梅隆银行态度大转变:从“不谈Token成本”到“严控Token成本”
当AI在银行业的应用不断深入,银行也开始像核算水电费一样核算AI方面的开销。这不只是一次成本管理的技术动作,或更像是大型金融机构AI应用与治理即将进入“深水区”的信号。
纽约梅隆银行开发工具监测Token成本,避免超支
近日,彭博社报道,纽约梅隆银行(BNY)正“有条不紊”地追踪Token成本。而在加大对AI成本监控力度的背后,该行AI应用正加速铺开。
纽约梅隆银行首席财务官Dermot McDonogh在接受采访时表示,该行已开发相关工具,以追踪AI方面的成本,并将每项任务分配给最合适的模型。此举旨在避免在AI成本上升的情况下出现超支情况。
Dermot McDonogh称,该行开发了精细的监测工具,旨在追踪资金支出、Token消耗情况。随着成本逐渐成为银行的考量因素,针对不同任务选用合适的模型显得越发重要。其强调,“我们不会用昂贵模型处理简单查询。”
Dermot McDonogh还表示,纽约梅隆银行使用各大云服务提供商的模型,并未与任何一家绑定。尽管该行首席执行官Robin Vince在2026年7月加入了OpenAI董事会,但这家银行在模型选用上仍未向OpenAI倾斜。
有意思的是,在3个月前,纽约梅隆银行对Token成本的态度明显不一样。7月,Dermot McDonogh曾向《Fortune》杂志表示,该行并未追踪Token使用情况,而是专注于相关成果。其彼时称,“这不是我们花时间讨论的话题。”
而到近期,其表述已变为“追踪、计量、路由”。同一位CFO,三个月时间从“不谈Token”转向“精细计量”,体现的正是纽约梅隆银行对Token成本的态度。
从行业背景来看,其实是有原因的,虽然Token单价持续下降,但智能体把任务拆成多次模型调用,任务用量增长要快过单价下降。也就是说,在Token单价下降的情况下,银行或企业为AI支付的费用还在不断增加,因为智能体消耗的Token数在上涨。
有分析显示,此前一次聊天机器人查询仅需调用一个模型,而在智能体工作流之下,需要将十至二十次模型调用串联起来。Gartner在2026年3月的报告中指出,智能体任务的Token消耗量是标准聊天机器人交互的4至30倍。
很多企业的投资回报率(ROI)模型是在试点阶段建立的,当时的工作负载仅限于单轮问答。然而,在企业将智能体投入生产环境后却发现,每项任务的Token消耗量已增加了一个量级。
这或许可以用“杰文斯悖论(Jevons paradox)”来解释:资源效率的提升反而导致该资源消耗量出现反直觉的增长。其原因在于,随着单位成本的降低,人们会找到利用该资源的新方式。
运营约400个AI智能体,已打造企业级AI平台
在纽约梅隆银行关注Token成本的背后,正是该行的AI应用加速推进。
从最新的数据来看,纽约梅隆银行目前运营着约400个AI智能体。
在10月的2026年第三季度财报电话会议上,首席执行官Robin Vince曾介绍纽约梅隆银行的三大人工智能战略方向:在不增加成本基础的前提下,建立支持业务增长的内部能力;优化面向客户的产品与功能;为客户开展以往若无人工智能便不具备经济可行性的新业务。
彼时,纽约梅隆银行提到,行内已有400多项人工智能解决方案投入生产应用,重心正从内部产能建设转向产品升级,最终将转向面向客户的解决方案。
而从纽约梅隆银行官网的专门介绍来看,该行近5年来致力于为金融服务领域打造基于人工智能的解决方案。并表示,其为首家部署AI超级计算机(由NVIDIA提供技术支持)以提升处理能力并推出AI功能的大型银行。
值得一提的是,该行已打造企业级人工智能平台“Eliza”。Eliza基于基础且可复用的功能构建,旨在借助人工智能的力量提升客户服务、优化银行运营等。
作为核心资源平台,Eliza在健全的治理框架内,为员工提供AI能力,简化工作流程,并推动全行范围内的创新。
整体来看,纽约梅隆银行每年在科技上投入约40亿美元,人工智能仅占其中一部分。但毕竟AI账单还在不断上升,因此该行加强对Token成本的关注不难理解。







