<aside> 🏦

**案例核心：**Morgan Stanley 沒有把生成式 AI 當成「會聊天的搜尋框」，而是把自己的研究、流程與專業知識接進模型，再用嚴格評估（Evaluation）建立信任。這個案例最適合用來理解 Retrieval-Augmented Generation（RAG，檢索增強生成）＋專有知識＋Human Judgment。

</aside>

一、案例背景：公司有知識，不代表員工找得到

Morgan Stanley Wealth Management 的財富管理顧問需要面對大量市場研究、投資觀點、產品資料、內部流程與合規文件。真正的問題不是「缺資料」，而是資料太多、分散、更新快。

對顧問而言，搜尋本身會產生摩擦：

Client Question → Search Documents → Read → Compare → Check Currency → Form Answer → Client Conversation

只要找資料要花太久，顧問就可能：

• 找不到最適合的文件；
• 只使用自己熟悉的資料；
• 延後回覆；
• 把時間花在搜尋而不是理解客戶。

二、書籍中的案例

案例03｜Morgan Stanley：AI Assistant 連接約 100,000 份研究文件

書籍案例指出，AI @ Morgan Stanley Assistant 將大型語言模型連接 Morgan Stanley 的 proprietary research reports／documents，知識庫規模約 100,000 份文件，供 financial advisors 與 customer service 使用。

它的角色不是替顧問做投資決策，而是把：

Advisor Question → Internal Retrieval → AI Synthesis → Relevant Answer

壓縮成更短的知識取得流程。

三、它究竟怎麼做？

Morgan Stanley 並不是把公司文件全部丟進公共 Chatbot。

比較接近的架構是：

User Question → Permissioned Internal Knowledge → Retrieval → GPT-4 Synthesis → Source-grounded Answer → Advisor Review