<p>当一个组织赋予 20,000 名员工构建自己的定制 AI 代理的权力时，这标志着企业技术采用的根本转变——将生成式 AI 从集中式 IT 职能转变为日常工作的去中心化、无处不在的工具。这种利用 OpenAI 技术在 BNY ELIZA 平台上进行的代理创建的大规模民主化，代表了迄今为止金融行业中最激进和成功的内部 AI 扩展努力之一，优先考虑实践经验作为提高素养和实现价值的关键驱动力。</p>
<p>BNY Mellon 的全球人才负责人 Michelle O’Reilly 和首席 AI 与数据官 Sarthak Pattanaik 在 OpenAI 提供的最新案例研究中详细阐述了这一战略，重点介绍了银行如何通过将大型语言模型直接集成到工作流程中来转变内部学习和内容开发。他们的核心理念绕过了传统的自上而下的培训模块，转而采用一种迭代的、实践的方法，迫使各个角色的员工——从财务到人力资源——成为提示工程师和代理构建者。</p>
<p>这一战略建立在一个信念上，即在快速发展的生成式 AI 领域，抽象知识的转移是不够的。Sarthak Pattanaik 强调了支撑这一倡议的组织哲学，他表示：“我们相信通过实践学习，而不仅仅是理论知识。” 对于一个庞大的全球机构而言，这意味着提供必要的工具和沙盒环境，让员工能够进行实验、快速失败，并发现专门针对其任务的即时效率。BNY ELIZA 平台允许用户根据特定需求定义代理，选择如文档搜索的上下文检索（RAG）或定制交互风格的个性化角色（AVATAR）等类型。</p>
<p>这一投资的即时回报令人震惊，特别是在历史上被手动内容更新和审查周期拖累的领域。O’Reilly 强调，内部学习和人才团队利用该平台自动化内容创建和品牌检查。她指出，以前开发学习内容 “通常需要一个月的时间。现在我们可以在一个小时内完成。” 这种周期时间减少 99% 使主题专家能够参与更高价值的活动，如直接与员工联系和战略规划，而不是重复的内容精炼。</p>
<p>这种速度的提升不仅仅是人力资源的指标；在一个高度监管的行业中，这是一个关键的竞争优势，知识传播必须迅速而准确。能够快速部署一个代理，例如提供基于内部战略文件的个性化建议的 “职业教练”，将内部培训的功能从被动的必要性转变为主动的、可扩展的资源。</p>
<p>高管们承认，这条道路本质上是模糊的。没有现成的蓝图可以在全球银行中以这种规模整合生成式 AI。Michelle O’Reilly 承认：“没有关于 AI 学习的操作手册，因此……它必须是多方面的。” 这种缺乏先例的情况需要一个鼓励和规范实验的文化环境。</p>
<p>BNY 通过专门的活动将实践学习制度化。他们举办传统的黑客马拉松，但也有 “提示马拉松”，员工在其中竞争开发最有效和创新的提示和代理以解决业务问题。这种游戏化的方法确保 AI 素养不被视为强制合规课程，而是作为一种持续的、引人入胜的技能发展练习，通过内部竞争和共享学习推动病毒式传播。这种 AI 开发的文化嵌入或许是其他企业希望超越试点项目时最重要的见解。它将技术部署转变为人才战略，确保技术在领域专业知识所在的地方得到充分利用——即员工自身。</p>
<p>该平台提供了保护措施，确保即使创建了 20,000 个代理，数据安全和合规性仍然是核心。员工在选择时会被引导区分轻量级、非敏感任务与涉及敏感数据的业务关键生产项目。这种分层方法确保民主化不等同于混乱，保持了金融服务环境所需的完整性，同时最大化效用。这种赋权与控制之间的微妙平衡对于任何在敏感行业运营的大型组织都是至关重要的。最终，这一模型的成功基于对分布式创新的信念。O’Reilly 总结道：“好的想法来自组织中的每一个层级，” 强调了赋予每位员工直接参与 AI 转型的必要性。</p>

<p>BNY Mellon 正在赋能 20,000 名员工创建自定义 AI 代理，这标志着企业技术的重大转变。这种去中心化的方法在 BNY ELIZA 平台中利用 OpenAI 技术，强调实践经验而非传统培训。该策略旨在提高效率，将内容开发时间减少 99%。员工通过黑客马拉松和提示马拉松等活动参与实践学习，促进创新文化。该倡议在赋能与数据安全之间取得平衡，确保合规的同时最大化效用。最终，BNY Mellon 相信分布式创新，鼓励来自各个组织层级的贡献</p>

<p>When an organization empowers 20,000 employees to build their own custom AI agents, it signals a fundamental shift in enterprise technology adoption—moving generative AI from a centralized IT function to a decentralized, ubiquitous tool for daily work. This mass democratization of agent creation, utilizing OpenAI technology within the BNY ELIZA platform, represents one of the most aggressive and successful internal AI scaling efforts seen in the financial sector to date, prioritizing hands-on experience as the critical driver of literacy and value realization.</p>
<div class="lb-trans"><p>当一个组织赋予 20,000 名员工构建自己的定制 AI 代理的权力时，这标志着企业技术采用的根本转变——将生成式 AI 从集中式 IT 职能转变为日常工作的去中心化、无处不在的工具。这种利用 OpenAI 技术在 BNY ELIZA 平台上进行的代理创建的大规模民主化，代表了迄今为止金融行业中最激进和成功的内部 AI 扩展努力之一，优先考虑实践经验作为提高素养和实现价值的关键驱动力。</p>
