AI時代 為何銀行更難找到「對的人」？

過去3年，生成式人工智慧（GenAI）以驚人的演化速度深入銀行每項業務，這種影響讓傳統「金融人才」的定義顯得過時，現今銀行業尋覓數位人才也面臨兩難：擔心招募傳統資訊人過於保守、思維受困於傳統的程序邏輯，無法處理AI本身的不確定性；另一方面，擔心延攬新銳數位人才缺乏對銀行法規嚴謹度的認識與敬畏，忽視金融系統運作的穩定性核心。因此，面對全球性的AI人才荒，銀行不應侷限在無止境的競價挖角，而是需要重新定義能與AI協作的金融科技人才。

AI民主化普及，程式開發不再是數位化的唯一途徑。技術人才的工作重心正向需求洞察、AI平台與AI治理三個方向移動。金融科技人才應重新劃分為AI平台的供應者、AI的管理者，與AI的使用者與解決方案設計者三種不同的角色，這三者共同構成了一家AI驅動型銀行的競爭力核心。

AI平台的供應者，過往被視為系統架構師與AI工程師。然而，隨著大型語言模型展現出優越的代碼生成能力，傳統開發者的工作價值正在被重塑。初階的重複性編碼工作逐漸由AI取代，AI工具如GitHub Copilot能即時產出高品質的邏輯區塊，這讓過往需要資淺工程師手寫的重複性代碼變得一文不值。這種現象正迫使技術人才從代碼工匠轉型為系統架構師，金融業需要能建構支撐AI運行平台的人才，如雲端工具、資料倉儲以及模型驗證部署管理（MLOps）等能力。

銀行招聘這類技術人才時，標準也發生巨變，應聘者是否能背誦演算法公式已非重點，而是要觀察他們如何與AI協作。首先是駕馭AI的問題定義力，過去教育強調給出正確答案，但AI時代的重點在於提出對的問題。人才需具備快速理解議題，並透過與AI協作快速產生並驗證解決方案的能力。其次是驗證與批判性思考力：AI生成的代碼可能存在邏輯陷阱或安全漏洞。在金融環境中，任何未經審查驗證的代碼都可能導致系統崩潰。工程師必須成為最終的檢核者，為風險把關。再者是整體架構思維，銀行系統極其複雜，不僅需要了解單一系統，更需要理解多個系統模組之間的連動關係。具備跨系統模組連動的宏觀人才，遠比單一程式語言專家重要。

AI的管理者是金融業在AI時代最迫切需要、卻也是最為匱乏的人才類別。傳統的IT系統是基於可重複驗證的邏輯步驟運行（輸入A必得B），但生成式AI具有隨機性（輸入A可得B，但也有一定機率是C）。這種本質上的矛盾，是銀行治理的最大挑戰。

挑戰之一是，AI的管理者必須能夠做出負責任的設計，以對抗「AI幻覺」與「黑盒效應」，尤其在信用評分、反洗錢監測或自動化授信等場景中，如果無法解釋AI的決策邏輯，銀行將面臨嚴厲的法規裁罰與巨大的商譽損失。因此，合格的AI管理者，除了具備AI及資安知識，還必須具有動態風險控管的能力，針對AI模型會隨數據變化而產生「模型飄移」，管理者必須建立即時監測系統，定義可接受的誤差範圍，並在模型表現低於門檻時果斷介入。

其次，管理者必須具有法遵與倫理判斷的能力，深入了解各國對AI應用的監管趨勢（如金管會的AI指引、歐盟AI法案），判別模型是否產生偏見或歧視，例如AI是否因為數據或設計瑕疵而產生歧視，確保銀行對待特定群體的公平性。

再者，是數據治理的能力。AI的產出品質取決於數據，管理者必須確保數據來源合法、完整且具代表性，並在模型生命週期的各個階段保護隱私，透過這三大核心職能，將技術優勢轉化為安全可靠的金融服務。

這些治理能力並非純技術人才所具備，而是需要一種結合了AI知識、法律素養與金融專業的複合型人才。在金融業，如何使用一個不確定的答案來做出負責任的金融決策，是一門極其精密的藝術。這類人才需要在事前評估各類風險並設計降低風險的手段、制定與實施持續性的監控，追蹤模型的成效與偏見，並在AI產生異常行為時，及時掌握並啟動預定義的處置方案。

第三個挑戰是，AI的使用者與解決方案設計者。過往業務單位是技術的被動接受方，當有需求時會與IT工程師溝通，排隊等待IT單位開發出相應的系統。現在，AI工具讓業務人員擁有技術主權，在AI協助下，這種線性協作模式正在瓦解。就如同最近炒得沸沸揚揚的小龍蝦以及Claude Cowork這類的工具帶來生產力提升，業務人員不再需要依靠工程師就能將日常工作自動化。例如，理專可以利用AI快速生成投資建議書，或是由AI在顧客交易時主動提供個人化的推薦商品。這意味著這群「市民開發者」（Citizen Developers），正從需求的提出者轉變為解決方案的設計者。

談完需求，回過頭來看人才的供給面。現在金融科技人才荒在很大程度上是因為AI發展的速度遠超傳統教育體系。在過去，工程師學習一種語言（如Java或C）可以受用十數年。但在AI時代，一項技術或工具的熱潮可能在半年內就被新架構取代。大學四年的課程規劃在學生畢業時就已顯得過時。這導致了市場上的新鮮人雖然擁有學歷，卻無法直接投入AI實戰場景。

此外，「商業」與「資訊」的長期二分化，導致金融人不懂AI能力與風險，資訊人不懂金融業務與合規。當兩者在銀行內部共事時，語言不通導致溝通成本極高。因此，具備AI與金融雙語能力的橋梁人才，在市場上極為稀缺且極難招募。面對這類跨域人才的極度缺乏，銀行的策略應從外部挖角轉向內部重構與生態協作：不能再指望能輕易地從市場上找一個完美的現成人才，而是應該從大規模的AI再培訓、深化產學合作、借力外部第三方廠商等三面向，自己製造人才。

銀行內部擁有大量懂業務流程、懂客戶需求，且對風險有高度意識的資深員工，這正是外部科技人才所缺乏的。透過系統化的AI內訓，讓他們掌握AI工具，其產生的價值往往高於直接聘雇一名純技術背景的人才。針對不同層級的同仁，銀行應規劃具差異化的AI教育訓練目標，以確保轉型成效。

例如高階主管，訓練應側重於掌握AI趨勢及戰略意義與AI治理素養，建立AI應用的金融領域視野，確保轉型由上而下推動。中階主管扮演承上啟下的角色，負責制定並推動符合業務目標的AI應用策略，引導並培養同仁學習與使用AI技術與工具。至於基層員工，則應了解AI發展、基本概念及其在金融業的運用，並著重於在金融業運用AI的法遵、風管意識。

銀行在數位轉型中，「借力使力」亦為關鍵。透過與頂尖的雲端服務供應商（如AWS, Microsoft, Google）或專門的AI軟體公司合作，銀行可以快速獲得最先進的算力、模型與工具。此時，內部人才的核心競爭力在於整合能力與評鑑能力：知道如何挑選合適的供應商，並確保其產品符合銀行的安全規範與法遵要求，在AI時代，這類技術整合人才已是我們看重的核心競爭力。（作者為玉山金控智能金融處總工程師）