AI重構：銀行業下一輪結構性洗牌

回顧ChatGPT問世之初，多數銀行的直覺反應是觀望與戒慎。當時市場充斥著對AI幻覺、資料外洩、著作權與個資責任、黑箱模型以及法遵歸責不清等疑慮；不少金融機構選擇原地觀望，或僅鎖在沙盒進行「概念驗證」（PoC），甚至標榜全面禁止員工使用，以免風險外溢。在這個階段，AI多半被視為一種「賦能工具」，頂多用來輔助既有流程、提升個別單位的作業效率。

然而，正是在「不信任」成為主旋律的階段，少數領先者選擇逆勢布局。他們並非坐等技術變得完美，而是先系統性釐清AI的「能與不能」，將AI治理、資料分級、權限控管、留痕稽核與模型評測內化為制度，先搭起足以承載風險與法遵要求的「AI營運骨架」。在此基礎上，這些銀行刻意把原本零散的PoC與工具導入，收斂到同一套資料與模型平台之上，透過共用API與權限標準，讓模型開發、部署、監控與維運（AIOps）可以被制度化、產品化，從單點「AI賦能」實驗，推進到以平台為核心，讓AI持續在線上產生價值的「AI驅動」階段。

以今日視角回望，領先者已經拉開與觀望者之間的差距。觀望者仍停留在原地，反覆驗證「能不能用、敢不敢用」，AI應用多半侷限在個別單位的效率提升與流程優化，停留在工具導向的「賦能」；相對地，領先銀行已把AI內建於組織作業系統，由「AI驅動」形成可規模複製的日常營運模式，並逐步邁向以AgenticAI為核心的「AI重構」階段。

綜觀國際實務，銀行導入生成式AI的演進軌跡，大致可以分為三個層次。第一層次，多數銀行會先從後台與支援單位切入，以可量化的生產力與成本效益建立內部信心。常見案例包括程式碼生成與轉換，用於核心系統維護與現代化，以降低技術債；智慧文件處理，用於合約、表單與內部報告的整理、比對與關鍵條款抽取；客服中心導入語音轉寫、對話摘要與知識檢索，以縮短查找時間並降低平均作業處理時間。這類應用的共通特徵是風險相對可控、資料多半留在內部、價值容易衡量，本質上仍圍繞在既有流程的效率提升，屬於「把AI接進現有機器」的賦能階段。

第二層次，銀行不再將生成式AI視為局部工具，而是朝向「AI驅動」階段前進，把AI內建進作業平台與客戶旅程，形成可規模複製的營運模式。在技術面，銀行會將模型開發、資料存取、部署與監控平台化、標準化，建立一套可共用的AI服務層，讓不同事業單位透過API在同一治理框架下調用模型，降低各自為政的影子IT與模型風險；風險與法遵面，則強調輸入/輸出留痕、權限控管、模型版本管理與持續監測，使AI應用可以被稽核、可回溯。這個階段的關鍵，不在於「有多少個AI專案」，而在於AI是否被設計為一項持續在線的「AI驅動」營運引擎。

第三層次，則是少數領先者開始邁向「AI重構」，由Agent驅動重新定義價值的傳遞。當AI不僅能生成內容、輔助決策，更能在授權範圍內主動拆解目標、規劃步驟並跨系統執行多步驟任務時，銀行的角色與商業模式也將隨之被改寫。一方面，國際大型銀行如摩根大通、花旗以及部分國內領先銀行，已在內部試行這類Agentic AI，讓AI代理人在明確的權限與控管下，協助員工完成從資料蒐集、規則比對、情境模擬到草擬建議等複雜的工作流程。

接下來的自然延伸，就是讓這些AI代理人不只服務員工，也能提供服務給客戶。國際業界已開始討論「Agentic Embedded Finance」與「Financial Copilot」的構想，讓AI代理人常駐於企業日常系統，主動監測現金流、預警風險、協助資金調度，甚至在預先核准的授信額度內自動啟動融資；銀行則以「決策與風控引擎」的形式存在於背後。這已不只是個別流程的優化，而是從價值鏈與商業模式層次進行「AI重構」。屆時，銀行賣的將不再只是存款帳戶、支付或貸款，而是一整套可被動態調用的金融決策與風控服務，商業模式的重塑也才真正展開。

