图片来源：Reuters
华尔街银行正在 AI 浪潮中扮演两个角色。
一边，它们是基础设施建设的融资者，为数据中心、芯片、能源与网络项目提供贷款、债券承销和项目融资；另一边，它们又是 AI 的大型企业客户，希望用生成式 AI 和智能体改造编程、客户服务、运营、风控与合规流程。
这两个角色都能创造收入和效率，但也让风险同时从资产负债表和内部系统进入银行。更值得注意的是，两类风险并不相互独立：银行可能在外部向同一轮 AI 投资周期提供资金，又在内部依赖同一批云计算、模型和算力供应商。
路透社采访及汇总华尔街大型银行高管观点后指出，银行现在面对的核心问题已经不是“要不要参与 AI”，而是如何在参与规模快速扩大的同时，不让信贷标准、投资回报预期和安全边界一起失控。
第一端风险：银行正在为史无前例的算力建设提供资本
大型科技公司正在投入巨额资金建设数据中心。对华尔街而言，这带来了贷款、债券发行、杠杆融资、项目融资和风险分销等一系列业务机会。
美国银行首席执行官 Brian Moynihan 表示，大规模 AI 资本投资对该行的投资级债务与杠杆融资业务非常重要。摩根士丹利首席执行官 Ted Pick 更把参与 AI 融资称为关乎公司生存和竞争位置的事项。
高盛研究估计，2026 年以来 AI 相关债务发行规模已接近 5000 亿美元。资金不仅来自传统银行和投资级债券市场，也越来越多地进入私人信贷、基础设施基金、房地产基金和高收益市场。
这意味着 AI 已经不只是科技公司的资本开支计划，而是在形成一个横跨银行、债券投资者、保险资金和私人市场的信用周期。
真正需要评估的不是服务器，而是项目现金流
数据中心是实体资产，但“拥有实体资产”不等于贷款风险低。
一项数据中心融资能否安全偿还，取决于多个变量：租户合同是否足够长期、算力需求能否兑现、电力供应是否按时接入、建设成本是否超支、当地审批是否顺利，以及设备在贷款期限内还剩多少价值。
高盛首席执行官 David Solomon 表示，随着 AI 生态成熟，没有人能够准确知道未来资本和算力需求将如何演变。这种不确定性要求银行对融资活动及风险管理保持警惕。
富国银行首席执行官 Charlie Scharf 则把 AI 投资周期形容为一种复杂的宏观经济力量。大量建设推动经济增长，同时也使用显著的杠杆，并推高部分行业与供应链的价格。
高利率会放大其中的脆弱环节。融资成本上升后，项目需要更高的租用率和更稳定的算力价格才能覆盖利息。如果建设周期拉长、云平台削减资本开支或推理价格下降，原本看似稳健的收益模型就可能迅速改变。
银行承担的风险不一定全部留在银行账上
讨论 AI 信贷风险时，还需要区分银行的具体角色。
银行可以直接持有贷款，也可以作为安排人与承销商，把债务分销给保险公司、基金和其他机构投资者。Hennessy Funds 投资组合经理 Dave Ellison 认为，银行吸取了金融危机后的教训，在很多交易中主要负责安排和分销，而非长期保留全部风险。
这种结构可以降低单家银行的最终敞口，却不会让风险消失。风险只是从商业银行资产负债表转移到了债券基金、私人信贷、保险资金或基础设施基金。
在市场平稳时，分销机制能够释放银行资本并支持更多项目；一旦需求预期转弱或投资者风险偏好下降，银行可能需要更长时间持有尚未售出的融资，市场价格也会更快反映风险。
摩根士丹利首席财务官 Sharon Yeshaya 表示，该行正在非常谨慎地选择风险，真正需要担心的是同行为争夺业务而放松信贷标准。这是典型的信用周期问题：单个机构可以保持纪律，但竞争可能逐步降低整个市场的门槛。
第二端风险：银行自己也在大规模采用 AI
在内部，银行希望 AI 降低运营成本、提高开发效率，并减少大量重复流程。
花旗首席执行官 Jane Fraser 表示，AI 已经使部分产品能够以更低成本、最高快 40%的速度完成开发；编码工具还帮助该行减少了 30%的技术供应商费用。花旗称，年内从 AI 和自动化获得的财务收益已经明显超过投入。
