agent 在执行复杂操作时始终处于人类监督与协助之下。Prashant 在总结全行 AI 规模化转型的实践心得时,梳理了六大核心落地法则:
1. **从一开始就选对场景(Pick the right work up front)**:盲目开展 100 个缺乏价值锚点的试验,最终注定颗粒无收。 2. **明确产出与业务归属(Define outcomes and ownership)**:清晰界定衡量的具体商业结果,并确保由业务线负责人而非技术团队承担最终主责。 3. **拒绝浅尝辄止,坚持复用(Scale to production and reuse)**:告别漫无目的的“百花齐放”,将资源集中于打通生产上线,并坚持“复用、复用、再复用”。 4. **全员赋能与技能重塑(Upskill workforce)**:绝不能脱离一线团队推动变革,因为最真实的痛点、阻碍与创新灵感永远来自业务现场。 5. **负责任地规模化(Scale responsibly)**:作为金融机构,必须严守合规底线,通过全行级的 Responsible AI 治理机制做到“事前防控”,而非在事故发生后被动补救。 6. **为 Agent 时代构建可复用能力原型(Prepare for agents & archetypes)**:沉淀通用的可复用架构,绝不能让底层技术基建拖慢前端业务价值的持续交付速度。
[24:21](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1461s) 总结与落地核心原则:衡量成效、融入工作流与规模化推进
Prashant Mehrotra 在演讲结尾强调,底层技术基础与具体业务应用必须紧密配合、协同推进。为了真正实现 AI 的投资回报率(ROI)并推动企业级规模化应用,他最后给出了三项核心行动建议:首先是“衡量成效”("measure the outcome"),时刻紧盯实际业务产出与价值验证;其次是“嵌入工作流”("embed in workflows"),让 AI 工具与员工的日常业务流程无缝结合,而非孤立存在;最后是“扩展负责任的流程”("scale responsible processes"),确保在负责任、合规与可信赖的前提下把 AI 体系化地推向整个组织。
在完成对整体落地战略的提炼后,Prashant 向与会者表达了由衷的感谢,并表示非常乐意回答大家的现场提问,开启随后的问答交流环节。
- **三大核心落地原则**: - **衡量成效(Measure the outcome)**:建立清晰的价值评估机制,确保 AI 投资具备明确的 ROI 与业务收益。 - **深度融入工作流(Embed in workflows)**:将 AI 能力沉淀为日常操作的一部分,降低员工使用门槛,提升实际采用率。 - **规模化负责任流程(Scale responsible processes)**:依托稳健的治理框架与可复制的标准化流程,安全、负责地扩展 AI 应用。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=4s) 我们是否在做 AI — Prashant Mehrotra
> [00:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=4s) 我们该如何开始接触 GenAI — Prashant Mehrotra
> [02:05](https://www.youtube.com/watch?v=o52Fnp95UAI&t=125s) 这到底带来了什么实际商业回报? — Prashant Mehrotra
> [15:27](https://www.youtube.com/watch?v=o52Fnp95UAI&t=927s) 尽可能共用,按需差异化(As common as possible, and as different as necessary) — Prashant Mehrotra
> [19:15](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1155s) 让正确的方式成为最轻松的方式(Making the right way the easiest way) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 从一开始就选对场景(Pick the right work up front) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 明确产出与业务归属(Define outcomes and ownership) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 拒绝浅尝辄止,坚持复用(Scale to production and reuse) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 全员赋能与技能重塑(Upskill workforce) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 负责任地规模化(Scale responsibly) — Prashant Mehrotra
> [22:04](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1324s) 为 Agent 时代构建可复用能力原型(Prepare for agents & archetypes) — Prashant Mehrotra
> [24:21](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1461s) 衡量成效(measure the outcome) — Prashant Mehrotra
> [24:21](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1461s) 嵌入工作流(embed in workflows) — Prashant Mehrotra
> [24:21](https://www.youtube.com/watch?v=o52Fnp95UAI&t=1461s) 扩展负责任的流程(scale responsible processes) — Prashant Mehrotra
## Mentioned Prashant Mehrotra, U.S. Bank(美国合众银行), Elavon, MIT, Ai4, GenAI, Agentic AI, Responsible AI, SDLC / PDLC, PRD
## Video description Prashant Mehrotra - Chief AI Officer, U.S. Bank
If 2025 was a time of exploring how to use AI, in 2026 it’s time to examine AI’s return on investment. Prashant Mehrotra, Chief AI Officer at U.S. Bank, shares not only how AI is transforming the way people bank and how banks serve them – but also the scalable, repeatable processes that form the backbone of every successful business. He will address the challenges of, and best practices for, enabling the entire enterprise – actively upskilling the entire workforce to build and leverage the power of AI – as well as where agentic AI is taking us next.
[Source](https://www.youtube.com/watch?v=o52Fnp95UAI)