</div><p>Michelle O’Reilly, Global Head of Talent, and Sarthak Pattanaik, Chief AI &amp; Data Officer at BNY Mellon, detailed this strategy in a recent case study provided by OpenAI, focusing on how the bank transformed internal learning and content development by integrating large language models directly into the workflow. Their core premise bypasses traditional, top-down training modules in favor of an iterative, practical approach that forces employees across various roles—from finance to HR—to become prompt engineers and agent builders.</p>
<div class="lb-trans"><p>BNY Mellon 的全球人才负责人 Michelle O’Reilly 和首席 AI 与数据官 Sarthak Pattanaik 在 OpenAI 提供的最新案例研究中详细阐述了这一战略，重点介绍了银行如何通过将大型语言模型直接集成到工作流程中来转变内部学习和内容开发。他们的核心理念绕过了传统的自上而下的培训模块，转而采用一种迭代的、实践的方法，迫使各个角色的员工——从财务到人力资源——成为提示工程师和代理构建者。</p>
</div><p>This strategy is built on the belief that abstract knowledge transfer is insufficient in the rapidly evolving domain of generative AI. Sarthak Pattanaik emphasized the organizational philosophy underpinning the initiative, stating, “We believe in learning by doing, not just theoretical knowledge.” For a massive global institution, this means providing the tools and sandbox environment necessary for employees to experiment, fail quickly, and discover immediate efficiencies tailored specifically to their tasks. The BNY ELIZA platform allows users to define agents based on specific requirements, choosing between types like Contextual Retrieval (RAG) for document search or Custom Personas (AVATAR) for tailored interaction styles.</p>
<div class="lb-trans"><p>这一战略建立在一个信念上，即在快速发展的生成式 AI 领域，抽象知识的转移是不够的。Sarthak Pattanaik 强调了支撑这一倡议的组织哲学，他表示：“我们相信通过实践学习，而不仅仅是理论知识。” 对于一个庞大的全球机构而言，这意味着提供必要的工具和沙盒环境，让员工能够进行实验、快速失败，并发现专门针对其任务的即时效率。BNY ELIZA 平台允许用户根据特定需求定义代理，选择如文档搜索的上下文检索（RAG）或定制交互风格的个性化角色（AVATAR）等类型。</p>
</div><p>The immediate return on this investment is staggering, particularly in areas historically bogged down by manual content updates and review cycles. O’Reilly highlighted how the internal learning and talent team leveraged the platform to automate content creation and branding checks. She noted that developing learning content “in the past has taken a month to actually develop. Now we can do that in an hour.” This 99% reduction in cycle time frees up subject matter experts to engage in higher-value activities, such as direct employee connection and strategic planning, rather than repetitive content refinement.</p>
<div class="lb-trans"><p>这一投资的即时回报令人震惊，特别是在历史上被手动内容更新和审查周期拖累的领域。O’Reilly 强调，内部学习和人才团队利用该平台自动化内容创建和品牌检查。她指出，以前开发学习内容 “通常需要一个月的时间。现在我们可以在一个小时内完成。” 这种周期时间减少 99% 使主题专家能够参与更高价值的活动，如直接与员工联系和战略规划，而不是重复的内容精炼。</p>
</div><p>This speed increase is not merely an HR metric; it is a critical competitive advantage in a highly regulated industry where knowledge dissemination must be rapid and accurate. The ability to quickly deploy an agent, such as a “Career Coach” that provides personalized advice based on internal strategy documents, transforms the function of internal training from a reactive necessity into a proactive, scalable resource.</p>
<div class="lb-trans"><p>这种速度的提升不仅仅是人力资源的指标；在一个高度监管的行业中，这是一个关键的竞争优势，知识传播必须迅速而准确。能够快速部署一个代理，例如提供基于内部战略文件的个性化建议的 “职业教练”，将内部培训的功能从被动的必要性转变为主动的、可扩展的资源。</p>
