生成式 AI 如何改變銀行工作流？2030 情境、風險與治理重點

「生成式 AI 會重塑 2030 年銀行業」是一個值得討論的情境，不是一個已經被保證的結果。銀行採用速度會受到資料品質、監管要求、資安事件、第三方服務依賴、成本與客戶信任共同影響。較可靠的問題不是哪一家銀行一定會被取代，而是：哪些工作能被安全地輔助、哪些決定仍必須由人和既有控制負責，以及當模型或供應商失效時能否維持服務。

本文整理銀行導入生成式 AI 的可能工作流、到 2030 年可能出現的不同情境與治理重點，不構成投資、貸款、保險、帳戶或其他金融產品建議。

銀行最可能先改變的是工作流，不是監管責任

金融機構早已使用各類模型處理詐欺偵測、風險管理、客服分流與營運分析。生成式 AI 的新增能力在於理解與產生文字、彙整文件、協助搜尋知識、把多步驟作業串成草稿，因而可能改變第一線人員、合規、營運與科技團隊處理資訊的方式。金融穩定委員會（FSB）指出，AI 可帶來營運效率、合規支援、產品客製化與分析能力，但也可能擴大第三方依賴、網路風險、模型風險、資料治理與詐欺等脆弱性。

因此，更合理的預期是「人機協作流程變多」，而不是「模型接手所有銀行決策」。例如，模型可協助從內部政策、作業手冊與已核准文件中找出相關段落，產生回覆草稿或摘要；但涉及帳戶異動、授信、交易、可疑活動通報、客戶權益或法律解釋時，仍應有明確權限、可核對證據與適當的人員覆核。

到 2030 年可觀察的三種情境

第一種是受控增量：生成式 AI 主要用於內部知識檢索、文件摘要、客服輔助與軟體工程，系統只在已定義資料範圍和人員監督下工作。這通常能帶來較快的學習迴路，也較容易保留稽核證據。

第二種是流程重組：當資料治理、模型評測、身分與權限、工具控管和事件回應逐漸成熟，部分跨部門流程可能從人工轉交，改為模型先整理證據、提出待辦，再由具權限的人核准。這不是少了控制，而是把控制嵌入流程節點；每次自動化都必須有可追溯的輸入、輸出、規則、版本與責任人。

第三種是風險收斂：若發生嚴重的資料外洩、深偽詐欺、模型偏差、供應商中斷或監管事件，機構可能縮小可用範圍，回到更嚴格的人工驗證。這不是 AI 失敗，而是金融服務的安全與消費者信任優先於功能擴張。2030 實際落在哪個情境，取決於治理成熟度與外部環境，不能只用模型能力曲線推論。

可能產生價值的四個工作區域

• 知識與文件工作：在權限控管下檢索內部政策、產品文件、程序與客服知識，協助摘要與草擬回覆，並讓使用者回到原始來源核對。
• 營運協作：整理案件資訊、產生交接摘要、協助分類與建立待辦。模型應提出建議與缺少的資料，而不是自行執行不可逆動作。
• 風險與合規支援：協助初步閱讀大量文件、標記可能需要調查的訊號或準備稽核材料；最終判斷、申報和例外處理仍需由符合職責的人完成。
• 開發與測試：協助說明程式、產生測試草稿、整理事件紀錄與文件；生產環境變更仍應遵循程式碼審查、權限分離與部署控制。

這些用途的共同點是：模型先降低資訊處理負擔，但不直接成為客戶權益或資金移動的最終裁決者。對外部客戶的用途還要額外考量可理解性、申訴、誤導風險與詐騙者會如何濫用相同技術。

五項不能略過的治理風險

1. 資料界線與保密性

提示詞、檔案、檢索內容、輸出與日誌都可能包含客戶、交易或內部機密。導入前應區分哪些資料可供模型使用、可否跨境、可保存多久、能否用於供應商訓練，以及誰可查閱。只在介面上加一個「請勿輸入敏感資料」提示，不能取代資料分類、遮罩、存取控制與稽核。

