Latest Posts
Home Category:Uncategorized เจพีมอร์แกน เชส กับพิมพ์เขียวองค์กรที่ขับเคลื่อนด้วย AI ผ่านการใช้งาน LLM Suite สำหรับพนักงาน 250,000 คน
Uncategorized

เจพีมอร์แกน เชส กับพิมพ์เขียวองค์กรที่ขับเคลื่อนด้วย AI ผ่านการใช้งาน LLM Suite สำหรับพนักงาน 250,000 คน

Posted on by admin

บทสรุปสำหรับผู้บริหาร: พิมพ์เขียวของ เจพีมอร์แกน เชส สำหรับองค์กรที่เชื่อมต่อด้วย AI

การติดตั้งใช้งานแพลตฟอร์ม Large Language Model (LLM) Suite ภายในองค์กรของ เจพีมอร์แกน เชส (JPMC) ถือเป็นการเคลื่อนไหวเชิงกลยุทธ์ที่ก้าวหน้าที่สุดในภาคบริการทางการเงินระดับโลกในปัจจุบัน 1 แพลตฟอร์มนี้ได้รับการออกแบบมาเพื่อกระจายการเข้าถึงปัญญาประดิษฐ์เชิงรู้สร้าง (Generative AI) ไปยังพนักงานจำนวนมากถึง 250,000 คน โดยอาศัยโมเดลชั้นนำจากภายนอก เช่น OpenAI และ Anthropic ขณะที่ยังคงรักษาการควบคุมข้อมูลและความปลอดภัยอย่างเข้มงวด 1 การดำเนินการดังกล่าวแสดงให้เห็นถึงความมุ่งมั่นของ JPMC ในการบรรลุวิสัยทัศน์ของ “องค์กรที่เชื่อมต่อด้วย AI อย่างสมบูรณ์” (fully AI-connected enterprise) 3

ขอบเขตและอัตราการใช้งาน

JPMC ประสบความสำเร็จในการนำ LLM Suite มาใช้ในวงกว้าง โดยมีการรับพนักงานเข้าระบบ (onboarding) มากถึง 200,000 คน ภายในระยะเวลาเพียงแปดเดือนหลังจากการเปิดตัวในช่วงฤดูร้อนปี 2024 5 การเข้าถึงในระดับนี้ครอบคลุมพนักงานเกือบทั้งหมด ยกเว้นผู้ที่อยู่ในสาขาหรือศูนย์บริการทางโทรศัพท์ 4 ซึ่งนับเป็นการกระจายเครื่องมือ Gen AI ที่ไม่เคยมีมาก่อนในอุตสาหกรรมการเงิน 6 ข้อมูลระบุว่า พนักงานประมาณครึ่งหนึ่งของผู้ที่เข้าถึงแพลตฟอร์มนี้ใช้งานเป็นประจำทุกวัน 7

วิสัยทัศน์เชิงกลยุทธ์และผลตอบแทนเบื้องต้น

ความริเริ่มนี้ได้รับแรงผลักดันจากความเชื่อมั่นของ เจมี่ ไดมอน (Jamie Dimon) ซีอีโอของ JPMC ที่ว่า AI มีพลังในการเปลี่ยนแปลงเทียบเท่ากับเครื่องจักรไอน้ำและอินเทอร์เน็ต 8 เป้าหมายสูงสุดที่ Chief Analytics Officer อย่าง Derek Waldron ได้อธิบายไว้ คือการทำให้พนักงานทุกคนมีผู้ช่วย AI ส่วนตัว, ทุกกระบวนการถูกขับเคลื่อนด้วยตัวแทน AI (AI agents), และทุกประสบการณ์ลูกค้าได้รับการดูแลโดยผู้ช่วยส่วนตัว AI (AI concierge) 1 ในแง่ของผลตอบแทนการลงทุน (ROI) เบื้องต้น JPMC รายงานความสำเร็จที่เห็นได้ชัดในงานที่มีมูลค่าสูง เช่น การสร้างชุดข้อมูลนำเสนอสำหรับวาณิชธนกิจที่ซับซ้อนได้ภายในเวลาเพียง 30 วินาที ซึ่งงานนี้ก่อนหน้านี้ต้องใช้ทีมนักวิเคราะห์ทำงานข้ามคืน 3 นอกจากนี้ การลงทุน AI โดยรวมของธนาคารยังช่วยประหยัดต้นทุนไปแล้ว 1.5 พันล้านดอลลาร์ จากการป้องกันการทุจริตและการเพิ่มประสิทธิภาพการดำเนินงาน 9

II. ความจำเป็นเชิงกลยุทธ์: การปรับโครงสร้างธนาคารโลกผ่าน AI ที่กระจายการเข้าถึง

ส่วนนี้วิเคราะห์แรงจูงใจและโครงสร้างองค์กรที่ JPMC ใช้ในการวางตำแหน่ง AI เป็นเสาหลักของกลยุทธ์องค์กร โดยเปลี่ยนจากโครงการด้านไอทีที่แยกส่วนไปสู่การเปลี่ยนแปลงธุรกิจโดยรวม

A. อาณัติของผู้บริหารและความมุ่งมั่นขององค์กร

ความสำเร็จในการนำ AI มาใช้ในวงกว้างของ JPMC เริ่มต้นจากการสนับสนุนอย่างแข็งขันจากระดับผู้บริหารสูงสุด เจมี่ ไดมอน ซีอีโอ ได้ให้ความสำคัญอย่างมากในการประชุมผู้บริหารระดับสูงเพื่อหารือเกี่ยวกับผลกระทบของ AI ต่อพนักงาน 317,000 คนของธนาคาร 1 ความสำคัญเชิงกลยุทธ์ของ AI ชัดเจนยิ่งขึ้นเมื่อ JPMC ตัดสินใจแยกทีม AI/ข้อมูล ออกจากสายงานเทคโนโลยีแบบดั้งเดิม โดยให้ผู้บริหารสูงสุดด้าน AI/ข้อมูล รายงานตรงต่อ CEO และประธาน 10 การจัดโครงสร้างนี้บ่งชี้อย่างชัดเจนว่า JPMC มองว่า AI เป็นฟังก์ชันขับเคลื่อนการเปลี่ยนแปลงทางธุรกิจโดยตรง ไม่ใช่เพียงแค่ฟังก์ชันโครงสร้างพื้นฐาน 11 การขจัดชั้นของลำดับชั้นการบังคับบัญชาแบบเดิมช่วยเร่งความเร็วในการตัดสินใจเชิงกลยุทธ์และการปรับใช้ AI ให้สอดคล้องกับวัตถุประสงค์ทางธุรกิจหลักได้ทันที

B. กลยุทธ์การทำให้เป็นประชาธิปไตยและการขยายการเข้าถึง

JPMC เลือกใช้กลยุทธ์ที่เรียกว่า “การเดิมพันครั้งใหญ่ในการทำให้เทคโนโลยีนี้เป็นประชาธิปไตย” 6 นั่นคือการนำเสนอเครื่องมือบริการตนเองคุณภาพสูงระดับผู้บริโภคที่เชื่อมต่อกับระบบภายในของ JPMC ให้พร้อมใช้งานแก่พนักงานทั่วทั้งบริษัท 4 การเข้าถึงที่แพร่หลายนี้ถือเป็นกุญแจสำคัญในการขยายขนาดนวัตกรรมและการยอมรับ AI อย่างรวดเร็ว 5

