Як MUFG розгортає ChatGPT Enterprise для 35 000 банкірів

Для банку масштабування AI — це не лише закупівля seats. Один і той самий працівник може працювати з public research, internal policy, customer information, regulated records і decisions із прямими фінансовими наслідками. Тому adoption має зростати разом із task eligibility, data boundaries, user education і auditability; інакше 35 000 accounts просто множать кількість способів зробити одну й ту саму помилку.

MUFG будує top-down і bottom-up модель: централізований rollout та governance поєднуються з department-level custom GPTs і AI champions. Для відтворення важлива саме ця двошарова конструкція: central control plane визначає дозволені моделі, data classes, connectors, logging і risk tiers, а business units створюють вузькі workflows усередині цих меж.

Trigger — explicit employee request або approved recurring knowledge workflow. Input — task-eligible documents, public sources, internal knowledge, structured exports або user-provided context після identity, confidentiality і permission filtering. AI stage: retrieval, summarization, comparison, extraction, drafting, translation, reasoning або structured transformation. Для research use case модель має повертати evidence-linked draft, а не вільну відповідь без provenance.

Integrations вводяться поетапно: спочатку approved knowledge/files, далі вузькі read-only enterprise systems, а write capabilities — лише там, де є окремий authorization contract. Output — draft memo, research brief, checklist, structured analysis або recommended next step. Final customer communication, transaction, credit decision, investment action або regulatory artifact проходить human/system owner review згідно з risk tier.

• Trigger → працівник або approved recurring workflow.
• Input → identity + data class + source permissions + versioned context.
• AI → retrieve/analyze/draft/transform у межах approved task.
• Integrations → knowledge/files first; transactional systems окремими bounded contracts.
• Output → evidence-backed artifact, а не автоматично authoritative banking decision.

Понад 1 800 custom GPTs — сильний adoption signal, але governance-проблема починається саме після успішного adoption. Кожен reusable assistant повинен мати owner, purpose, allowed sources, prohibited data, model/revision, instructions version, connectors, risk tier, eval dataset, last review date і retirement rule. Без registry кількість GPTs стає vanity metric із невідомим duplication, drift і shadow-process risk.

Portfolio hygiene: similarity/dedup review, usage threshold, owner attestation, periodic permission revalidation, stale-source check і automatic archival для abandoned GPTs. High-risk assistant не публікується лише тому, що автору подобається його demo; він проходить domain evals і compliance/security review. Low-risk knowledge helper може мати lighter gate, але все одно повинен мати visible provenance та owner.

OpenAI повідомляє про 100% training participation серед users, що отримували accounts. Це не гарантує правильного використання, але створює shared baseline: які дані можна вводити, як перевіряти output, коли потрібен escalation і що модель не має authority лише через впевнений тон. Training треба прив'язати до конкретних failure modes, а не до слайдів про історію нейромереж.

AI champions у departments скорочують distance між central governance і реальними workflows. Їхня роль — збирати recurring tasks, підтримувати templates/evals, знаходити duplicated GPTs, передавати incidents і допомагати business owners формулювати acceptance criteria. Champion не стає локальним exemption authority: policy exception усе одно проходить визначений risk/compliance process.

A2 відповідає employee-copilot deployment: система може самостійно виконати analysis/draft chain усередині дозволеного context, але professional judgment і consequential action залишаються за людиною або authoritative banking system. Це особливо важливо для credit, AML/fraud, customer suitability, payments, investment, legal interpretation та regulatory reporting.

Human review теж має бути designable. Для research brief reviewer бачить sources, timestamps, unsupported claims і what changed від попередньої версії. Для customer-facing artifact — facts, mandatory disclosures і approval owner. Для high-impact decision AI може підготувати evidence packet або counter-analysis, але не маскується під decision maker.

Task admission починається до prompt: user identity, business purpose, data classification, customer-consent/legal basis де потрібно, approved workspace і source permissions. Sensitive records не потрапляють у context лише тому, що вони технічно доступні працівнику. Retrieval повинен успадковувати object-level ACL і tenant/department restrictions.

Retrieved documents, emails і external webpages трактуються як untrusted evidence. Indirect prompt injection не має права змінити system policy, попросити secret, підключити новий tool або відправити customer data. Egress policy і tool authorization deterministic. Telemetry metadata-first: trace зберігає configuration, sources, grader outcomes і actions, але не перетворюється на новий uncontrolled archive confidential content.

