新聞

徵信調查是風險控管的核心，玉山銀行企業放款餘額超過1兆元，每年玉山法金部門都會重新審視往來企業的信用和財務狀況。不過，傳統法金徵信作業最大痛點是，資料散亂和人工作業耗時。數百名負責徵信作業的客戶關係經理（RM），一年得要撰寫四、五千份徵信報告，每月高達4成的工時都花在蒐集資料上。

玉山銀行花了一年，自行開發了「iCatcher」與智能徵信報告工具「智捷通」等多款AI工具，將授信作業流程中動輒耗費十多小時的資料蒐集及報告初稿製作工作，縮短至分鐘級，推估一年可以節省8.4萬個人時。

RM每月4成工時花在找資料，徵信報告最久要寫3天

玉山原有授信申貸流程，包括洽談申請、案件撰寫、案件審查、貸款對保、動用貸款及貸後管理。為了評估申貸企業的營運狀況和潛在風險，例如ESG表現、勞動裁罰紀錄等，RM必須盡可能蒐集不同來源的資訊，包括搜尋引擎、新聞媒體、政府公開資料庫、求職網站、法說會資料到年報等，再與行內過往資料交叉比對，相當費工。

這項工作不只繁重，也相當耗時。一位有經驗的RM人員撰寫一份徵信報告，可能需要十幾個小時，而沒有經驗的新手，甚至要花超過20個小時，相當於3天才能完成。

徵信報告雖有參考架構，但是不同經辦人員的撰寫標準不一，其中的分析深度與風險判斷相當仰賴個人經驗，新手RM經驗有限，較難辨識出複雜的潛在風險，往往得花更多時間反覆修改，才能完成報告。

傳統授信申貸流程有三大痛點，玉山用AI來優化最耗時的兩大環節。(圖片提供：玉山金控)

玉山AI發展從2023年進入深度整合階段，不只有上百項AI服務穩定營運，更大力發展生成式AI。為了將生成式AI嵌入核心業務，作業繁複又耗時的授信申貸業務流程，成了GAI落地的目標場景之一。

去年3月，玉山法金部門和智金處聯手，思考如何運用AI來優化授信申貸。擔任法金業務端PM的玉山銀行法金總處協理黃書彥指出，一開始只想用AI節省蒐集資料時間，後來發展成一套AI智能徵信的數位流程。

擔任法金業務端PM的玉山銀行法金總處協理黃書彥指出，一開始想用AI節省資料蒐集時間，卻發展出一整套的AI智能徵信流程。

4款AI嵌入6階段徵信流程，彙整繁雜外部資料只需5分鐘

玉山銀行設計了一套完整的AI輔助流程，將徵信作業拆解為6個關鍵階段，包括外部資料蒐集、內部歷史資料彙整、數據分析、GAI生成初步報告，人為調整和擴增深度等階段，並搭配4項AI工具來輔助，分別是蒐集外部資料的「iCatcher」，取代人工登打的「OCR財務報表自動引入」，快速產生初版報告的智能徵信報告工具「智捷通」，以及提供案件撰寫建議的「AI提示家」。

玉山銀行將徵信作業拆解為6個關鍵階段，搭配了4項AI工具來優化法金授信作業效率。(圖片提供：玉山金控)

玉山花了一年時間分批導入這4項工具，最後一項AI提示家於今年第一季上線。這些工具直接嵌入了法金作業流程常用的系統中，RM不用切換系統就能用。

第一款上線的iCatcher，結合了網路爬蟲技術，並透過API串接外部資料來源，只要5分鐘，就可以彙整出一份企業的外部資料，包括了公司基本資料、企業沿革、經營團隊介紹、公司動態、重大訊息、負面新聞或訴訟等。

iCatcher不只用於報告撰寫，業務人員拜訪新客戶前，還用來快速了解客戶背景與負面訊息，也能掌握更多與客戶交流的話題。上線至今，超過9成的RM人員都改用這套工具來蒐集資訊。

iCatcher不只可以快速彙整客戶徵信資料，還成為RM拜訪顧客的事前準備工具。(圖片提供：玉山金控）

7分鐘產生徵信報告初稿，更成為新手RM學習範本

有了外部資料，下一步是整合內部歷史資料，不只會整合過往RM團隊撰寫的徵信報告、總行徵信報告等，玉山也結合生成式AI和傳統OCR技術，自動彙整公開的財務報表，取代人工輸入作業來提高效率。備齊資料後，智能徵信報告工具「智捷通」只需7分鐘，就能依據授信5P原則產生徵信報告初稿，再交由RM審閱並完成最終版本。

RM人員不只要審視AI初版報告的品質，還會根據實際訪查客戶的內容和客戶財務資料，進一步深度分析。舉例來說，若客戶財報顯示獲利數據突然出現變化，但AI生成的報告無法解釋原因，RM仍須直接向客戶查證。

透過AI輔助後，原本需要一到兩天的資料處理與撰寫時間，現在RM可以在AI生成的草稿基礎上，針對異常或不足之處進行人工訪查與修正，約2到3小時就可以完稿。

對經驗不足的新手RM而言，AI產生的徵信報告更像是一份由資深員工撰寫的參考範本，協助他們掌握過去必須靠老手經驗才能注意到的複雜風險，也成為內部知識傳承的機制。

AI影子審查員不只改善報告品質，更降低審查溝通成本

最後上線的「AI提示家」，扮演了「影子審查員」的角色，內建了過往高品質徵信報告中的分析重點，以及審查單位資深主管關注的風險項目。當RM完稿後，AI提示家會自動檢查內容，預先指出審查單位可能提出的疑問，並提供改善建議，來提高徵信報告的品質。

