2026年的玉山銀行，並不是第一次發起AI轉型。他們曾用資料探勘發掘大數據裡的細節，也押寶預測型AI、大力發展上百支應用。但這次，他們思考的是——AI能不能不只給答案，還真正完成一段工作？
這是玉山現階段想實現的代理式銀行（Agentic Banking）。玉山金控科技長張智星、玉山銀行智能金融處副總工程師廖子慧日前受訪時揭露，使用者只需告訴自家AI平臺要完成什麼任務，系統就會理解需求，再把任務交給相應的Agent執行；這套架構背後，則以記憶庫、Skill與工具目錄（Tool Registry）和MCP閘道，串起模型、知識庫、工具和內部系統，銜接一段段的工作流程。
只是，AI從「會說」到「會做」，還有一大挑戰要克服。也就是如何將法遵、資安、法務及授信專家的工作方法，轉成Agent能調用的Skill，甚至把那些專家自己也說不清楚、只在實際工作中展現的隱性知識，清楚留下來。玉山如何做到？
玉山AI布局20年：從資料探勘到代理式金融
玉山銀行的AI布局，早在2006年就開始了。當時，玉山用資料探勘協助業務營運和風險控管，開發不少行銷、風險模型。到了2018年，玉山加碼押寶AI、隔年成立智能金融處，專門發展AI技術應用，自建一套MLaaS（Machine Learning as a Service）機器學習服務平臺，來執行銀行使用的上百支預測型AI。
這套平臺可以將資料科學家訓練好的機器學習模型，部署成可重複使用的服務，讓不同業務系統透過API呼叫AI能力，等於把AI從實驗環境，帶進銀行的日常作業中。以信用卡盜刷偵測為例，每當客戶刷卡，交易系統就會把時間、金額及地點等資料送給模型，在0.1秒內算出盜刷機率，再決定是否放行這筆交易。
到了2023年，生成式AI興起，玉山AI發展進入「深度整合」階段。張智星指出，先前的預測型AI，模型通常只給一個數字、分類或Yes／No答案，但生成式AI能讀懂更多內容，從文字、表格到流程圖，可以先理解、擷取資訊，再整理成一份報告。這意味著，AI更容易跨場景應用，比如，同一套文件理解能力，只要換掉資料、範例和規則，就能用來讀匯款單、分析永續報告書，或協助產生法人徵信報告。
於是，玉山銀行一邊維運MLaaS平臺的上百項AI應用，一邊自建內部的企業級生成式AI平臺GENIE，要來提高員工生產力。他們同步進行大量AI基礎工程，比如在技術面，建置AI混合雲、讓使用者更快調用AI模型。在組織面，一方面成立AI管理委員會，建立一套AI監理制度，另一方面也建立AI人才教育訓練體系，來培育內部人才。
不過，到了2026年，玉山開始思考，那些優化內部流程的生成式AI技術，到底能產生多大的ROI效益？又能催生哪些創新模式？
於是，他們制定新發展方向，要將AI從輔助應用，推向人機協作的Agentic Banking。他們甚至喊出，要打造玉山特色的Agent，深度整合到核心業務流程中。
有了大方向，玉山進一步擘畫出AI應用藍圖。廖子慧說明，他們將AI應用分為3大類型，從最底層的AI基礎設施、中層的通用型AI，再到最上層的領域型AI。
玉山揭露年度AI應用藍圖，由AI基礎設施、通用型AI和領域型AI組成。其中，底層基礎設施是玉山AI得以規模化擴展的關鍵。（圖片來源：玉山金控）
其中，AI基礎設施是玉山擴大AI應用規模的關鍵。這個基礎設施涵蓋面向很廣，從專用的模型服務（如預測型AI和生成式AI模型）、開發平臺、知識庫／數據庫，到軟性的資料治理、AI治理措施，連人才發展都包括在內，如AI教育訓練、人才轉型計畫等。
基礎設施之上的通用型AI，則分為控管風險的AI、優化營運效率的AI。前者包括即時詐騙偵測、異常交易監控、信用評等應用，後者則有員工AI助手、RPA機器人、會議摘要生成等應用。
至於領域型AI，依銀行業務，從個金和法金細分。個金部分，有專門用於財富管理的智能投資組合、投資市場預測，或是瞄準客戶經營的AI智能客服、績效分析等；法金則有用於信用決策的智能徵信、AI財務風險診斷，或是交易服務專屬的智能合約審查、供應鏈風控等應用。
自建企業級生成式AI平臺GENIE，成為代理式金融關鍵基礎
這張藍圖的一大關鍵是AI基礎設施中，玉山自建的企業級生成式AI平臺GENIE。他們把GENIE定位為打造跨場景協作代理型AI的統一入口，目標是要讓每位員工，未來都能帶領一位數位員工，實現全員AI化。
2023年，玉山開始建置GENIE，隔年1月正式上線1.0版。首先，為了讓員工放心使用，也避免敏感資料流出，GENIE部署在行內隔離環境，輸入的內容都會先經過個資及敏感資料過濾，同時搭配雲端財務維運（FinOps），來控管各業務部門的Token流量和算力成本、實現最佳資源分配。
