金融業導入生成式AI的關鍵議題

從1950年的圖靈測試到現在，人工智慧的發展歷程已見證數次顯著的技術熱潮與隨之而來的研究冷卻期，其演進軌跡恰如一條螺旋上升的曲線，在起伏循環中不斷突破極限。這些技術成果以日益融合且難以察覺的形式，逐步深入並重塑人們的日常生活。從早期的「指紋辨識」、「臉部辨識」等應用，到ChatGPT橫空出世所引發的生成式AI革命浪潮，人工智慧再次引起世人的關注與討論。

金融業運用「預測型AI」已有相當長的歷史，廣泛應用於授信評分、交易授權、刷臉支付等領域，近期則進一步拓展至防詐騙系統的建置。隨著「生成式AI」風潮的興起，金融機構也開始積極探索並導入各類生成式AI模型，發展出豐富多元的應用場景，包括智能知識管理系統協助整合內部資訊、AI對練平台提升員工專業能力、語音機器人優化客戶體驗、智能理財專員提供個人化投資建議、客服助手加速問題解決效率、自動化報告生成簡化文書工作、智能文件處理系統提高審核準確度、行銷圖片生成工具增強品牌視覺傳達效果、程式碼自動生成可提升系統開發效能。

這些創新應用不僅提升了金融服務的效率與品質，更為傳統金融業注入新的活力與發展動能。透過人工智慧，金融機構能夠大規模打造與部署更優化的流程與產品，不僅能取得競爭優勢、提升營運效率，還能透過全新技術平台來推動營收成長。

然而，在探索運用生成式AI的過程中，金融機構也面臨諸多亟需克服的關鍵議題。

首先是模型的選擇。金融機構在導入語言模型時，第一步必須慎重決定模型參數規模的適切性。應依據具體使用場景與業務需求，選擇最合適的模型大小。若模型僅用於提供特定金融服務，如智能客服或文件摘要等相對單一的功能，可評估採用小型語言模型（SLM），無需耗費大量資源建置如同ChatGPT般能處理多元複雜需求的大型語言模型。這種精準定位的策略不僅能有效控制實施成本，更能提高系統效能與回應速度，為金融業務帶來實質效益。

其二是模型運營模式的決策。模型運營模式是金融機構實施生成式AI策略時必須審慎權衡的另一關鍵議題。金融機構面臨兩條截然不同的技術路徑，一是自行維運模型，這意味著機構需自主承擔模型的日常維護、版本更新、性能優化等專業工作，並投入相應的GPU硬體設備，構建高效能的運算基礎設施。另一是採用雲端服務，選擇採用雲端服務商所提供的即用型大型語言模型服務，如微軟公司旗下的OpenAI產品。

這一決策不僅關乎技術資源配置，更直接影響到金融機構的長期成本結構、數據安全策略、服務回應速度以及技術自主性。金融機構需綜合考量內部技術能力資源、預期的資本投入規模、數據敏感程度、業務發展速度等多重因素，找出最符合自身戰略定位與發展階段的最佳運營模式。

再者，數據準備是攸關模型效能的關鍵基石，無論金融機構最終採用何種規模或類型的語言模型，訓練資料的來源廣度、品質與多元性皆居於決定性地位。鑑於語言模型本質上是透過分析訓練資料中的統計規律，以組合出最高機率的回應內容，因此若金融業務中存在特定專業知識或規範性答案需要精準回覆，則必須運用檢索增強生成技術（RAG）或模型微調（Fine-tuning）等進階方法，確保系統能夠提供準確無誤的專業回應。

同時，在模型選取階段，金融機構亦需全面評估候選模型的原始訓練數據是否包含充足的金融領域專業知識，包括監管法規、市場機制、產品特性等金融特定知識。唯有建立在高品質、領域相關性強的數據基礎上，生成式AI才能真正為金融服務賦能，提供符合行業標準的專業服務。