วิสัยทัศน์ที่กว้างกว่านั้นคือการ “ปรับโครงสร้างใหม่” ของสถาบันทั้งหมด 3 โดยมุ่งเน้นไปที่การเตรียมพร้อมสำหรับ

AI-as-a-Service ในอนาคต แนวคิดของผู้ช่วย AI ส่วนบุคคลและผู้ช่วยลูกค้า AI 4 แสดงให้เห็นถึงการเปลี่ยนแปลงจากการใช้ AI เป็นเพียงเครื่องมือเพิ่มประสิทธิภาพ (เช่น การร่างสรุป) ไปสู่การเป็น AI ที่สามารถนำทางและจัดการขั้นตอนการทำงานเชิงรุก และสร้างประสบการณ์ลูกค้าที่ปรับให้เป็นส่วนตัวมากขึ้นอย่างลึกซึ้ง ซึ่งจะเปลี่ยนบทบาทของพนักงานที่เกี่ยวข้องกับการบริหารความมั่งคั่งและการบริการลูกค้าไปอย่างสิ้นเชิง 9 การเป็นผู้นำในการนำ AI มาใช้ในช่วงเริ่มต้น ทำให้ JPMC มีความได้เปรียบในการก้าวไปสู่จุดที่สามารถรวบรวมข้อมูลที่เป็นกรรมสิทธิ์และดึงดูดบุคลากรด้าน AI ที่มีคุณภาพสูง ก่อนที่คู่แข่งจะสามารถสร้างโครงสร้างพื้นฐานที่คล้ายคลึงกันได้ 2

III. สถาปัตยกรรมและการบูรณาการทางเทคนิค: แพลตฟอร์ม LLM Suite ที่เป็นกรรมสิทธิ์

ส่วนนี้จะอธิบายรายละเอียดว่า JPMC ออกแบบ LLM Suite อย่างไรเพื่อรักษาสมดุลระหว่างความสามารถของโมเดลภายนอกที่ล้ำสมัย (OpenAI และ Anthropic) กับข้อกำหนดที่สำคัญที่สุดด้านความปลอดภัยทางการเงินและการปฏิบัติตามกฎระเบียบ

A. กลยุทธ์โมเดลแบบไฮบริดและตัวห่อหุ้มภายใน

LLM Suite ของ JPMC ถูกออกแบบให้เป็นแพลตฟอร์มภายใน (หรือที่เรียกว่า “ตัวห่อหุ้ม ChatGPT ระดับองค์กร”) 3 ซึ่งมีความสามารถในการทำงานโดยไม่ยึดติดกับโมเดลใดโมเดลหนึ่ง (Model Agnosticism) 13 แพลตฟอร์มนี้รวมเข้ากับโมเดลจากบริษัท AI ชั้นนำ รวมถึง OpenAI และ Anthropic 1 การเลือกใช้แนวทางหลายโมเดล (multi-model) เป็นกลยุทธ์ที่ช่วยลดความเสี่ยงจากการพึ่งพาผู้ขายรายใดรายหนึ่ง และทำให้ JPMC สามารถเข้าถึงโมเดลแนวหน้าที่มีประสิทธิภาพสูงสุดในตลาดได้อย่างต่อเนื่อง

นวัตกรรมหลักของ JPMC อยู่ที่ ตัวห่อหุ้มที่เป็นกรรมสิทธิ์ (proprietary wrapper) ของ LLM Suite 5 ซึ่งทำหน้าที่เป็นเกตเวย์ API และตัวกรองข้อมูลที่ปลอดภัยสำหรับการกรองข้อมูลที่ละเอียดอ่อนทั้งขาเข้าและขาออก 14 ตัวห่อหุ้มนี้มีความสำคัญอย่างยิ่ง เนื่องจากเป็นเลเยอร์กำกับดูแลที่อนุญาตให้ธนาคารใช้โมเดลภายนอกได้อย่างปลอดภัยในงานที่มีความลับสูง เช่น การร่างเอกสารการควบรวมและซื้อกิจการ (M&A) ซึ่งเป็นความสามารถที่คู่แข่งส่วนใหญ่ยังไม่สามารถทำซ้ำได้ทันที 4

นอกจากนี้ LLM Suite ยังได้รับการปรับแต่งให้เข้าถึงคลังข้อมูลที่เป็นกรรมสิทธิ์และระบบซอฟต์แวร์ภายในองค์กรขนาดใหญ่ของธนาคาร 1 การบูรณาการข้อมูลแบบเรียลไทม์และมีความแม่นยำสูงเป็นปัจจัยสำคัญเพื่อให้โมเดลสามารถสร้างผลลัพธ์ที่เกี่ยวข้องและมีคุณภาพสูงในบริบททางการเงิน 6 แพลตฟอร์มนี้ไม่หยุดนิ่ง แต่ได้รับการอัปเดตทุกแปดสัปดาห์ โดยมีการป้อนข้อมูลใหม่จากส่วนงานต่างๆ ของ JPMC อย่างต่อเนื่องเพื่อขยายขีดความสามารถของระบบให้กว้างขวางยิ่งขึ้น 1

B. ความปลอดภัย การปฏิบัติตามกฎระเบียบ และโครงสร้างพื้นฐาน

LLM Suite ถูกพัฒนาขึ้นโดยมีเป้าหมายหลักในการใช้งานภายในองค์กร โดยให้การเข้าถึง LLM “ในสภาพแวดล้อมที่ปลอดภัย” 5 โครงสร้างนี้ช่วยลดความเสี่ยงที่เกี่ยวข้องกับการใช้เครื่องมือสาธารณะ เช่น การรั่วไหลของข้อมูล (data leakage) ปัญหาการปฏิบัติตามกฎระเบียบ และช่องโหว่ด้านความปลอดภัย ซึ่งเป็นความเสี่ยงที่ธนาคารต้องหลีกเลี่ยง 14

การขยายขนาด AI อย่างประสบความสำเร็จถึงพนักงาน 250,000 คน ยืนยันว่าการนำ AI มาใช้ต้องอาศัยโครงสร้างพื้นฐานที่ทันสมัยเป็นรากฐาน 15 JPMC ลงทุนมหาศาลในโครงสร้างพื้นฐานแบบไฮบริดที่ซับซ้อน ซึ่งรวมถึงศูนย์ข้อมูลส่วนตัว โคโลเคชั่น และการใช้งาน hyperscaler 15 กลยุทธ์การปรับใช้คอมพิวเตอร์สำหรับ AI จะต้องเป็นไปตามมาตรฐานภายในที่เข้มงวดในด้านความปลอดภัย ความเสี่ยง และการควบคุม ก่อนที่จะพิจารณาเพิ่มประสิทธิภาพด้านต้นทุน 15 เพื่อรองรับปริมาณการใช้งานความเร็วสูงจากผู้ใช้จำนวนมากที่เข้าถึงข้อมูลเรียลไทม์ การจัดวางบริการโฮสติ้งให้ใกล้เคียงกับภูมิภาคทางภูมิศาสตร์จึงเป็นสิ่งสำคัญ เพื่อให้มั่นใจว่าผู้ใช้จะได้รับประสบการณ์ที่เหมาะสมที่สุด ลดความหน่วง (latency) และกระจายโหลดได้อย่างมีประสิทธิภาพทั่วโลก 17