Failure modes: stale regulation/policy, outdated source, hallucinated citation, wrong customer context, permission change, custom-GPT instruction drift, model upgrade, connector outage і ambiguous task. Якщо evidence недостатньо або sources конфліктують, correct outcome — explicit uncertainty/abstention, а не правдоподібний banking advice.

Кожен production workflow має release fingerprint: model/revision, instructions, retrieval/index, tools, policy bundle і eval dataset. Model/prompt/retrieval change запускає regression replay. Якщо connector недоступний, agent переходить у read-only/degraded mode і чітко повідомляє, що authoritative state не перевірено. Incident перетворюється на minimized permanent regression case.

У масштабі 35 000 users головний cost ризик — не тільки tokens, а хаотичний portfolio workflows. Повна cost model: licenses/API, retrieval/indexing, secure connectors, governance staff, AI champions, eval infrastructure, observability, data controls, human review, training, rework та incidents. 1 800 custom GPTs без lifecycle management можуть коштувати більше в maintenance, ніж заощадити в inference.

KPI: verified tasks per active user, reuse rate approved workflows, cost per verified outcome, human review minutes, unsupported-claim rate, stale-source rate, policy denials, high-severity escapes, GPT duplication/retirement rate і adoption by department. Reported 20–30% workload reduction у selected research tasks треба тримати окремо від bank-wide KPI: denominator, task definition і measurement method не дозволяють переносити його на всю організацію.

OpenAI описує Moneytree через Apps in ChatGPT як спосіб conversationally працювати з balances/transactions, а також плани MUFG щодо AI concierge і Money Advisory Platform у digital bank. MUFG investor material також говорить про ChatGPT у digital banking. Це важливий roadmap signal, але не доказ, що загальний LLM уже автономно виконує customer transactions або regulated advice.

Для такого переходу потрібен окремий customer-grade control plane: strong identity, consent, transaction-specific authorization, deterministic eligibility/rules, fraud controls, exact-action confirmation, idempotency, authoritative reconciliation, disclosures, complaint/redress та regulator-ready evidence. Employee-copilot success не можна автоматично успадкувати як permission на customer money movement.

Eval corpus будуйте за risk slices: public research, internal policy Q&A, customer-information summarization, drafting, calculations, multilingual text, conflicting sources, no-answer, stale policy, prompt injection і restricted data. Оцінюйте citations/grounding, completeness, abstention, data leakage, policy compliance та review usefulness. Для tool-enabled flow додавайте trajectory і authoritative end state.

Rollout: 1) secure workspace + mandatory training; 2) curated read-only use cases; 3) approved custom-GPT registry; 4) department champions; 5) retrieval/connectors із ACL; 6) risk-tier eval gates; 7) pilot low-risk actions; 8) canary/monitoring/rollback. Патерн підходить банкам, insurers, legal/tax firms і regulated enterprises, де scale adoption має рости разом із governance maturity.

Масовий rollout потребує cadence, який відрізняє creation activity від стійкої користі. Щотижня portfolio owner переглядає нові custom GPTs, duplicated intents, assistants без owner та critical incidents. Щомісяця department champion підтверджує active purpose, дозволені data classes, source freshness, usage і reviewer; risk team окремо перевіряє high-impact workflows. Щокварталу кожен reusable assistant проходить attestation: залишити, об’єднати, обмежити, повторно оцінити або архівувати. Так 1 800 створених GPTs стають керованим портфелем, а не постійною кількістю, яку треба лише збільшувати.

Promotion contract має містити task baseline, frozen eval set, minimum accepted-artifact rate, maximum material-correction rate, zero critical privacy/authority failures і named rollback owner. Для read-only research assistant rollback повертає попередню instruction/source version або вимикає assistant. Для connector-enabled workflow окремий kill switch спершу прибирає tool authority, залишаючи безпечний knowledge layer доступним. Access відкликається автоматично, якщо owner звільнився чи змінив роль, source permissions більше не чинні або review date прострочена; популярність не замінює повторної авторизації.

• Щотижня → intake, deduplication, incidents і assistants без owner.
• Щомісяця → usage, source freshness, permissions і reviewer attestation.
• Щокварталу → re-evaluation, consolidation, restriction або retirement.
• Після зміни → replay critical evals до повторного promotion.