Morgan Stanley: GPT-4-ассистент, которым пользуются 98% команд финансовых советников

• Morgan Stanley uses AI evals to shape the future of financial services — OpenAI (customer story)
• Morgan Stanley kicks off generative AI era on Wall Street with assistant for financial advisors — CNBC, 2023-09-18
• Launch of AI @ Morgan Stanley Debrief — Morgan Stanley (пресс-релиз), 2024-06-26
• Morgan Stanley wealth advisors are about to get an OpenAI-powered assistant to do their grunt work — CNBC, 2024-06-26
• Morgan Stanley Research Announces AskResearchGPT — Morgan Stanley (пресс-релиз), 2024-10-23

Контекст

Morgan Stanley Wealth Management — одно из крупнейших в мире подразделений по управлению частным капиталом: около 15 000 финансовых советников и 5,5 триллиона долларов клиентских активов (на март 2024 года; цель фирмы — 10 триллионов). Главный нематериальный актив подразделения — внутренняя база знаний: десятилетия аналитики, рыночных исследований, регламентов и процедур, упакованные в корпус примерно из 100 000 документов.

Проблема в том, что ценность базы знаний равна скорости доступа к ней. Советник на звонке с клиентом не может позволить себе двадцать минут поиска по внутренним PDF — а значит, огромная часть «интеллектуального капитала» фирмы просто не работала в моменте продажи и консультации.

В марте 2023 года Morgan Stanley объявила, что строит ассистента на GPT-4, став одним из первых корпоративных партнёров OpenAI. Контекст конкуренции важен: Goldman Sachs и JPMorgan Chase к тому моменту тоже анонсировали генеративные ИИ-проекты, но именно Morgan Stanley первой из крупных фирм Уолл-стрит довела специализированное GPT-4-решение до рук сотрудников — об этом писал CNBC со ссылкой на Джеффа Макмиллана, тогда руководителя аналитики, данных и инноваций в wealth management (позже — Head of Firmwide AI).

Для регулируемой финансовой отрасли это был смелый шаг: у банков нулевая толерантность к выдуманным ответам, и любая система, которая может «нагаллюцинировать» рекомендацию, — это комплаенс-риск. Именно поэтому кейс Morgan Stanley стал эталонным не из-за модели, а из-за методологии внедрения: систематических evals, которые превратили доверие к ИИ из вопроса веры в вопрос измерения. Макмиллан сформулировал мотивацию прямо: «Я никогда не видел ничего подобного за свою карьеру — а я занимаюсь искусственным интеллектом 20 лет. Мы увидели окно возможностей, которое было абсолютно прорывным, и как организация не хотели остаться позади».

Проблема

Знания фирмы были заперты в огромном корпусе внутренних документов. По оценке самой компании, до внедрения ИИ советники реально «дотягивались» лишь до малой части корпуса: доступность документов оценивалась в 20%. Прежний внутренний инструмент отвечал на ограниченный набор вопросов — около 7 000 — и не масштабировался на весь объём знаний фирмы.

Механика проблемы понятна каждому, кто работал с корпоративным поиском: классический поиск по ключевым словам находит документы, а не ответы. Советнику, которому клиент задал вопрос о рыночной стратегии или внутренней процедуре, нужно было сформулировать запрос, открыть несколько отчётов, пролистать десятки страниц и синтезировать ответ самому — в лучшем случае минуты, в реальности часто «отвечу позже». На звонке это означало паузу и потерю темпа разговора; после звонка — отложенный ответ клиенту, который уже сравнивает сервис с конкурентами.

Вторая, менее очевидная боль — пост-обработка встреч. Подразделение проводит около миллиона Zoom-звонков в год, а типичный советник — по словам участника пилота Дона Уайтхеда — четыре-шесть встреч в день. После каждой нужно написать заметки, зафиксировать договорённости, внести данные в CRM и отправить follow-up письмо. Эту рутину делали вручную сами советники или их младшие сотрудники, и подготовка follow-up могла растягиваться на дни.

Обе боли складываются в одну стратегическую: время самых дорогих специалистов фирмы уходило на поиск информации и ведение записей — вместо работы с клиентами, ради которой их нанимали.

Решение

Morgan Stanley построила «AI @ Morgan Stanley Assistant» — GPT-4-ассистента поверх внутренней базы знаний по RAG-схеме: модель отвечает только по проверенным документам фирмы, а не «из головы». Перед запуском команда потратила месяцы на курирование корпуса и тестирование ответов живыми экспертами (об этом Макмиллан рассказывал CNBC). Полный вывод на всех советников и их сотрудников состоялся 18 сентября 2023 года — соответствующий меморандум со-президента Энди Саперстейна получил CNBC: «Финансовые советники всегда будут центром вселенной Morgan Stanley Wealth Management. Мы верим, что генеративный ИИ революционизирует взаимодействие с клиентами и высвободит время для главного — обслуживания клиентов».

Ключевой элемент внедрения — система evals, которую OpenAI позже разобрала в отдельном кейсе. Команда начала с трёх целевых сценариев: быстрый поиск информации, автоматизация рутинной саммаризации отчётов, инсайты под потребности клиента. Для каждого строились оценки: советники и промпт-инженеры вручную оценивали ответы модели на точность и связность, по итогам дорабатывались промпты и retrieval. Затем добавились evals перевода для многоязычных клиентов, а вместе с OpenAI команда итеративно настраивала методы поиска по растущей библиотеке. В прод-режиме работает ежедневное регрессионное тестирование на наборе типовых вопросов — так система ловит деградации до того, как их заметит комплаенс. Отдельно закрыли вопрос данных: политика zero data retention гарантирует, что проприетарные данные фирмы не используются для обучения публичных моделей — Дэвид Ву называл это условие критическим для сделки.