การปรับใช้ LLM Suite ในขนาดที่กว้างขวางและรวดเร็ว แสดงให้เห็นว่า JPMC มีการลงทุนในโครงสร้างพื้นฐานด้านข้อมูล คลาวด์ และวิศวกรรมมานานนับทศวรรษ (ซึ่งสะท้อนในงบประมาณด้านไอทีจำนวนมหาศาล) 10 ซึ่งเป็นปัจจัยสำคัญที่ทำให้ LLM Suite สามารถทำงานได้อย่างมีประสิทธิภาพด้วยข้อมูลที่มีคุณภาพสูงและเป็นปัจจุบัน 6 ความเสถียรของโครงสร้างพื้นฐานจึงถือเป็นต้นทุนที่หลีกเลี่ยงไม่ได้ของการขยายขนาด Gen AI ในอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล

C. การเปลี่ยนผ่านสู่ตัวแทน AI

แม้ว่า LLM Suite ในปัจจุบันจะเน้นไปที่การเป็น “ศูนย์กลางสำหรับพนักงาน” เพื่อช่วยในการร่างเนื้อหาและการสร้างแนวคิด 5 แต่เป้าหมายถัดไปที่ระบุไว้คือการรวม Gen AI เข้ากับขั้นตอนการทำงานเพื่อสร้าง

ตัวแทน AI (AI agents) ที่สามารถดำเนินการตามชุดคำสั่งเพื่อบรรลุเป้าหมายที่ซับซ้อนได้ 4 การเปลี่ยนผ่านจากเครื่องมือผู้ช่วยแบบตอบสนอง (co-pilot) ไปสู่ตัวแทน AI เชิงรุกนี้ จะเป็นตัวแทนของการเปลี่ยนแปลงกระบวนการที่รุนแรงยิ่งขึ้น โดยการดำเนินงานอัตโนมัติในกระบวนการทำงานเบื้องหลัง (back-office) ที่ซับซ้อนและมีหลายขั้นตอน 7

ตารางที่ 1: ตัวชี้วัดการปรับใช้หลักและรากฐานทางเทคโนโลยีของ LLM Suite

ตัวชี้วัด/องค์ประกอบรายละเอียดการใช้งาน LLM Suite ของ JPMCนัยยะเชิงกลยุทธ์แหล่งที่มา
การเข้าถึงของพนักงาน (ปัจจุบัน)พนักงาน 250,000 คน (เกือบทั้งหมดของพนักงานยกเว้นสาขา/คอลเซ็นเตอร์)การกระจายการเข้าถึง Gen AI ในอุตสาหกรรมการเงินในระดับที่ไม่เคยมีมาก่อน นำไปสู่การยอมรับในวัฒนธรรมองค์กรในวงกว้าง3
ความเร็วในการนำไปใช้รับพนักงานเข้าระบบ 200,000 คน ภายในแปดเดือนหลังการเปิดตัว (ฤดูร้อน 2024)แสดงให้เห็นถึงความต้องการของพนักงานที่สูง ความสามารถในการบริการตนเองที่มีประสิทธิภาพ และการจัดการการปรับใช้ที่คล่องตัว5
โมเดลหลักที่ใช้ประโยชน์โมเดลจาก OpenAI และ Anthropicกลยุทธ์ที่ไม่ยึดติดกับโมเดลเดียว ลดความเสี่ยงในการถูกจำกัดทางเลือก ขณะที่ใช้ประโยชน์จากความสามารถภายนอกที่ดีที่สุด1
ประเภทแพลตฟอร์มLLM Suite ที่เป็นกรรมสิทธิ์ (ตัวห่อหุ้ม Enterprise ChatGPT)มีความสำคัญอย่างยิ่งต่อการรักษาความปลอดภัยของข้อมูล การปฏิบัติตามกฎระเบียบ และการควบคุมการเข้าถึงระบบข้อมูลที่เป็นกรรมสิทธิ์5
วงจรการอัปเดตระบบอัปเดตทุกแปดสัปดาห์ความมุ่งมั่นในการปรับปรุงโมเดลอย่างต่อเนื่องและการบูรณาการแหล่งข้อมูลภายในใหม่ๆ3

IV. การเพิ่มผลผลิตที่วัดผลได้และกรณีการใช้งานที่มีความเร็วสูง

ส่วนนี้มุ่งเน้นไปที่ประโยชน์ทางเศรษฐกิจที่เกิดขึ้นจริง โดยระบุกรณีการใช้งานที่มี ROI สูงในแผนกบริการทางการเงินที่สำคัญ (วาณิชธนกิจ, กฎหมาย/การปฏิบัติตามกฎระเบียบ, และเทคโนโลยี)

A. การเร่งรัดวาณิชธนกิจและการวิจัยทางการเงิน

ตัวชี้วัดความสำเร็จที่ถูกอ้างถึงบ่อยที่สุดคือความสามารถในการสร้างงานนำเสนอวาณิชธนกิจที่ซับซ้อนห้าหน้า (ซึ่งรวมถึงข่าวสาร ข้อมูลผลประกอบการ และการเปรียบเทียบกับคู่แข่ง) ได้ภายในเวลาประมาณ 30 วินาที 3 งานนี้เคยต้องใช้เวลานานหลายชั่วโมงของนักวิเคราะห์ระดับจูเนียร์ บางครั้งต้องทำงานตลอดทั้งคืน 3 การดำเนินการอัตโนมัติในกระบวนการสร้างชุดข้อมูลนำเสนอที่ซับซ้อนนี้ไม่ได้ช่วยประหยัดเวลาเพียงอย่างเดียว แต่ยังเพิ่ม

ขีดความสามารถในการจัดการข้อเสนอ (deal flow capacity) ของนักวิเคราะห์แต่ละคน ซึ่งอาจนำไปสู่การเพิ่มขึ้นโดยตรงของส่วนต่างกำไร (margins) ของธนาคาร

LLM Suite ยังถูกทดสอบและใช้งานสำหรับการร่างเอกสารที่มีความละเอียดอ่อนและเป็นความลับ เช่น บันทึกข้อตกลงการควบรวมและซื้อกิจการ (M&A) 4 ความสามารถในการจัดการข้อมูลที่เป็นกรรมสิทธิ์ที่สำคัญที่สุดเหล่านี้ ยืนยันว่ากรอบความปลอดภัยภายในของ JPMC ได้รับความไว้วางใจในการจัดการงานส่วนหน้า (front-office) ที่มีความเสี่ยงสูง

สำหรับงานสนับสนุนนักวิเคราะห์ เครื่องมือนี้ช่วยสังเคราะห์ข้อมูลเชิงลึกจากชุดข้อมูลทางการเงินทั้งภายในและภายนอกองค์กร ร่างบันทึกข้อตกลงการลงทุนโดยละเอียดจากข้อมูลดิบและบันทึกการประชุม และสกัดจุดสำคัญจากเอกสารทางกฎหมายหรือรายงานการวิจัยที่ยืดเยื้อ 18

