Morgan Stanley 企业知识助手公开案例解读
本文基于 OpenAI 与 Morgan Stanley 的公开资料整理，是公开案例解读，不是 CRAZYAIGC 客户案例。文中的采用率和业务结果均来自原始公开来源。
公开事实
OpenAI 的案例介绍显示，Morgan Stanley Wealth Management 将 GPT-4 用于内部知识检索和会议摘要等场景。AI @ Morgan Stanley Assistant 帮助财富顾问查询内部知识，Debrief 则在获得客户同意后，把会议记录转成可由顾问检查的客户笔记、行动项和跟进初稿。
公开资料同时强调了几项结果：财富管理顾问团队的 AI 工具采用率超过 98%；知识助手所覆盖的文档和问题范围持续扩大；顾问仍会审查、调整 AI 生成内容后再使用。
Challenge：知识很多，但不能直接依赖概率输出
金融顾问需要快速找到研究、流程和合规资料，但金融服务又要求回答准确、来源可信并可持续检查。仅把大量文档接入模型，无法证明系统在真实问题上足够可靠。
Solution：把评估体系放在知识助手前面
Morgan Stanley 的公开方法包含四个关键环节：
- 用顾问真实任务建立摘要、翻译和知识问答评估集。
- 由顾问和提示工程人员共同评价准确性与一致性。
- 持续改进检索方法，并对样例问题做日常回归测试。
- 对会议摘要和对外跟进保留人工检查与修改。
这使知识助手不只是一个聊天入口，而是一套包含可信资料、评估标准、专家反馈和持续测试的运营系统。
Implementation：企业知识库要先回答“如何证明它可靠”
这部分是我们的编辑判断，不是 Morgan Stanley 的原话。
企业做AI 知识库时，可以借鉴三点：
- 第一版不要追求覆盖所有资料，先覆盖一个岗位的高频问题。
- 上线前建立 30-100 个真实测试问题，并记录标准答案和引用来源。
- 模型、知识内容和提示词发生变化后，重新运行回归测试。
对金融、法律、医疗、合同和客户承诺等高风险场景，人工审核不是临时补丁，而是工作流的一部分。可以先通过企业 AI 诊断确定资料、权限、审核和验收标准，再进入实施。
Result：公开披露的采用结果
OpenAI 的公开案例称，Morgan Stanley 财富管理顾问团队对相关 AI 工具的采用率超过 98%，知识助手覆盖范围也持续扩大。该结果建立在评估集、专家反馈、回归测试和人工审查之上，不应脱离这些条件单独理解。
Lessons：可复用的试点路径
- 选择一个问题集中、资料相对稳定的团队。
- 整理正式资料，标记版本、权限和内容负责人。
- 建立真实问题评估集和不可回答清单。
- 先内部辅助，不直接面向客户自动输出。
- 记录命中率、引用准确性、人工修改率和问题解决时间。
- 通过评估后再增加资料、岗位和工具调用。