</div><p>The executives acknowledged that this path is inherently ambiguous. There is no existing blueprint for integrating generative AI at this scale within a global bank. Michelle O’Reilly admitted, “There is no playbook for learning for AI, and so it’s… it has to be multi-faceted.” This lack of precedent necessitates a cultural environment where experimentation is encouraged and formalized.</p>
<div class="lb-trans"><p>高管们承认，这条道路本质上是模糊的。没有现成的蓝图可以在全球银行中以这种规模整合生成式 AI。Michelle O’Reilly 承认：“没有关于 AI 学习的操作手册，因此……它必须是多方面的。” 这种缺乏先例的情况需要一个鼓励和规范实验的文化环境。</p>
</div><p>BNY achieves this by institutionalizing practical learning through dedicated events. They host traditional hackathons, but also “promptathons,” where employees compete to develop the most effective and innovative prompts and agents for solving business problems. This gamified approach ensures that AI literacy is not treated as a mandatory compliance course but as a continuous, engaging skill development exercise, driving viral adoption through internal competition and shared learning. This cultural embedding of AI development is perhaps the most significant insight for other enterprises looking to move beyond pilot projects. It transforms technical deployment into a talent strategy, ensuring that the technology is utilized precisely where domain expertise resides—with the employees themselves.</p>
<div class="lb-trans"><p>BNY 通过专门的活动将实践学习制度化。他们举办传统的黑客马拉松，但也有 “提示马拉松”，员工在其中竞争开发最有效和创新的提示和代理以解决业务问题。这种游戏化的方法确保 AI 素养不被视为强制合规课程，而是作为一种持续的、引人入胜的技能发展练习，通过内部竞争和共享学习推动病毒式传播。这种 AI 开发的文化嵌入或许是其他企业希望超越试点项目时最重要的见解。它将技术部署转变为人才战略，确保技术在领域专业知识所在的地方得到充分利用——即员工自身。</p>
</div><p>The platform provides guardrails, ensuring that even as 20,000 agents are created, data security and regulatory compliance remain central. Employees are guided through choices that delineate between lightweight, non-sensitive tasks and business-critical production initiatives involving sensitive data. This tiered approach ensures that democratization does not equate to chaos, maintaining the integrity required in a financial services environment while maximizing utility. This careful balance between empowerment and control is essential for any large organization operating in a sensitive sector. Ultimately, the success of this model rests on a belief in distributed innovation. O’Reilly concluded that “Good ideas come from every level in the organization,” underscoring the necessity of empowering every employee to contribute directly to the AI transformation.</p>
<div class="lb-trans"><p>该平台提供了保护措施，确保即使创建了 20,000 个代理，数据安全和合规性仍然是核心。员工在选择时会被引导区分轻量级、非敏感任务与涉及敏感数据的业务关键生产项目。这种分层方法确保民主化不等同于混乱，保持了金融服务环境所需的完整性，同时最大化效用。这种赋权与控制之间的微妙平衡对于任何在敏感行业运营的大型组织都是至关重要的。最终，这一模型的成功基于对分布式创新的信念。O’Reilly 总结道：“好的想法来自组织中的每一个层级，” 强调了赋予每位员工直接参与 AI 转型的必要性。</p>
</div>

纽约梅隆银行提升 AI 素养：两万代理人的策略