釋放生成式AI真正潛能，培養使用能力也是關鍵的議題之一。生成式AI雖具備強大功能，但要充分發揮其最大效益，仍需進行系統性的培訓規劃，並持續鼓勵使用者進行多方面嘗試。根據金融機構導入微軟OpenAI及M365 Copilot的實踐經驗顯示，若缺乏周全的能力訓練規劃，大多數使用者往往會經歷從初期基於新鮮感的積極嘗試，到後期因挫折感而迅速減少使用的循環。

表面上，使用者可能認為「人工智慧並不如預期中聰明」，但深層原因通常在於使用者尚未掌握如何精確引導AI系統，亦即缺乏有效的提示工程（Prompt Engineering）技能，無法獲取所需的精準結果。

一個典型案例是某金融機構導入報告生成模型的經驗：初期僅由技術人員使用簡單提示詞嘗試生成業務同仁所需報告，成果與預期相去甚遠。最終，該機構透過技術與業務團隊密切合作，共同編寫了較原有提示詞複雜10倍以上的精細化提示，才成功產出符合業務需求的高品質報告。

這一案例生動說明，成功導入生成式AI需要精心規劃技能培養路徑，包括提示工程基礎知識、領域特定提示模板設計、提示優化技巧等系統性培訓內容。唯有建立起全員AI素養，才能真正釋放生成式AI在金融領域的變革潛能，實現技術投資的最大回報。

最後一個關鍵議題是導入科技，理性檢視與估算成本效益。在科技應用領域，「技術可行性不等同於商業必要性」這一原則尤為關鍵。任何科技若欲獲得廣泛採納，必須能夠展現明確的價值主張並有效解決實質問題。金融機構在完成人工智慧初步導入後，隨即面臨一系列亟需要回答的基本問題：人工智慧應用是否確實達成預設目標？實際成本效益比是否符合初始評估？投資回報周期是否符合機構預期？

顧能顧問公司（Gartner）的研究提供了值得深思的警示：預計至2027年，高達60%的生成式AI專案將在概念驗證（POC）階段後被終止，主要歸因於AI適用數據不足、治理機制失效、風險控制薄弱、成本持續攀升或商業價值模糊不清等多重因素。同份報告進一步指出，若組織在制定與執行AI相關倫理與道德規範時缺乏一致性或連貫性，約有60%的組織將無法從其原先規劃的AI應用中獲取預期的商業或社會價值。

這些數據提示金融機構在推進生成式AI應用時，需建立嚴謹的效益評估框架，包括明確的關鍵績效指標、階段性里程碑設定、定期效益檢視機制以及靈活的策略調整能力。唯有將創新熱情與理性分析相結合，才能確保AI投資真正轉化為可持續的業務價值與競爭優勢。

回顧人工智慧逾70載的發展歷程，使用者見證了多次從過度樂觀的熱切期待，到隨之而來的幻想破滅的循環往復。然而，當代的獨特之處在於人工智慧發展的三大核心要素：算力、數據與算法，首次達到如此齊備的狀態，使我們有理由相信，此輪人工智慧的發展熱潮將具有更為持久，甚至不會停止，進而產生更加深遠的影響。

儘管如此，我們仍需保持理性的認知，當前的人工智慧技術依然與真正意義上的通用人工智慧（AGI），亦即完全等同於人類智慧的系統存在本質差距。現階段的AI雖然在特定任務上展現出超越人類的能力，但在通用理解、因果推理與自主意識等方面，仍與人類有很大的差距。準確理解當代AI的能力邊界與內在限制，才能在實際應用中避免盲目依賴，實現人機協同的最佳效能。

在此背景下，與其沉浸於「哪些職業將被AI完全取代」的過度焦慮與片面討論，更具建設性的思考方向應是探索如何將AI定位為人類的智能助手與協作夥伴，在保持人類主導地位的前提下，讓AI承擔重複性、計算密集型與數據分析等輔助任務，釋放人類的創造力、判斷力與情感智慧等獨特優勢。

唯有以理性務實的應對態度，精準把握AI的能力與限制，在人機協作中尋找最佳平衡點，才能真正實現人工智慧價值的最大化，為人類社會創造更美好的未來。（本文作者為台新金控資訊長）