伦交所AI负责人直说：真正的AI瓶颈不在模型，而在组织

当所有人都在追更强的模型、更大的参数，伦敦证券交易所集团却给出一个反直觉判断：AI成败的关键，早已不在技术本身。这场与 OpenAI 同台的对话，罕见地拆开了一家顶级金融基础设施机构，如何把 AI 变成“日常能力”。

最反直觉的判断：AI不是技术问题，而是组织问题

在这场对谈里，Emily Prince 抛出了一个让很多技术从业者不太“舒服”的结论：在 LSEG 这样的组织里，AI 最大的挑战，早就不是模型效果，而是如何在组织中规模化落地。

她反复提到一个关键词——evaluation framework（评估框架）。不是偶尔用一次，而是“每天要说很多遍”。这背后的潜台词很清晰：当 AI 从 demo 走向核心业务，决定你能不能跑得快的，不是灵感，而是你有没有一套稳定、可重复、可审计的评估机制。

这点在金融行业尤为残酷。因为这里处理的不是“泛泛的信息”，而是直接影响风险判断、市场决策、合规责任的高价值数据。模型好不好，不是看回答像不像人，而是看能不能被信任、被解释、被规模化使用。

“AI Everywhere”不是口号，而是对抗失控的策略

LSEG 内部有一个清晰的 AI 战略口号：AI Everywhere。乍一听像极了企业宣传语，但 Emily 给了一个非常现实的背景——如果你不主动设计“到处可用的 AI”，你就会被动面对“到处乱长的 AI”。

她形容过一个很多大公司都经历过的阶段：最初是“千花齐放”，各团队各自试验、各自买工具、各自做原型。但如果不及时收敛，这种创新很快会变成治理噩梦。

所以，“AI Everywhere”真正要解决的，是从零散实验到可扩展能力的跃迁：统一原则、统一安全边界、统一评估方式，同时允许业务在这个框架内高速迭代。这不是压制创新，而是让创新能活得久。

分析师的工作被彻底改写，但不是被替代

一个特别有说服力的例子，来自分析师的日常工作。Emily 直言，在没有 AI 之前，分析师大量时间耗在“准备阶段”：查资料、比对数据、反复验证假设。

而现在，AI 改变的是节奏。原本可能要花数小时甚至数天的分析迭代，可以在极短时间内完成多轮推演。重点不再是“能不能算出来”，而是“该不该相信这个结论”。

这也是她反复强调安全与责任的原因。在金融场景下，速度不是终点，可信度才是。AI 不是替你做判断，而是把你从低价值重复劳动中解放出来，把精力集中在真正需要人类专业判断的地方。

真正难的是文化：让几万人愿意、敢于、会用AI

在对话的后半段，一个词被反复提及——culture（文化）。Emily 说，技术问题很多时候是“可以被解决的”，真正慢、真正难的，是文化转变。

让员工对 AI 保持兴奋，同时又不越过安全红线；鼓励尝试，但又不制造合规风险；既要敏捷，又要稳健。这些看似矛盾的目标，最终都落在组织文化和领导方式上。

她也坦承，这趟旅程“还非常早期”。即便是 LSEG 这样体量和资源的机构，也仍在学习如何把 AI 变成一种默认能力，而不是专家工具。

总结

这场对谈给 AI 从业者一个很现实的提醒：当你进入真实业务世界，尤其是高风险行业，模型只是入场券，而不是胜负手。评估框架、治理结构、文化建设，决定了 AI 能走多远。

如果你在公司推动 AI，不妨反问自己三个问题：我们有没有统一的评估标准？有没有从“千花齐放”走向“可规模化”的路径？以及，组织是否真的为员工使用 AI 提供了心理安全感？

AI 的下一阶段竞争，可能不在实验室，而在会议室。

关键词： AI应用， AI治理， 金融科技， 组织变革， AI安全

事实核查备注： 需核查：Emily Prince 的正式职务名称；LSEG 支持的客户数量和市场数量；“AI Everywhere”是否为官方战略表述；视频中关于分析师效率提升的原始表述语境。