但并非所有银行都能在财报中立即看到相同效果。摩根大通首席财务官 Jeremy Barnum 指出，对于如此规模的机构，重大技术变化需要较长时间才能形成可见的财务结果，因此目前还无法从季度业绩中明显观察到收益并不意外。
两种说法并不矛盾。
开发速度、处理时间和供应商费用属于局部流程指标，可以较早改善；要让这些变化转化为集团层面的利润增长，还需要完成系统集成、员工培训、模型治理、合规验证和岗位重新设计。银行还必须继续维护旧系统，短期内可能同时承担新旧两套成本。
因此，衡量银行 AI 投资不能只看部署了多少模型或有多少员工使用工具，更应观察：每笔业务的处理成本是否下降、错误率是否改善、人工复核是否减少，以及节省的时间最终转化成了更多收入还是更低成本。
Agent 把网络安全问题升级为“行动权限”问题
传统生成式 AI 主要生成文本，智能体则可以调用工具、读取内部系统、修改数据，甚至代表用户完成交易或发起流程。
这让银行的安全问题从“模型会不会回答错误”升级为“模型能不能执行不该执行的动作”。摩根大通首席执行官 Jamie Dimon 表示，该行正在开发用于应对智能体 AI 风险的工具。
对于银行，Agent 风险至少包括五层：
- 身份冒用：系统能否确认请求来自真实客户、员工或获授权智能体；
- 权限扩张：智能体会不会通过多个工具组合获得超出单项权限的能力；
- 提示注入：外部网页、邮件或文件是否能诱导智能体泄露数据或执行操作；
- 第三方依赖：模型、云服务与插件供应商出现漏洞时，风险如何隔离；
- 责任追踪：自动化操作发生错误后，能否还原模型看到的信息、调用的工具与审批链。
摩根大通在其智能体安全研究中提出，企业需要从静态权限控制走向对智能体行为的持续运行时治理。这意味着银行不能只在上线前评估模型，还要在每次实际操作中检查身份、权限、上下文、风险级别和异常行为。
两端风险最终会汇合
融资风险和内部应用风险看似属于不同部门，最终却可能通过集中度连接起来。
如果多家银行同时为少数云平台和数据中心项目提供融资，又同时依赖这些企业提供云计算与模型服务，一次严重的技术事故、需求下调或监管变化可能同时影响贷款质量、资本市场业务和银行自身运营。
这种相关性是传统风险分类容易遗漏的部分。信用部门可能只看到项目现金流，技术部门只看到系统可靠性，网络安全团队只看到攻击面；管理层则需要看到它们实际上依赖同一组底层变量——算力需求、能源供应、模型供应商与客户信任。
因此，更成熟的治理方式不是分别建立“AI 贷款政策”和“内部 AI 使用规范”，而是把两者纳入统一的风险图谱：识别共同供应商、共同基础设施、项目融资敞口、内部依赖程度以及极端情景下的连锁影响。
银行需要建立三道边界
第一道是融资边界。数据中心贷款需要依赖真实的长期合同、可验证的电力条件和保守的残值假设，而不是仅依靠持续上涨的算力需求预测。
第二道是权限边界。高风险操作应采用最小权限、短期凭证、双人审批和可撤销授权，不能让一个模型因为“提高效率”而长期拥有广泛系统权限。
第三道是证据边界。无论是信贷审批还是智能体操作，都必须保留可审计证据，使银行能够解释决策依据、数据来源、模型版本和人工介入过程。
华尔街不会退出 AI 融资，也不会停止内部采用 AI。真正的竞争将发生在另一个层面：哪些银行能够在资本扩张期保持信贷纪律，并在自动化加速时仍然控制每一次机器行动。
AI 为银行创造的机会确实巨大，但银行业最重要的产品始终不是模型，而是信任。任何效率提升，最终都必须服从于资产安全、系统韧性和责任可追溯性。
本文为新闻与产业分析，不构成任何投资建议。
原始报道： 路透社：As Wall Street banks finance and adopt AI, risks mount on both fronts
融资背景： Goldman Sachs：How AI debt is reshaping credit markets
安全参考： JPMorganChase：Securing the next generation of AI agents