Любопытная деталь внедрения — смена привычек: советникам пришлось учиться задавать вопросы полными предложениями, как живому ассистенту, а не ключевыми словами, как поисковику. «Ровно так же, как я задал бы вопрос вам, — так вы говорите с этой машиной. Люди к этому не привыкли», — объяснял Макмиллан.

Второй продукт линейки — «AI @ Morgan Stanley Debrief» на связке Whisper + GPT-4: с согласия клиента (запрашивается на каждую встречу отдельно) инструмент слушает Zoom-встречу, генерирует структурированные заметки, фиксирует action items, сохраняет запись в Salesforce и готовит черновик follow-up письма, который советник правит и отправляет сам. Пилот стартовал в марте 2024 года, фирменный запуск объявлен 26 июня 2024-го, раскатка на ~15 000 советников — к началу июля. Макмиллан отмечал, что настройка промптов Debrief заняла месяцы — и что «этот инструмент делает заметки лучше среднего человека».

Для команды это была и смена парадигмы разработки. «Традиционный способ решать такие задачи — писать код, — объяснял Макмиллан. — В новом мире вы даёте примеры того, как выглядит «хорошо», и система учится, что такое хорошо. Она способна рассуждать и применять логику, которую применил бы человек». Стратегическую рамку задал глава wealth management Джед Финн: цель — технологический слой, в котором советник простыми запросами выполняет все задачи, от подготовки предложений до ребалансировки портфелей и отчётов.

Важно, что человек остаётся в контуре на каждом шаге: ассистент ищет и синтезирует, Debrief готовит черновики, но финальное решение и отправка — всегда за советником. Для регулятора и комплаенса это принципиальная граница.

Результат

Ассистентом пользуются более 98% команд финансовых советников — для корпоративного инструмента это почти предельный adoption. Система эффективно отвечает на вопросы по корпусу из 100 000 документов — против примерно 7 000 вопросов, на которые отвечал прежний инструмент. Доступность документов, по оценке фирмы, выросла с 20% до 80%, а поиск информации сократился с минут до секунд. Макмиллан описывает качественный сдвиг так: «Теперь советники могут обсуждать с клиентами темы, которых раньше не касались, потому что трение между знанием и коммуникацией упало до нуля».

По Debrief публичны ранние оценки: участник пилота называл экономию около 30 минут работы на встречу; при миллионе Zoom-звонков в год по подразделению CNBC оценивал потенциал в сотни тысяч часов ежегодно. Кейтлин Эллиотт, руководитель Firmwide Generative AI Solutions, отмечала: «Отклики советников исключительно позитивные. Follow-up, которые раньше занимали дни, теперь происходят за часы». При этом сам Макмиллан честно называл проект «большим экспериментом в продуктивности» и говорил, что для строгой оценки эффекта нужен минимум год наблюдений.

Подход масштабируется за пределы wealth management: 23 октября 2024 года фирма запустила AskResearchGPT — GPT-4-ассистента по корпусу Morgan Stanley Research (более 70 000 проприетарных отчётов в год) для сотрудников инвестбанка, sales & trading и аналитики, с запатентованным workflow «запрос → письмо клиенту с цитатами и ссылками в один клик».

Важно понимать рамку этих цифр: Morgan Stanley публикует метрики использования (adoption, доступность корпуса, скорость), а не финансовый эффект в долларах — банк нигде не заявлял «ИИ принёс нам X миллионов». На наш взгляд, это осознанная и честная позиция для внутреннего инструмента: усилие честно измерить вклад копилота в выручку советника методологически сложно, и фирма предпочитает метрики, которые контролирует.

Ставки для отрасли при этом высоки: по оценке Citigroup, которую приводил CNBC, финансовые профессии — среди самых подверженных замещению ИИ, а внедрение ИИ может добавить индустрии 170 миллиардов долларов прибыли к 2028 году.

Для рынка кейс Morgan Stanley — образец «низкорискового» пути в генеративный ИИ, зеркального клиентским чат-ботам вроде Klarna: ИИ обращён внутрь, к сотрудникам, человек остаётся в контуре каждого решения, а доверие строится на измеримых evals, а не на демо. На наш взгляд, именно эта связка — узкий корпус, evals как процесс, человек как финальный фильтр — самая переносимая часть кейса: она работает в любой отрасли, где цена неверного ответа высока, от медицины до юриспруденции.

Уроки для индустрии

1. В регулируемой отрасли доверие к ИИ строится на evals: систематическая оценка качества ответов на реальных вопросах — это то, что убеждает комплаенс, а не демо.
2. RAG по собственному корпусу — правильная первая ставка для knowledge-heavy бизнеса: модель не «знает» ответ, она находит его в документах фирмы.
3. Evals — не разовая приёмка, а процесс: ежедневная регрессия на типовых вопросах ловит деградации качества раньше, чем их заметят пользователи или комплаенс.
4. Метрика «доступность знаний» (20→80%) — более честный показатель ценности, чем «количество запросов к боту».
5. Adoption 98% — следствие встраивания в реальный рабочий процесс советника (и месяцев курирования корпуса до запуска), а не приказа сверху.
6. Согласие клиента на каждую встречу и финальная правка человеком (Debrief) — образец того, как выводить ИИ в чувствительные клиентские сценарии без репутационных рисков.
7. Начинайте с одного узкого корпуса и одной роли пользователя (советник), масштабируйте после подтверждения качества — путь Morgan Stanley от Assistant к Debrief и AskResearchGPT занял два года последовательных запусков.

Частые вопросы