B. ประสิทธิภาพด้านกฎหมาย การปฏิบัติตามกฎระเบียบ และการบริหารความเสี่ยง

JPMC ได้ใช้แพลตฟอร์มเฉพาะทางอย่าง Contract Intelligence (COiN) ซึ่งใช้ AI ในการวิเคราะห์และดึงข้อมูลสำคัญจากเอกสารทางกฎหมายที่ซับซ้อน เช่น สัญญาเงินกู้เชิงพาณิชย์ 19 ระบบนี้สามารถตรวจสอบเอกสาร 12,000 ฉบับได้ในไม่กี่วินาที ซึ่งเป็นงานที่เคยใช้เวลาหลายสัปดาห์ 21

ประโยชน์ที่วัดผลได้จาก COiN คือการประหยัดเวลาทำงานด้านกฎหมายได้มากกว่า 360,000 ชั่วโมงต่อปี 21 นอกจากนี้ยังลดข้อผิดพลาดที่เกี่ยวข้องกับการปฏิบัติตามกฎระเบียบลงประมาณ 80% ซึ่งเป็นการยกระดับความแม่นยำและการปฏิบัติตามข้อกำหนด 21

LLM Suite ยังเสริมการปฏิบัติตามกฎระเบียบโดยเปิดโอกาสให้พนักงานเข้าถึงบทสรุปนโยบายที่จัดทำโดย AI ได้ทันที (เช่น การอัปเดต Know Your Customer) และช่วยนำทางการสอบถามเกี่ยวกับการปฏิบัติตามกฎระเบียบแบบเรียลไทม์ 18 ความสามารถในการใช้ AI เพื่อตรวจสอบและสร้างเนื้อหาที่สอดคล้องกับกฎระเบียบนี้ช่วยลดข้อผิดพลาดที่เกิดจากการทำงานด้วยมือ และเสริมสร้างมาตรการการปฏิบัติตามกฎระเบียบโดยรวมของบริษัท 18

ในภาพรวม โครงการ AI ทั้งหมดของ JPMC มีส่วนในการประหยัดต้นทุน 1.5 พันล้านดอลลาร์ จากการเพิ่มประสิทธิภาพในการดำเนินงาน เช่น การป้องกันการฉ้อโกงและการซื้อขาย 9

C. ผลผลิตในการพัฒนาซอฟต์แวร์

LLM Suite และเครื่องมือคู่หูอื่นๆ เช่น PRBuddy ถูกปรับแต่งสำหรับงานพัฒนาซอฟต์แวร์โดยเฉพาะ โดยช่วยในการเขียน unit tests, การระดมความคิด, และการตรวจสอบโค้ด 14 ผู้ช่วยเขียนโค้ดที่ขับเคลื่อนด้วย AI เหล่านี้ได้เพิ่มประสิทธิภาพของนักพัฒนาถึง 10% ถึง 20% 9 ซึ่งช่วยเร่งความเร็วของผลิตภัณฑ์ โดย JPMC รายงานว่ามีการปรับใช้โค้ดเพิ่มขึ้นกว่า 70% ในช่วงสองปีที่ผ่านมา และลดปริมาณงานที่ต้องวางแผนใหม่ลง 20% 13

ในขณะที่ธนาคารหลายแห่งประสบปัญหาในการรายงานผลตอบแทนที่ชัดเจนจากการปรับใช้ Gen AI 22 JPMC สามารถอ้างอิงตัวชี้วัดที่เป็นรูปธรรมได้ 23 ความสามารถในการแสดงเมตริกที่เข้มงวดเหล่านี้ช่วยให้ผู้นำสามารถจัดสรรเงินทุนได้อย่างมีประสิทธิภาพ และยืนยันว่าโครงการ AI ของ JPMC เป็นตัวขับเคลื่อนทางเศรษฐกิจที่ได้รับการพิสูจน์แล้ว

ตารางที่ 2: การเพิ่มผลผลิตที่วัดผลได้ในกลุ่มธุรกิจของ JPMC

กลุ่มธุรกิจ/ฟังก์ชันกรณีการใช้งาน/เครื่องมือ LLMผลลัพธ์ที่วัดได้/การเพิ่มประสิทธิภาพแหล่งที่มา
การวิจัยวาณิชธนกิจการสร้างชุดข้อมูลนำเสนอ (5 หน้า)ลดจากชั่วโมง/การทำงานข้ามคืน เหลือ ประมาณ 30 วินาที3
การตรวจสอบเอกสารทางกฎหมายแพลตฟอร์ม Contract Intelligence (COiN)ประหยัดเวลาทำงานด้านกฎหมายได้ >360,000 ชั่วโมงต่อปี; ลดข้อผิดพลาด 80%21
การพัฒนาเทคโนโลยีผู้ช่วยเขียนโค้ด (เช่น PRBuddy)เพิ่มประสิทธิภาพนักพัฒนา 10% ถึง 20%; เพิ่มการปรับใช้โค้ด 70%9
ประสิทธิภาพการดำเนินงาน (ทั่วทั้งองค์กร)การป้องกันการฉ้อโกง, การซื้อขาย, การดำเนินงานทั่วไปประหยัดต้นทุน 1.5 พันล้านดอลลาร์ ต่อปีจากโครงการริเริ่ม AI9
การธนาคารเพื่อผู้บริโภคและชุมชนการลงทุน AI/MLเพิ่มมูลค่าที่ส่งมอบ 35% ในปีที่ผ่านมา13

V. การกำกับดูแล การลดความเสี่ยง และ AI ที่รับผิดชอบในภาคการเงิน

ในสภาพแวดล้อมที่มีการกำกับดูแลอย่างเข้มงวดของอุตสาหกรรมการเงินระดับโลก กรอบการกำกับดูแลของ JPMC ไม่ใช่เพียงแค่สิ่งที่ต้องทำตาม แต่เป็นข้อกำหนดเบื้องต้นสำหรับการนำ Gen AI ไปใช้ในวงกว้าง ส่วนนี้จะเน้นไปที่การทำงานของการกำกับดูแลความเสี่ยงของโมเดล (MRG) และข้อกำหนดด้านความปลอดภัย

A. บทบาทสำคัญของการกำกับดูแลความเสี่ยงของโมเดล (MRG)

JPMC ใช้ฟังก์ชันเฉพาะที่เรียกว่า การกำกับดูแลความเสี่ยงของโมเดล (Model Risk Governance – MRG) เพื่อประเมินความเสี่ยงของการใช้งาน Machine Learning/AI ในทุกรูปแบบ 24 ฟังก์ชันนี้จำเป็นเพื่อให้แน่ใจว่าเทคโนโลยีจะไม่นำมาซึ่งความเสี่ยงต่อลูกค้าหรือต่อบริษัท โดยเฉพาะอย่างยิ่งเมื่อมีการจัดการข้อมูลส่วนบุคคลและข้อมูลการเงินที่ละเอียดอ่อน 24 การมี MRG ที่แข็งแกร่งและถูกกำหนดไว้ล่วงหน้าช่วยให้ JPMC สามารถเร่งความเร็วในการปรับใช้ได้เร็วกว่าคู่แข่งที่ยังคงประสบปัญหาในการเปลี่ยนจากแนวคิด (Proof of Concept) ไปสู่การผลิตจริง เนื่องจากความกังวลด้านความเสี่ยง 22

