当一家管理着2.1万亿美元资产、员工总数却只有700人的机构决定全面拥抱人工智能时，它选择的不是小心翼翼地“试水”，而是自上而下、覆盖全员的“强制革命”。
近日，全球最大主权财富基金——挪威银行投资管理公司（NBIM）举办了首届人工智能研讨会，首次全面披露其AI战略落地情况。在这场面向全球的分享中，NBIM高管及业务骨干详细拆解了这套被业界称为“AI转型实战范本”的方法论：先打数据底座、强制全员动员、碎片化场景落地。数据显示，AI不仅助力5人团队高效管理2万亿美元资产、在一小时内研判300亿美元大宗交易，更通过优化交易执行策略，为基金节省了高达数十亿挪威克朗的市场冲击成本。
先打底座：自有化、上云、重构数据
任何AI战略的根基都在于数据。NBIM回顾其转型路径时，将过去几年的基础工作概括为“三大举措”，每一步都直指传统金融机构数字化转型的核心痛点。
第一步是运营自有化。 在此之前，NBIM将结算、基金会计、估值等业务外包给外部供应商。但随着业务拓展到新市场，该机构意识到需要“掌控流程，也要掌握知识”。于是，所有业务被收回内部运营。
第二步是将IT基础设施全面迁移到公有云。 这不仅是技术架构的调整，更是一种战略选择——追求“无限的数据增长”和即时扩展能力，彻底摆脱硬件更新周期的束缚。
第三步也是最“枯燥”的一步：数据库现代化。 NBIM发现，迁移到云端的旧数据库无法充分利用云的可扩展性，于是决定将所有数据库解决方案迁移到现代架构。而数据清理工作，被CEO尼古拉·坦根（Nicolai Tangen）形容为“世界上最无聊的工作”：“清理数据一点都不好玩。有人会感谢你清理数据吗？不会……你基本上就是告诉他们，1月31号我们要关闭旧数据。如果你第二天发现没有数据可用，那你看起来就太蠢了。”
正是在这种“不讲情面”的推动下，NBIM最终建成了“一个高质量、整洁有序的内部和外部数据集中库”，为后续AI应用铺平了道路。
全员动员：强制培训、大使网络、“像黄蜂一样紧盯”
如果说数据底座是“硬件”，那么组织文化的重塑就是“软件”。NBIM将AI推广定义为一场“组织工程”，其推进力度之强硬，在金融行业颇为罕见。
坦根在研讨会上抛出一句被反复传播的狠话：“这是强制性的。人们喜欢强制性的吗？他们讨厌强制性的，因为这就像回到了小学。可以自愿参加吗？不行，因为最需要帮助的恰恰是那些不想参加的人。必须强制执行，而且要像黄蜂一样紧盯他们，明白吗？”
这种“强制文化”的背后，是坦根对AI的战略判断。他曾在内部员工大会上直言：“这艘AI大船正在起航，要么上船，要么另谋高就。”
为了将AI能力下沉到组织的每一个角落，NBIM建立了一套“大使网络”——由20名志愿者组成的AI倡导者团队，任务是在各自团队中挖掘可落地的应用场景，并在AI团队与合作伙伴Anthropic的支持下推进项目。据介绍，Anthropic每周两次帮助NBIM启动新项目。
这套机制的成效相当可观：超过一半的员工都在使用云代码创建AI解决方案，超过三分之二的员工已注册并使用AI工具，约70%的用户正在使用相关开发工具。NBIM机器学习与AI主管斯蒂安·基克贝里（Stian Kirkeberg）透露，目前700名员工中约半数正利用Anthropic的大语言模型Claude自行编写AI工具。
坦根给其他企业领导者的建议是：不要设定明确的裁员目标。“因为那样只会引发大量抵触情绪。目标应定为提升销售额、利润与运营效率，扩大市场份额，把本职工作做得更好。这才是推行人工智能更具建设性的方式。”
先碎片化落地：171个项目与“没有绝佳用例”的真相
与外界想象的不同，NBIM的AI转型并非从某个“杀手级应用”开始，而是采取了一种“先碎片化落地”的策略——给工具、给培训、给实验时间，让AI能力在具体业务场景中自然生长。
NBIM将转型分为三个阶段：先提供工具、培训和实验时间；再试图寻找能“全面提升”的高价值用例；最后持续迭代升级。然而在第二阶段，团队得出一个不那么“爽文”的结论——并没有找到那个所谓的“绝佳人工智能用例”。
AI负责人坦率地说：团队通过访谈和研讨会“发现了171个新项目”，但真正推动效率提升的，恰恰是这些看似零散的小型项目的累积。“好消息是，在开始转型之前，我们的效率并不算低。坏消息是，我们不得不先完成所有这些小型项目，才能真正提高效率。所以，工作量非常大。”
这一发现揭示了AI转型的一个重要规律：真正的效率提升往往来自无数个“不起眼”的改进的叠加，而非某个单一突破。
10个场景密集上墙：从投资决策到财报生成
在研讨会上，NBIM用“每个用例3分钟”的方式快速展示了AI落地的10个具体场景，覆盖投资前、中、后台与支持部门。这些案例为全球资管行业提供了极具参考价值的实战范本。
投资决策：一小时研判300亿美元大宗交易。 投资团队每年会收到约200个来自投行的大额股票出售推介，需要“在一小时内得到答复”。如今，多个AI智能体协同工作，分别负责网络搜索、条款提取、指数效应测算等任务，目标是“在很短的时间内获得完整的决策基础”。团队总结：“当高盛询问问题时，我们花在收集数据上的时间更少，花在分析数据上的时间更多。”