玉山自建生成式AI平臺GENIE，第一代主要解決使用者敢不敢用的問題，第二代則是「好不好用」，轉型為模組化平臺並納入多模態模型、RAG等技術，提供更好的使用體驗。（圖片來源：玉山金控）
在這個基礎上，玉山繼續優化GENIE，在2024年9月推出2.0版本，目標從員工「敢不敢用」轉為「好不好用」。玉山將它改造為模組化平臺，加入RAG檢索增強生成、多模態輸入和模型調度能力，系統可處理文字、圖片、PDF、語音與影片等模態資料，能依照任務需求，選用Azure OpenAI、Gemini、Claude等不同模型，再透過RAG查找行內規章、公文與公告，來支援不同業務流程需求。
使用數據反映了GENIE如何深入日常工作，比如2024年上半年，GENIE每月平均有800多人使用，全行使用率超過十分之一，半年累積呼叫超過10萬次；而2026年上半年，月均使用人數已超過3,600人，全行使用率超過三分之一，半年呼叫超過55萬次。每名使用者每月平均Token用量，也從400多個攀升到40萬個以上。
這個轉折不是突然發生。早期，玉山辦工作坊、培訓班，將效果較好的指令放上GENIE，讓還不熟悉下指令的員工直接套用。等到員工找出自己的使用方式，AI就不知不覺深入工作流程了。「以前是叫大家用，大家覺得還好；現在則是反過來，不用不行」廖子慧說。
今年打造GENIE 3.0版本，轉型為Agent統一入口
不過，AI服務越做越多，新麻煩也開始出現。
首先是功能散落在不同系統，使用者必須記得工具放哪裡；再來，各單位分別建立知識助理，資料難以共用。尤其，後端還串接了大量不同規格的API，維護工作愈來愈複雜。更現實的是，員工用過外部快速進化的AI工具，在公司自然會問：「為什麼GENIE沒有？」
玉山將這些問題，歸納為功能孤島、知識分散、API異構與體驗落差4大類。
為克服這4大痛點，他們決定優化GENIE，今年開始打造3.0版本。GENIE 3.0的首要任務，就是轉型為Agent的統一入口，使用者不必先選工具，只要提出需求，GENIE Root Agent就會先理解意圖、判斷處理路徑，再透過REST或MCP，將工作分派給適合的行內Agent、知識庫或其他系統。
玉山自建的生成式AI平臺GENIE今年升級到第三版，成為統一的Agent入口，使用者只需提出需求，系統就能理解意圖、分配Agent去執行工作。（圖片來源：玉山金控）
GENIE 3.0有4項重要能力，首先是模型平臺，可依任務切換不同大型語言模型；再來是包含長短期記憶的記憶庫，讓服務能保留必要的上下文、支援個人化使用；第三是Skill與Tool Registry，先找出任務需要的能力，再選擇實際執行工具；第四是MCP閘道，將原本的API轉為較一致的介面，讓不同服務可以協作。
底層則補上權限管理、資安及個資防護、模型監控、共享護欄、Policy Engine、稽核日誌與FinOps機制。比起前一版提供包山包海的AI功能，GENIE 3.0更像一名總機或領班，先聽使用者要什麼，再把工作交給真正擅長的Agent和工具去執行。
玉山今年也擴大了GENIE平臺使用範圍，不只海外子行開始使用，玉山金控其他子公司都能使用。今年9月底，更即將上線GENIE 3.0。
實現代理式銀行的關鍵：把專家工作方法變成Skills
GENIE 3.0可以理解使用者需求、調度Agent和工具，但Agent能不能完成銀行的專業工作，關鍵仍在於它具備哪些Skill。
以新產品審查為例，一項商品或服務上線前，往往要經過法遵、法務及資安等專家把關，分別確認法規、合約、風險與作業要求。這些判斷有些已經寫進SOP，有些則來自專家多年累積的經驗。
玉山希望先拆解這些工作方法，把其中可標準化、重複使用的部分整理成Skill。例如，「依據法規檢查文件」可以是一項Skill；Agent則像負責完成任務的工作角色，能依照不同場景，組合法遵、法務及資安等Skill與工具，安排執行順序。
如此一來，未來建立新產品審查Agent時，就不必把各項規則重新寫一次，而能直接調用既有的專業能力。不過，廖子慧強調，Agentic Banking並不是把原有流程原封不動交給AI，「如果還是照原本的流程把它自動化，可能沒有辦法改變太多。」
因此，玉山規畫先讓員工學會與AI合作，再重新檢視哪些步驟適合交給Agent、哪些判斷仍須由人負責，進一步重新設計工作流程。長期來看，部分服務或許能由多個Agent共同執行，再由人類主管監督並處理例外；但廖子慧也表示，這仍是待逐步實現的長期願景。
最難教給AI的，是專家自己也沒說出口的規則
把專家的工作方法做成Skill，不是直接交一份SOP就好。