นอกจากนี้ JPMC ยังกำหนดให้มีการปฏิบัติตามหลักการสำคัญของ AI ที่รับผิดชอบ เช่น Explainable AI (XAI), Responsible AI และ Ethical AI 24 หลักการเหล่านี้ถือเป็นสิ่งที่จำเป็นเพื่อป้องกันอคติที่ไม่คาดคิดและรับรองความเป็นธรรมและความโปร่งใส ซึ่งเป็นปัจจัยที่ไม่สามารถประนีประนอมได้ในบริการทางการเงิน 26

การตัดสินใจพัฒนา LLM Suite ภายในองค์กรมีวัตถุประสงค์หลักเพื่อ “ควบคุมพลังของ LLM ในขณะที่ลดความเสี่ยงที่เกี่ยวข้อง” โดยเฉพาะอย่างยิ่งการรั่วไหลของข้อมูลและช่องโหว่ด้านความปลอดภัย 14 ต้นทุนที่สูงของการพัฒนาแพลตฟอร์มภายใน ระบบ MRG โดยเฉพาะ และตัวห่อหุ้มความปลอดภัยที่กำหนดเอง แสดงให้เห็นว่า

การรักษาความลับของข้อมูลและการปฏิบัติตามกฎระเบียบมีความสำคัญเหนือกว่าการเพิ่มประสิทธิภาพด้านต้นทุน ในการนำ Gen AI มาใช้

B. การปฏิบัติตามกฎระเบียบที่ขับเคลื่อนด้วย AI

JPMC ไม่เพียงแต่ใช้ LLM Suite ในสภาพแวดล้อมที่ปลอดภัย 5 แต่ยังใช้ตัว AI เองเพื่อเสริมสร้างการปฏิบัติตามกฎระเบียบด้วย การใช้ LLM Suite เพื่อสร้างบทสรุปการปฏิบัติตามกฎระเบียบและคำแนะนำด้านนโยบาย 18 สร้างกลไกป้อนกลับที่มีประสิทธิภาพสูง ระบบนี้ทำหน้าที่ทั้งเป็นเครื่องมือและเป็นผู้ตรวจสอบการปฏิบัติตามกฎระเบียบในเวลาเดียวกัน การบูรณาการนี้ช่วยให้ความรู้เชิงสถาบันและการอัปเดตข้อบังคับถูกเผยแพร่และบังคับใช้ผ่านเครื่องมือ AI โดยตรง ซึ่งช่วยลดข้อผิดพลาดที่เกิดจากมนุษย์ (ดังที่เห็นจากการลดข้อผิดพลาด 80% ของ COiN) 21 และเพิ่มการปฏิบัติตามกฎระเบียบของระบบโดยรวม

VI. การเปลี่ยนแปลงบุคลากรและอนาคตของการทำงาน

การนำ LLM Suite มาใช้ของ JPMC เรียกร้องให้มีกลยุทธ์เชิงรุกในการจัดการบุคลากรจำนวนมาก โดยจัดการกับปัญหาการทำงานอัตโนมัติในงานบางส่วน ขณะที่เพิ่มทักษะของบุคลากรให้ทำงานที่มีมูลค่าสูงขึ้น

A. ผลกระทบต่อโครงสร้างกำลังคน

LLM Suite มุ่งเน้นไปที่การทำให้งานที่มีมูลค่าต่ำ งานที่ซ้ำซาก และ “งานที่ไร้ความสุข” (no-joy tasks) เป็นไปโดยอัตโนมัติ เช่น การร่างเอกสาร การสรุป และการตรวจสอบเอกสารรอบแรก 4 เป้าหมายคือการปลดปล่อยพนักงานที่มีความรู้ (นักวิเคราะห์ ทนายความ นักพัฒนา) ให้มุ่งเน้นไปที่งานเชิงกลยุทธ์ การแก้ปัญหาที่ซับซ้อน และกิจกรรมที่ต้องเผชิญหน้ากับลูกค้า 27

แม้ว่า เจมี่ ไดมอน จะเตือนว่า AI จะเข้ามาแทนที่งานในบางส่วน 8 แต่ผลกระทบเบื้องต้นที่ JPMC เน้นย้ำคือการเปลี่ยนแปลงบทบาท โดยพนักงานจะต้องพัฒนาตนเองเป็น “สถาปนิก AI” หรือผู้เชี่ยวชาญในการฝังเครื่องมือ AI เหล่านี้เข้ากับขั้นตอนการทำงานที่มีอยู่ 27 ความสำเร็จในการเปลี่ยนผ่านนี้ต้องอาศัยการจัดการแรงเสียดทานภายในและการต่อต้านทางวัฒนธรรม 3 การกำหนดเป้าหมายไปที่ “งานที่ไร้ความสุข” โดยเฉพาะ ช่วยสร้างความไว้วางใจและแสดงให้เห็นว่า AI เป็นเครื่องมือสำหรับการ

เสริมศักยภาพ และการยกระดับอาชีพ ไม่ใช่เพียงแค่การ แทนที่ 27

อย่างไรก็ตาม วิสัยทัศน์ระยะยาวในการให้ “ทุกกระบวนการถูกขับเคลื่อนด้วยตัวแทน AI” 4 บ่งชี้ว่าในขณะที่เฟสแรกเสริมการทำงาน เฟสถัดไปจะจัดการงานทางธุรกิจที่ซับซ้อนหลายขั้นตอนโดยอัตโนมัติ ซึ่งจะปรับเปลี่ยนบทบาทในส่วนงานสนับสนุนและบริการการดำเนินงานอย่างมีนัยสำคัญในช่วงสามถึงห้าปีข้างหน้า 7

B. กลยุทธ์การเพิ่มทักษะและการลงทุนด้านบุคลากร

JPMC กำลังเตรียมความพร้อมให้กับพนักงาน 317,000 คนสำหรับอนาคตของ AI อย่างแข็งขัน ผ่านกลยุทธ์ความคล่องตัวด้านบุคลากรและการเพิ่มทักษะที่ครอบคลุม 29 ธนาคารได้ให้คำมั่นที่จะลงทุน 350 ล้านดอลลาร์ในโครงการพัฒนาบุคลากรทั่วโลก 29 ซึ่งรวมถึงการขยายการเข้าถึงโครงการฝึกงานในสาขาที่เติบโต เช่น เทคโนโลยี การดำเนินงานทางธุรกิจ และการเงิน เพื่อรับมือกับความไม่สมดุลของทักษะที่คาดว่าจะเกิดขึ้น 29

ความต้องการบุคลากรที่มีความเชี่ยวชาญด้าน LLM และการกำกับดูแล (เรียกว่า “สถาปนิก AI”) กำลังเพิ่มสูงขึ้น 15 การลงทุนในการเพิ่มทักษะและโครงการฝึกงานของ JPMC จึงเป็นกลยุทธ์ที่สำคัญในการรักษาบุคลากรเฉพาะทางที่จำเป็นในการสร้างและบำรุงรักษาโครงสร้างพื้นฐาน AI agentic ซึ่งเป็นกุญแจสำคัญในการรักษาความได้เปรียบในการแข่งขัน

