今天非常榮幸受台灣中小企銀的邀請，到2026年度全行經理人會議分享主題「從數位化到AI化開創新金融價值的方式」，同時也跟台灣企銀的董事長、總經理交流一些AI在金融應用的想法，感覺到台灣中小企銀在AI導入的積極與用心，也將內容整理在這裡分享給大家，期待各種交流。
AI的發展是一個長期演進
企業資料應用大致經歷幾個階段：
- 資料收集時代（1990s–2000s）
企業開始建立資料庫與 Excel 報表，重點是理解「發生了什麼」。 - 資訊整合時代（2010s）
透過資料倉儲與雲端，開始分析「為什麼會發生」。 - 機器學習時代（2010s–2020s）
導入模型進行預測，例如信用評分、推薦系統。 - 生成式 AI 時代（2023–）
大語言模型開始能夠整合知識與邏輯，協助規劃、決策與內容生成。
這一波AI的轉折點主要來自三件事
- 大語言模型能力大幅提升
- Token 成本快速下降
- AI 工具開始普及
AI正在變成新的基礎能力
AI 不只是工具，更像是能力放大器。
過去的職場能力演進大致是：
電腦時代 → Office 時代 → 雲端時代 → AI 生成時代
未來「會使用 AI」就會像會用 Office 一樣，變成基本職場能力。
金融產業目前面臨的幾個壓力
在金融產業中，AI 之所以重要，主要是因為幾個結構性問題：
- 利差縮小與成本上升
- 大量 legacy 系統（如 COBOL）難以更新
- 資料分散造成決策效率低
- 詐騙與資安風險持續增加
- ESG 與監管要求越來越高
因此金融業其實很需要新的工具來提升效率與決策能力。
幾個金融業AI的實際應用方向
目前看到比較明確的三個落地場景：
1. 法遵與風控
AI 可以協助：
- 法規分析
- 異常交易偵測
- 自動生成稽核與法遵報告
例如 JPMorgan 的 COiN 系統，可以用 NLP 自動解析合約文件，大幅降低人工審閱成本。
2. 舊系統升級
很多銀行核心系統仍然是數十年前的架構。AI 可以用來：
- 理解 legacy code
- 協助系統重構
- 建立 API 與資料整合能力
- 讓舊系統逐步現代化
3. 新金融服務原型
AI 與 Vibe Coding 讓產品原型開發變得更快，例如：
- 用自然語言快速設計系統
- 生成服務流程與 UI
- 快速建立 Demo 驗證市場需求
這可以大幅降低金融創新的試錯成本。
金融AI專案成功的幾個關鍵
從實務經驗來看，有幾個比較重要的做法：
- 從小型 PoC 開始
先驗證價值，再逐步擴大。 - 建立跨部門治理團隊
AI 不是 IT 專案，需要業務、風管、法遵一起參與。 - 建立清楚的 KPI
同時包含：技術指標、商業成果。
最後一個觀察
AI 對企業來說，可能不是一次性的「系統建置」，比較像是一個持續探索與迭代的過程：
- 先找到問題
- 小規模驗證
- 再逐步擴大
AI 不是 IT 部門的事情，而是整個組織需要共同學習的一種新能力。
如果有興趣交流，歡迎一起討論 AI 在金融與企業中的實際落地方式。
← 返回文章列表