2. 第三方依賴與集中度

FSB 特別點出第三方依賴與服務集中度。若多個關鍵流程同時依賴同一家雲端、模型、向量檢索或身分服務供應商，單一事故可能跨部門擴大。採購不應只比較模型效果與單價，還要檢查資料處理條件、可攜性、服務中斷方案、替代模型、退出機制與事件通報責任。

3. 模型、資料與輸出風險

生成式 AI 可能產生看似合理但不正確的內容，也可能把過期、缺少條件或未經核准的資料重新組合。對每個用途都應建立測試集與失敗案例，包括錯誤引用、漏掉關鍵限制、偏見、指令注入、敏感資料洩露與不當工具呼叫。評測不能只看語氣是否流暢，還要看來源可驗證性、錯誤率、影響程度與人員能否及時發現。

4. 詐欺、社交工程與客戶信任

生成式 AI 也會降低偽造文件、冒充與大量客製化釣魚內容的成本。歐洲銀行管理局（EBA）指出，AI 可協助犯罪者自動化洗錢、偽造文件與規避偵測，金融機構需以負責任的 AI 使用與監測因應。對客戶溝通而言，驗證管道、交易確認、異常提醒與人員升級流程會比生成更華麗的文字更重要。

5. 人類監督與可追溯性

在受規範的工作中，「人有參與」不應只是一個按鈕。覆核者必須看得到模型使用的資料、版本、來源、信心或限制，並有能力推翻結果、暫停流程與留下理由。英格蘭銀行與 FCA 的 AI 調查也強調，AI 對機構安全穩健、消費者公平待遇與金融穩定都可能帶來挑戰；治理設計要能回答誰負責、如何量測與如何補救。

從試點走向可控擴張的做法

1. 先列用途清單：為每個案例寫下使用者、輸入資料、輸出、禁止動作、影響對象、風險等級與責任人。
2. 將資料與模型分級：依敏感度、法規、可解釋性與可用範圍設定不同控制；高風險資料與高影響決策不應沿用一般文書助手的規則。
3. 建立上線門檻：在部署前做功能、資安、偏差、韌性與使用者測試；定義通過條件與明確的停止條件。
4. 保留供應商與版本退出路徑：定期演練模型服務、雲端或工具故障時如何切換、降級或回到人工流程。
5. 持續監測與修正：追蹤錯誤、申訴、資料漂移、異常存取、詐欺樣態與人員覆核結果，將發現回饋到測試集與控制措施。

對客功能上線前，先驗證「不該做什麼」

面向客戶的聊天、摘要或文件生成工具，除了要測試能不能正確回答，還要刻意測試它在不應回答時能否停止。例如，輸入含有帳戶資訊、要求繞過身分驗證、誘導模型做出保證獲利或法律結論、混入惡意指令、要求執行交易或修改資料時，系統應保持權限邊界，轉向正式管道或交由人員處理。

驗收時應同時檢查繁體中文和其他實際使用語言、無障礙需求、不同客戶情境、資訊過期與來源失效的案例。模型輸出若會被送給客戶，還要確認它能顯示適當的身分、來源、時間與限制，而不是偽裝成無條件可靠的銀行承諾。這類失敗案例越早被放進測試集，未來流程擴張時越不容易把例外當成正常運作。

最後，客戶必須能辨識自己正在與自動化工具互動，並取得可用的人員聯絡與申訴途徑。透明揭露不會消除錯誤，但能降低誤解、協助及早發現問題，並讓機構在服務失準時有明確的補救入口。

重點整理

生成式 AI 到 2030 年可能深刻改變銀行的資訊處理與協作方式，但不會消除銀行對資料、模型、供應商、客戶保護與營運韌性的責任。先用受控案例建立來源、監督與事件回應能力，再依風險擴張，會比把模型能力直接等同於可自動化的銀行決策更可靠。

參考資料

• Financial Stability Board：The Financial Stability Implications of Artificial Intelligence
• Bank of England：Artificial intelligence in UK financial services – 2024
• European Banking Authority：Special topic – Artificial intelligence