นอกจากนี้ การจัดให้มี “ผู้กระซิบ AI” (AI whisperers) คู่กับผู้นำระดับสูง 11 เพื่อระบุโอกาสในการฝังพลังของ AI ในทุกฟังก์ชัน เป็นการเปลี่ยนแปลงทางวัฒนธรรมที่สำคัญไม่แพ้เทคโนโลยี การผสานรวม AI เข้ากับการทำงานในลักษณะนี้เป็นการป้องกันแรงกดดันจากหน่วยงานกำกับดูแลและสาธารณชนเกี่ยวกับความโปร่งใสของผลกระทบต่อแรงงาน โดยการเชื่อมโยงการนำ AI มาใช้เข้ากับความพยายามในการเพิ่มทักษะอย่างเป็นระบบ 27

VII. ภูมิทัศน์การแข่งขันและการคาดการณ์ในอนาคต

ส่วนสุดท้ายนี้เปรียบเทียบกลยุทธ์ของ JPMC กับคู่แข่งและคาดการณ์ผลกระทบระยะยาวของการเป็นผู้นำต่ออุตสาหกรรมการเงิน

A. การเปรียบเทียบกับสถาบันการเงินระดับโลก

JPMC ได้รับการจัดอันดับว่าเป็นผู้นำด้านความพร้อมของ AI (AI maturity) ในการวิเคราะห์สถาบันการเงิน 50 อันดับแรก 15 เมื่อเทียบกับคู่แข่งรายใหญ่อย่างโกลด์แมน แซคส์ (Goldman Sachs – GS) แม้ว่า GS จะมีแพลตฟอร์ม GS AI และใช้โมเดลหลายตัวเช่นกัน (GPT, Gemini, Llama) 2 แต่ GS เริ่มต้นโดยมุ่งเน้นที่วิศวกรซอฟต์แวร์และพนักงานส่วนหน้าเพื่อช่วยในการสรุปอีเมลและการบรรยายสรุปผู้บริหาร 2 ในทางตรงกันข้าม กลยุทธ์ของ JPMC มุ่งเน้นไปที่การกระจายการเข้าถึงในวงกว้าง (250,000 ผู้ใช้) 3 ซึ่งบ่งชี้ว่า JPMC ประสบความสำเร็จในการบูรณาการ AI เข้ากับวัฒนธรรมและขนาดองค์กรในระดับที่เหนือกว่า

การนำ Gen AI มาใช้ในอุตสาหกรรมธนาคารนั้นแพร่หลายในสถาบันขนาดใหญ่ (79% ของธนาคารที่มีสินทรัพย์มากกว่า 250 พันล้านดอลลาร์) 33 อย่างไรก็ตาม ความลึกของการบูรณาการ ขนาดการปรับใช้ และการรายงาน ROI ที่ชัดเจนของ JPMC ($1.5 พันล้านประหยัด, 360,000 ชั่วโมงประหยัด) 9 ทำให้ JPMC แตกต่างจากคู่แข่งที่ส่วนใหญ่ยังคงประสบปัญหาในการรายงานผลตอบแทนที่วัดผลได้ 22

ตารางที่ 3: การเปรียบเทียบการนำ Gen AI ระดับองค์กรมาใช้ในภาคการเงิน

สถาบันการเงินชื่อแพลตฟอร์ม AI ระดับองค์กรกลยุทธ์การจัดหาโมเดลขนาด/จุดเน้นที่รายงานปัจจัยที่สร้างความแตกต่างหลักแหล่งที่มา
JPMorgan ChaseLLM Suite (ที่เป็นกรรมสิทธิ์)ไฮบริด (OpenAI, Anthropic)พนักงาน 250,000 คน; เน้นการเพิ่มผลผลิตภายใน, การร่างเอกสาร M&A, และ AI agenticขอบเขตและการกำกับดูแล: บรรลุการใช้งานขนาดใหญ่ในสภาพแวดล้อมภายในที่ปลอดภัย3
Goldman SachsGS AI PlatformMulti-Cloud (GPT-3.5/4, Gemini, Llama)กำลังดำเนินการติดตั้งให้พนักงานทุกคน; เริ่มต้นที่เครื่องมือสำหรับนักพัฒนาและการบรรยายสรุปส่วนหน้าความหลากหลายของโมเดล: แนวทางหลายโมเดล เน้นหนักที่การเขียนโค้ด/วิศวกรรม2
Bank of Americaโครงการริเริ่ม AI ต่างๆไม่ระบุ/การพัฒนาภายใน/พันธมิตรการลงทุนสูงในหลายฟังก์ชัน; เน้นการตรวจจับการฉ้อโกงและประสิทธิภาพการลงทุน: ผู้ลงทุน AI รายใหญ่ สะท้อนแนวโน้มการนำไปใช้ของสถาบันขนาดใหญ่33

B. นัยยะทางเศรษฐกิจและตลาดในระยะยาว

JPMC ประเมินว่า AI อาจเพิ่มผลผลิตทางเศรษฐกิจในระดับมหภาคได้ถึง 17.5% ซึ่งเทียบได้กับความก้าวหน้าทางเทคโนโลยีในอดีต เช่น เครื่องจักรไอน้ำและไฟฟ้า 8 หน่วยงานบริหารสินทรัพย์ของ JPMC เองก็ได้รวมการเพิ่มขึ้น 0.20% ที่ขับเคลื่อนด้วย AI ไว้ในการคาดการณ์การเติบโตระยะยาว 37

การลงทุนจำนวนมหาศาลของ JPMC ในโครงสร้างพื้นฐานและการกำกับดูแลที่เป็นกรรมสิทธิ์ 10 สร้างอุปสรรคเชิงโครงสร้างที่สำคัญในการเข้าสู่ตลาดสำหรับสถาบันที่มีขนาดเล็กกว่าหรือมีความคล่องตัวน้อยกว่า ความได้เปรียบด้านเวลาในการนำออกสู่ตลาดนี้ช่วยให้ JPMC สามารถเข้าถึงส่วนต่างกำไรที่สูงขึ้นและเร่งการเติบโตได้ 4 ซึ่งเป็นการขยายช่องว่างระหว่างผู้นำตลาดกับผู้ตามอย่างชัดเจน

การลงทุนของ JPMC ยืนยันว่าโครงสร้างพื้นฐานที่เกี่ยวข้องกับ AI (เช่น GPU และฮาร์ดแวร์เฉพาะทาง) ได้กลายเป็นค่าใช้จ่ายด้านเงินลงทุนหลักที่ไม่สามารถตัดทิ้งได้ ควบคู่ไปกับการย้ายระบบคลาวด์และการปรับปรุงให้ทันสมัย 15 สำหรับ CTO ของสถาบันคู่แข่ง สิ่งนี้บ่งชี้ถึงความจำเป็นในการประเมินงบประมาณด้านไอทีใหม่ โดยยอมรับว่าการรักษาความเท่าเทียมในการแข่งขันต้องอาศัยการลงทุนจำนวนมากในด้านการประมวลผล AI และการปรับปรุงข้อมูลให้ทันสมัย