張智星指出，專家工作知識可分為顯性與隱性：前者可以清楚寫成步驟，後者往往要等AI實際執行、專家指出錯誤時，才會浮現。他以檢查學生報告為例，一開始，使用者可能只要求AI檢查英文縮寫是否附上全名、參考文獻是否留白；等到AI開始檢查，才陸續發現其他遺漏，使用者再補上新的規則與例外。
經過多輪輸入、輸出與修正後，專家才能要求AI整理整段工作過程，將新增的規則、判斷方式和處理步驟，彙整成一份完整的Skill。「就在工作過程中，把你的知識，不管顯性還是隱性的知識抽出來，做成一個Skill。」張智星說。日後若有人要處理類似任務，Agent就能直接調用這項Skill。
但有些工作，不只規則難以一次說完，連解決途徑也不只一條。這時，專家得提供不同案例，說明面對哪些條件時，該採取哪一種做法，讓AI逐步掌握例外與判斷邏輯。這個過程也很難只靠領域專家或工程師單獨完成，而需要懂AI的人與熟悉業務的人共同測試、修正。
因此，Skill化不只是把SOP轉成AI看得懂的格式，更像是在實際工作中，把專家沒有寫下來、甚至自己也未必意識到的判斷方式，一點一點整理出來。這些知識不是外部大模型原本就會知道的，卻可能正是銀行最難複製、也最需要留下來的能力。
2大實例：從徵信報告到法遵Agent
玉山將專家知識導入AI服務的做法，可以從法人徵信報告與法遵Agent兩個實例來看。
過去，法金同仁完成實地訪查、蒐集外部資料後，回到辦公室還得打開空白文件，從第一個字開始寫報告。現在，生成式AI會先整理資料、產生初稿，再由專業人員檢查和判斷。
玉山分享將專家知識導入AI服務的實際成果，透過法金徵信專家提供工作經驗，打造智能徵信報告AI工具，能加速專家整理資料、產出報告。（圖片來源：玉山金控）
真正困難的，不是要AI把文章寫通順，而是教它像銀行專家一樣，懂得抓重點。「開發者非常仰賴第一線的人直接告訴我們，現在生成的報告到底準不準，因為我們沒有那個know-how。」廖子慧說。玉山請RM、總行專家及審核人員持續提供案例、指出錯誤，再將他們判斷企業能否放款時在意的條件，放進系統指令、搜尋架構和AI服務中。
另一實例則是近期一名工程師搭配一名法律專家，把法遵工作中可以標準化的內容，整理成Skill，約一周就做出法遵Agent的初步版本。雖然功能還不全面，但據玉山初步觀察，已能處理大部分預定涵蓋的法遵需求。
「一個很懂AI的人，還有一個很了解Domain Know-how的人，要互相合作，才有辦法實踐出來。」張智星說。
這種原本由業務提需求、IT負責開發的傳統模式，現在轉變為，工程師和領域專家坐在一起，一邊使用、一邊修正AI。
玉山接下來要複製這種合作模式，由上而下盤點適合Agent化的場景：不只要有明確的領域專家和可整理成SOP的工作方法，還要能真正改善核心流程，甚至帶來營收價值。為此，玉山在個金、法金等領域組成敏捷團隊，讓少數IT人員與業務專家聚焦同一場景，來快速開發、測試和調整。
AI轉型要成功，人的角色也得跟著改變
在這波AI轉型中，玉山對人才的期待也跟著改變。
「以前，我們想找很會寫程式的人，現在懂領域知識的人才更重要。」張智星說。AI可以協助產生程式碼，最後仍得靠懂金融流程與規範的真人，來判斷系統做得對不對、能否真的上線。
廖子慧則觀察到，工程師與業務人員的工作方式開始改變，彼此需要更密切合作。比如，過去習慣坐在辦公室等需求的工程師，現在會走進業務現場，和領域專家一起釐清問題；反過來，業務人員也得理解AI能做什麼、不能做什麼。雙方不再只是提需求與接需求，而要一起把專業知識教給AI。
也因此，玉山推動人才轉型，依照不同職務設計AI培訓方向，像是新進行員得先認識AI工具與風險、資深行員學習用AI改善工作，中階科技主管則要找出適合的應用場景、帶領團隊改變工作方式，經營團隊則要能制定AI藍圖和目標。玉山透過AI Academy、GAI工作坊等活動，建立全行的AI共同語言，連第一線員工都能參與創造AI應用。
不過，要請專家交出累積多年的經驗，還得先回答一個更現實的問題：如果把AI教會了，自己會不會被取代？
廖子慧說，玉山現階段的做法，是讓原本負責審核的專家轉而學習優化、測試及監督AI，替他們找到新的角色。得先讓員工相信「AI可以幫助他，而不是取代他」，他們才有安全感參與轉型，也才願意把真正重要的經驗教給AI。
玉山布局AI二十年，如今的課題不只是提高模型準確度，還包括如何把專家知識留在組織裡，並重新設計人與AI的分工。尤其，Agent要真正走進銀行核心流程，得靠工程師與領域專家坐到一起，把過去只能靠人慢慢學會的經驗，一點一點教給AI。
Comments (0)
Sign in to comment