摩根大通可視為擁抱「AI優先」策略的典範，每年直接投入AI與資料相關專案的金額高達20億美元。其為員工開發的LLM Suite，不僅支援文件草擬、簡報摘要或內部知識查詢，更重要的是建立一套受控、可稽核的使用規範，規定哪些模型可用、哪些資料可存取、哪些輸出必須留痕與審核。當「安全使用」被內建為平台能力，AI才能從少數試點擴展到全行規模，從零散「AI賦能」走向日常營運層級的「AI驅動」。

在法務與法遵工作流程上，摩根大通以LAW（Legal Agentic Workflows，代理型AI工作流程）展示了代理型AI的結構性創新。面對動輒數十到上百頁、橫跨多年版本的託管與基金服務合約，LAW採多代理、模組化架構，由一個「編排代理人」協調條款檢索、要素抽取、主約與附約判別、終止條款解析等專門代理，把原本需資深律師逐條比對的工作拆解為可重複、可測試的自動化流程，顯示AI已開始重構法務與法遵的價值鏈。

在投資研究與財富管理端，摩根大通私人銀行推出的Ask D.A.V.I.D.（Data, Analytics, Visualization, Insights & Decision making），則將Agentic AI直接導入高價值的前台決策情境。這是一個建構在多代理架構上的投資研究助手，由主管代理理解問題、規劃步驟，再分派給專責代理查詢結構化市場與持有部位資料、對研究報告與會議紀錄執行檢索、呼叫內部風險與評價模型，最後彙整觀點與情境模擬，由前線顧問做出最終建議。過去需要花費研究團隊數小時乃至數天的跨資產、跨產業問題，如今可在數十秒內得到具脈絡的回答與可視化分析。

對於台灣銀行業而言，真正的挑戰已不再是「如何使用AI」，而是如何在這一輪從AI賦能走向AI重構的全球結構性洗牌中，為自己界定位置。銀行業需要的不僅是幾個吸睛的創新專案，或是把焦點放在「我們有多少AI專利或Agent」的數字遊戲上，而是一套可被治理、能持續擴張，足以支撐下一代商業模式的AI時代金融營運能力。這樣的能力，至少牽涉三個互相交織的層次。

首先，在「單一銀行」層次，每家銀行都需要誠實回答一個根本問題：AI對本行的核心價值主張，究竟只是既有營運的「加速器」，還是牽動結構性轉型的「引擎」？如果答案是後者，策略焦點就不能停留在「導入幾個代表性案例」，而要回到價值鏈設計本身，系統性盤點哪些決策要由AI輔助甚至部分接手、哪些流程可被重新編排為端到端的客戶旅程、哪些能力應該被封裝為API或Agent對內對外釋出。答案的不同，將直接決定一間銀行在未來10年的市場位階：是在洗牌後被動適應新規則，還是率先參與定義新規則。

其次，在「產業共同體」層次，台灣的銀行資本與規模相對有限，難以複製大型跨國銀行動輒數十億美元的單一銀行投資規模，因此更需要思考哪些AI能力適合做成產業級的共同基礎建設，讓所有參與者站上相近的技術起跑線，再於客群與場景上展開差異化，這也是金管會近年推動「金融科技產業聯盟」的核心思維：在「共好、綜效、互補、務實」的定位下，集中處理跨行、跨業、跨技術的共通底層能力。例如中信金控領銜的「台灣金融AI大語言模型」、玉山金控主導的「金融無塵室」、國泰金控推動的「金融盾」聯合學習防詐專案等，正在為台灣整體金融體系在這一輪洗牌中，打造一套可共享的AI基礎架構，降低個別銀行單打獨鬥的結構風險。

最後，在「國家競爭力」層次，AI已不再只是單一產業內部的工具，而是決定一個金融市場能否成為創新樞紐的關鍵技術底座。台灣若能在生成式AI、數據治理與監理科技三者之間，建立兼具安全與彈性的實驗與示範舞台，吸引國際金融機構、新創與監理機關在此進行PoC與跨境合作，就有機會在下一輪結構性洗牌中，不只是「跟上浪潮」，而是真正「佔盡先機」。

（作者為台灣金融研訓院金融研究所助理研究員）

想了解更多精彩報導，請看《台灣銀行家》