网络安全：从半小时压缩到五分钟。 安全团队每年收集约1万亿个数据点，从中筛选出10万到100万个可疑信息。AI介入后，“我在半夜接到电话时，我们的一位代理也同时开始工作”，并且“他五分钟就能完成我原本需要半小时才能完成的工作……它从不拖泥带水。”
合规监控：“伊娃”代理降低误报疲劳。 合规团队将交易警报拆解为交易背景、指数再平衡、公司新闻、行业新闻、时间模式、公司互动六类，由六个子代理并行评估，汇总到主代理“增强型警惕代理‘伊娃’”，仅在“模糊/无法自动判断/必须人工最终决策”时移交人工。
财务造假识别：输出“股价下跌概率”。 针对基准约7000家公司，NBIM清理了过去16年的账目，自建数据集收集数千个历史案例，训练模型识别财务粉饰。模型输出为“发生此类案件并导致股价下跌的概率百分比”，且“已投入生产”。
财务披露自动化：2.5人团队省出8天。 基金会计部门此前依赖复杂Excel与大量人工操作，如今从“单一数据源”重建，用云代码等工具实现自动汇总导入。“外汇和税务分析在第2个工作日即可一键完成……全面自动化将使我们这个原本专注于生产的小团队（2.5人）节省出八天时间。”
责任投资筛查：8人团队覆盖全球7000家公司。 责任投资团队称，若纯人工筛查，可能需要“3000名分析师周末加班”。现在通过两阶段模型筛查公开信息并出具结构化风险报告，最终“分析师重新介入并做出决策”，必要时沟通或撤资。AI可在投资后24小时内识别出投资组合中可能涉及强迫劳动、腐败、欺诈等问题的新标的，相关信息往往未被国际媒体与数据服务商预警。
法务谈判：预测对方论点准确率超80%。 法务人士称AI可用于谈判策略规划与语音模拟，“我们能够预测超过80%的论点”，并将AI扩展到合同组合分析，挖掘条款规律与关联。
交易执行与市场冲击管理：节约数十亿克朗。 NBIM指出基金在60多个市场交易、内部约250个投资组合，规模带来的“市场冲击”——“去年估计约为140亿美元”。AI帮助做价格走势预测以“培养耐心”，并在内部不同组合之间进行更好的资金调度。
人才悖论：AI效率与人才梯队的两难
在技术推进的同时，NBIM管理层也清醒地意识到一个深刻的人才悖论。
托马斯·拉尔森（Thomas Larsen），NBIM外部策略首席投资组合经理，在斯坦福大学的一场研讨会上道出了这一困境：“有了这些新工具，我现在让AI做的很多事情，恰好是12年前我作为分析师刚加入时，我的投资经理让我做的那些任务。我现在可以在凌晨两点或在新加坡机场问这些问题——我不再受限于分析师几点醒着，但这也意味着，我面临着摧毁自己人才梯队的风险。”
他进一步解释道：“我们正在认真思考：当未来的决策者没有机会享受每个人在头几年都会犯错的‘奢侈’时，我们如何还能培养人才梯队？”
这一反思揭示了AI时代金融行业面临的深层挑战：效率提升与人才培养之间，如何找到平衡点？
战略定力：冻结人力规模，AI能力成晋升门槛
NBIM对AI的拥抱并非权宜之计，而是写入组织基因的战略选择。
目前，NBIM的全球员工总数稳定在约700人，分布于奥斯陆、伦敦、纽约、新加坡四个办事处。坦根明确表示，这一规模将基本保持不变，但岗位结构会因AI发生深刻转变——从后台行政向前端投资业务倾斜。
AI能力已与个人职业发展直接挂钩。坦根直言：“如果你不使用AI，你将永远不会被晋升。”这种将AI从“可选工具”升级为“非协商性的绩效要求”的做法，在整个金融行业都堪称激进。
未来方向：从辅助决策到有限自主
尽管AI已在NBIM内部深度嵌入各项业务流程，但该机构对“AI自主决策”仍保持审慎态度。
基克贝里明确表示：“核心原则是，通过人工智能分析，让人类做出更优决策。总有一天，我们会相信AI智能体能够自主作出部分决策，而我们只需对其行为进行监督。”
他补充道，基金正朝着这一方向推进，但尚未落地实施，并强调人工监督仍不可或缺——原因很简单：“这些工具仍会出错。”
坦根也指出了NBIM与短期投资者的本质区别：“部分投资机构已实现投资决策自动化……我们并未这么做。而且我们也不是高频交易商，我们是长期投资者，情况有所不同。”
目前唯一的例外是，该基金运用AI分析交易时机，以此降低交易成本。坦根透露，基金已在AI领域投入“数百万克朗”，并收获“数十亿克朗”的回报，但未透露具体数据与时间范围。
结语：AI转型是一场组织马拉松
研讨会最后，坦根用一段话为整场分享定调：这场展示只是“至少目前我们的情况”，因为模型更新速度太快——“这项技术发展日新月异，每周、每月都有新的模型问世，新的机遇涌现。”
对于全球资管行业而言，NBIM的AI实践提供了一套可资借鉴的方法论：先打好数据底座，再以强制文化推动全员动员，最后在碎片化场景中积累真实效率。这套方法论没有“杀手级应用”的戏剧性，却有“171个小项目”的扎实——而这，或许正是金融行业AI转型最真实的底色。