ในขณะที่ ROI ในปัจจุบันเน้นที่ประสิทธิภาพ (การประหยัดต้นทุน) 9 มูลค่าเชิงกลยุทธ์สูงสุดจะอยู่ในการเปลี่ยนแปลงเชิงระบบ: การใช้ AI เพื่อเร่งการวิเคราะห์แนวโน้ม ปรับปรุงความแม่นยำในการคาดการณ์ และปรับกลยุทธ์การลงทุนให้เป็นส่วนตัว 18 นี่คือการเปลี่ยนผ่านจากการ

ดำเนินการงานที่มีอยู่ให้เป็นไปโดยอัตโนมัติ ไปสู่การ สร้างรูปแบบมูลค่าใหม่ ซึ่งเป็นการรับประกันความเกี่ยวข้องของ JPMC ในอนาคตในตลาดที่มีการพัฒนาอย่างรวดเร็ว

สรุปและข้อเสนอแนะเชิงกลยุทธ์

การปรับใช้ LLM Suite ของ เจพีมอร์แกน เชส ถือเป็นกรณีศึกษาชั้นนำระดับโลกเกี่ยวกับการใช้ปัญญาประดิษฐ์เชิงรู้สร้างในสภาพแวดล้อมทางการเงินที่มีการกำกับดูแลสูง ความสำเร็จของโครงการนี้ไม่ได้อยู่ที่เทคโนโลยีภายนอกที่นำมาใช้เท่านั้น แต่อยู่ที่การสร้างชั้นของ การกำกับดูแลที่เป็นกรรมสิทธิ์ ที่ซับซ้อน (LLM Suite) ซึ่งช่วยให้สามารถใช้ประโยชน์จากโมเดล AI ขั้นสูงได้อย่างปลอดภัย

บทสรุปสำคัญ

  1. การกำกับดูแลคือความได้เปรียบในการแข่งขัน: การมี Model Risk Governance (MRG) ที่เข้มงวดและแพลตฟอร์มภายในที่ปลอดภัยสำหรับโมเดลภายนอก (OpenAI, Anthropic) คือกลไกที่ช่วยให้ JPMC สามารถเปลี่ยนจาก Proof of Concept ไปสู่การปรับใช้ระดับองค์กร 250,000 คนได้อย่างรวดเร็ว ซึ่งเป็นสิ่งที่ผู้เล่นรายอื่นยังคงประสบปัญหา
  2. ROI ที่พิสูจน์ได้ในงานที่มีมูลค่าสูง: JPMC ได้นำ AI ไปใช้ในส่วนงานที่สร้างผลตอบแทนสูงสุด ตั้งแต่การลดต้นทุนด้านกฎหมายได้ 360,000 ชั่วโมงต่อปี ไปจนถึงการเพิ่มความสามารถในการผลิตของวาณิชธนกิจโดยการสร้างงานนำเสนอที่ซับซ้อนใน 30 วินาที นี่คือการขยายขีดความสามารถในการสร้างรายได้ ไม่ใช่แค่การลดต้นทุน
  3. ความจำเป็นของโครงสร้างพื้นฐาน: การขยายขนาด LLM Suite อย่างรวดเร็วเป็นไปได้เพราะ JPMC มีการลงทุนด้านข้อมูล โครงสร้างพื้นฐานคลาวด์ และวิศวกรรมที่ทันสมัยมาเป็นระยะเวลานานหลายปี ซึ่งถือเป็น ต้นทุนพื้นฐานที่จำเป็น ในการแข่งขันด้าน AI
  4. การเปลี่ยนผ่านบุคลากรเชิงกลยุทธ์: JPMC กำลังจัดการกับความเสี่ยงด้านแรงงานโดยการมุ่งเน้นที่การทำให้งานที่ไม่น่าพึงพอใจเป็นไปโดยอัตโนมัติ พร้อมทั้งลงทุนในโครงการเพิ่มทักษะมูลค่า 350 ล้านดอลลาร์ เพื่อสร้าง “สถาปนิก AI” และผู้เชี่ยวชาญด้านข้อมูลสำหรับรองรับโครงสร้าง AI agentic ในอนาคต

ข้อเสนอแนะเชิงกลยุทธ์สำหรับ CTO

สำหรับผู้บริหารด้านเทคโนโลยีของสถาบันการเงินระดับโลก การนำ LLM Suite ของ JPMC มาใช้เป็นพิมพ์เขียวที่กำหนดมาตรฐานใหม่ ซึ่งนำไปสู่ข้อเสนอแนะดังต่อไปนี้:

  1. จัดโครงสร้าง AI เป็นฟังก์ชันขับเคลื่อนธุรกิจ: ควรพิจารณาปรับโครงสร้างการรายงานของทีม AI และข้อมูล โดยให้รายงานตรงต่อผู้บริหารระดับสูง (CEO/President) เพื่อให้แน่ใจว่าการตัดสินใจด้าน AI มีความสอดคล้องกับกลยุทธ์ทางธุรกิจหลัก และสามารถดำเนินการได้อย่างรวดเร็วโดยปราศจากความล่าช้าจากโครงสร้างไอทีแบบดั้งเดิม
  2. ลงทุนใน “ตัวห่อหุ้มความปลอดภัย” ภายในองค์กร: แทนที่จะหลีกเลี่ยง Gen AI เนื่องจากความเสี่ยงด้านข้อมูลรั่วไหล สถาบันควรลงทุนในการสร้างแพลตฟอร์ม LLM ภายในองค์กรที่เป็นกรรมสิทธิ์ เพื่อทำหน้าที่เป็นเกตเวย์การกำกับดูแลที่ปลอดภัย สิ่งนี้จะปลดล็อกความสามารถในการใช้โมเดลแนวหน้าระดับโลก (เช่น OpenAI/Anthropic) สำหรับงานที่ละเอียดอ่อน (เช่น การควบรวมกิจการ)
  3. กำหนดเมตริก ROI ที่เข้มงวดและมุ่งเน้นการขยายขีดความสามารถ: ต้องหลีกเลี่ยงการปรับใช้ Gen AI ที่ไม่มีการรายงานผลลัพธ์ 22 ควรเน้นการปรับใช้ในส่วนงานที่ใช้บุคลากรราคาแพง (เช่น วาณิชธนกิจและกฎหมาย) โดยใช้เมตริกที่ชัดเจน (เช่น ชั่วโมงทำงานที่ประหยัดได้ หรือความเร็วในการจัดทำเอกสาร) เพื่อพิสูจน์ความคุ้มค่าของการลงทุน และเพื่อเพิ่มขีดความสามารถในการให้บริการแก่ลูกค้าให้มากขึ้น
  4. เร่งการลงทุนในโครงสร้างพื้นฐาน AI agentic: เป้าหมายต่อไปคือการเปลี่ยนจากเครื่องมือผู้ช่วยไปสู่ตัวแทน AI ที่สามารถทำงานหลายขั้นตอนได้โดยอัตโนมัติ นี่หมายถึงการจัดสรรงบประมาณอย่างต่อเนื่องสำหรับการประมวลผล AI (AI compute), การจัดเก็บข้อมูลคุณภาพสูงแบบเรียลไทม์, และการฝึกอบรมบุคลากรที่จำเป็นในการออกแบบและกำกับดูแลระบบอัตโนมัติระดับสูงเหล่านี้

ผลงานที่อ้างอิง

  1. JPMorgan Expands AI Push with LLM Suite Integration – The European Financial Review, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.europeanfinancialreview.com/jpmorgan-expands-ai-push-with-llm-suite-integration/
  2. Jpmorgan Chase Ai Assistant Openai – Quartz, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://qz.com/jpmorgan-chase-ai-assistant-openai-1851617640
  3. JPMorgan’s AI Blueprint = Can Banks Really Change? – Winsome Marketing, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://winsomemarketing.com/ai-in-marketing/jpmorgans-ai-blueprint-can-banks-really-change
  4. JPMorgan is rolling out LLM Suite, using AI to automate work and reshape banking, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.cosmico.org/jpmorgan-is-rolling-out-llm-suite-using-ai-to-automate-work-and-reshape-banking/
  5. LLM Suite named 2025 “Innovation of the Year” by American Banker – JPMorgan Chase, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorganchase.com/about/technology/news/llmsuite-ab-award
  6. How JPMorganChase democratized employee access to gen AI – American Banker, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.americanbanker.com/news/how-jpmorganchase-democratized-employee-access-to-gen-ai
  7. JPMorgan, OpenAI & Anthropic: Evolving Banking Operations | AI Magazine, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://aimagazine.com/news/jpmorgan-openai-anthropic-evolving-banking-operations
  8. Jamie Dimon On AI impact: It Will Replace Jobs In Banking And Financial Services, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.youtube.com/watch?v=eA-1RFov-tY
  9. Case Study: How JPMorgan Chase is Revolutionizing Banking Through AI – AIX, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://aiexpert.network/ai-at-jpmorgan/
  10. Jamie Dimon on AI, regulators, leadership and stuff – Chris Skinner’s blog, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://thefinanser.com/2025/06/jamie-dimon-on-ai-regulators-leadership-and-stuff
  11. Leading with AI – JPMorgan Chase, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorganchase.com/about/technology/news/leading-with-AI
  12. Artificial Intelligence (AI) – J.P. Morgan, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorgan.com/insights/technology/artificial-intelligence
  13. JPMorgan Chase’s IT, AI bets: Where the returns are – Constellation Research, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.constellationr.com/blog-news/insights/jpmorgan-chase-s-it-ai-bets-where-returns-are
  14. How J.P. Morgan developers leverage AI, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://developer.payments.jpmorgan.com/blog/guides/ai-software-development
  15. How JPMorgan Chase’s infrastructure chief keeps the AI engine humming – CIO Dive, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.ciodive.com/news/jpmorgan-chase-infrastructure-cio-ai-compute-strategy/738662/
  16. Emerging Technology Trends JPMorganChase Perspective, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorgan.com/content/dam/jpmorgan/documents/technology/jpmorganchase-emerging-technology-trends-a-jpmorganchase-perspective.pdf
  17. Scaling cloud-based applications – JPMorgan Chase, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorganchase.com/about/technology/blog/scaling-cloud-based-applications
  18. Next Gen AI in Action: How JPMorgan Chase’s LLM Suite is Revolutionizing Financial Research – Global Skill Development Council, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.gsdcouncil.org/blogs/next-gen-ai-in-action-how-jpmorgan-chase-s-llm-suite-is-revolutionizing-financial-research
  19. Case Studies: How JPMorgan Chase Cracked the AI Code While Others Waited – 5D Vision, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.5dvision.com/post/case-studies-how-jpmorgan-chase-cracked-the-ai-code-while-others-waited/
  20. 10 ways JP Morgan is using AI [In Depth Case Study][2025] – DigitalDefynd, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://digitaldefynd.com/IQ/jp-morgan-using-ai-case-study/
  21. How JPMorgan Uses AI to Save 360000 Legal Hours a Year | by Ahmed Raza – Medium, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://medium.com/@arahmedraza/how-jpmorgan-uses-ai-to-save-360-000-legal-hours-a-year-6e94d58a557b
  22. Why 70% of banks don’t report the outcomes of Gen AI deployments – Tearsheet, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://tearsheet.co/artificial-intelligence/why-70-of-banks-dont-report-the-outcomes-of-gen-ai-deployments/
  23. JPMorgan Chase’s Gen AI implementation: 450 use cases and lessons learned – Tearsheet, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://tearsheet.co/artificial-intelligence/jpmorgan-chases-gen-ai-implementation-450-use-cases-and-lessons-learned/
  24. AI and Model Risk Governance – JPMorgan Chase, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorganchase.com/about/technology/news/ai-and-model-risk-governance
  25. AI Boosting Payments Efficiency & Cutting Fraud | J.P. Morgan, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorgan.com/insights/payments/payments-optimization/ai-payments-efficiency-fraud-reduction
  26. Twimbit AI Spotlight: – JP Morgan Chase, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://cdn.twimbit.com/uploads/2024/12/10151259/Twimbit-AI-Spotlight-JP-Morgan-1.pdf
  27. Jobs in the AI revolution: Disruption today, growth tomorrow | J.P. Morgan Private Bank U.S., เข้าถึงเมื่อ ตุลาคม 4, 2025 https://privatebank.jpmorgan.com/nam/en/insights/markets-and-investing/ideas-and-insights/jobs-in-the-ai-revolution-disruption-today-growth-tomorrow
  28. JPMorgan Chase to equip 140K workers with generative AI tool – CIO Dive, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.ciodive.com/news/JPMorgan-Chase-LLM-Suite-generative-ai-employee-tool/726772/
  29. How JPMorgan Chase is preparing the workforce for the future of AI, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorganchase.com/newsroom/stories/how-jpmc-is-preparing-workforce-for-ai
  30. JPMorgan Chase Workforce Strategy: AI, Compliance & Reskilling – JobsPikr, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jobspikr.com/blog/jpmorgan-global-compliance-workforce-strategy/
  31. Machine Learning Center of Excellence (MLCOE) – J.P. Morgan, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.jpmorgan.com/technology/applied-ai-and-ml/machine-learning
  32. JPMorgan Launches AI Analyst – AI Street, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.ai-street.co/p/jpmorgan-launches-ai-analyst
  33. Survey: Majority of financial institutions deploying generative AI, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://www.berkleyfs.com/2025/06/18/survey-majority-financial-institutions-deploying-generative-ai/
  34. Inside Bank of America AI: 90% Adoption Across Workforce – CTO Magazine, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://ctomagazine.com/bank-of-america-ai-investment-to-boost-efficiency-and-revenue/
  35. AI Expectations vs. Reality: Business Impact & Progress – BofA Securities – Bank of America, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://business.bofa.com/en-us/content/breakthrough-technology/ai-expectation-vs-reality.html
  36. How AI can boost productivity and jump start growth | J.P. Morgan Private Bank U.S., เข้าถึงเมื่อ ตุลาคม 4, 2025 https://privatebank.jpmorgan.com/nam/en/insights/markets-and-investing/ideas-and-insights/how-ai-can-boost-productivity-and-jump-start-growth
  37. Artificial Intelligence | J.P. Morgan Asset Management, เข้าถึงเมื่อ ตุลาคม 4, 2025 https://am.jpmorgan.com/us/en/asset-management/adv/insights/market-themes/artificial-intelligence/