這些分行承作的授信案件，最後都要送交總行審查單位複審，AI提示家可以事先提醒案件風險，或找出徵信報告中的不足之處，讓分行RM及早向客戶確認，降低審查人員和RM之間來回溝通的成本。

玉山預估，2025年，光是iCatcher和AI智能徵信報告生成工具上線後，每月可以支援3千次資料辨識，產製1千份初版報告，一年約可省下8.4萬個人時。

業務面挑戰：得將仰賴真人經驗撰稿的徵信報告，先結構化

在開發過程中，玉山法金團隊花了三個月，將原本存在於法金專家腦中的「隱性知識」，梳理成結構化的提示詞（Prompt），讓AI生成的報告趨於標準化，也發揮了訓練新進同仁的效果。

黃書彥解釋，過往玉山對徵信報告的撰寫，雖有概略的參考框架，但沒有強制規定每一項細部內容，多依賴業務人員經驗自由發揮。「為了用AI輔助，必須先將徵信報告結構化。」

開發團隊將審查單位關注的各項重點，以及不同風險特徵所需的紀錄和描述，逐一轉換成AI提示指令。團隊更依據不同授信作業的需求、客群、產業屬性等差異，定義不同版本的智能徵信報告範本，作為AI生成的參考基礎。

技術面挑戰：報告好壞沒有標準，如何檢查AI生成報告的品質

黃書彥從業務團隊角度看到的開發挑戰，是「事前作業的標準化」。擔任法金AI服務PM的玉山銀行智金處副主任工程師張瑜芳，則點出了另一個技術面的挑戰是「如何檢查生成報告的品質」，也就是AI生成後的品質管理。

擔任法金AI服務PM的玉山銀行智金處副主任工程師張瑜芳指出，技術面挑戰是「如何檢查生成報告的品質」，也就是AI生成後的品質管理。

張瑜芳表示，報告好壞沒有標準答案，需要設計一套指標來評估品質。例如其中一項指標是報告框架和必要項目的完整度。團隊會先盤點出一份報告應具備的所有元素，再由另一個LLM依據這份清單來檢查內容。例如是否包括了企業成立時間、負責人資料等。

團隊也會檢查生成內容及分析結果的正確性。例如報告若需分析過去3年的財務資料，除了確認是否涵蓋相關分析，也要檢查AI是否依照正確年度順序進行比較。玉山採用了業界常用LLM品質指標，像是Faithfulness（忠實度）指標，來檢查生成內容是否偏離了原本匯入的參考資料。

不只靠AI審查AI，在迭代開發過程中，玉山開發團隊也會將LLM對生成報告的檢查結果，提供給真人法金專家判斷，確認AI檢查結果是否正確。

「徵信報告涉及許多隱性知識，都在專家的腦中，」張瑜芳表示，只有透過一次又一次迭代過程，由AI生成報告、LLM檢查品質，再由真人審查報告和評估LLM的品管成效，才能逐步建立接近真人審查水準的LLM品管指標。

每一份AI生成的徵信報告，都會經過品質檢查、計算品質評分，AI工具中也提供使用者回饋機制，來蒐集第一線遇到的問題。

業務單位與技術單位合作模式改變，從「單向接單」到「共創迭代」

不論是業務端PM黃書彥，還是AI 服務開發端PM張瑜芳，都將這項專案的成功，歸功於業務單位與技術單位合作模式的改變。雙方從「單方面提需求」模式，轉變成了「共創迭代」的合作模式。

張瑜芳表示，以前通常由一方提需求、另一方接單，現在則是雙方共同開發，透過小步快跑、多次迭代的策略來精進，讓服務越來越貼近業務實際需求。

過往，玉山跨部門合作AI專案開發時，通常先由業務團隊提出需求，雙方釐清細節後，交給科技團隊開發。現在則由兩個團隊的專家一起共創。技術端不再只是需求承接者，而要和業務端緊密地合作。

由於技術團隊缺乏判斷AI生成結果的業務知識，因此，得由業務端的法金專家負責驗證內容。智金處則將每一輪建議轉化為新版提示詞，再把生成結果後交回給業務端驗證，雙方反覆進行迭代實驗。光是這項專案，法金部門就投入了超過15位不同領域的專家，更指派負責特定議題的種子成員，加快領域知識的交流。

快速迭代每輪只要3周，提示工程和循環回饋機制是關鍵

玉山採取最小可行產品（MVP）的開發策略，盡快開發出可供使用的版本，再由專家試用提供建議，展開下一輪改版。從去年3月至今年7月，已經釋出了第14版，平均約每3周完成一次迭代。

採用提示詞開發AI工具，是實現快速迭代的關鍵。過去採取模型微調的方式，業務單位提供歷史資料後，由智金處微調模型和測試，可能要經過兩個月，才能產生新版本提供業務單位討論。

玉山現在改以提示詞優化為主，團隊利用LLM從龐大歷史資料中提取出徵信報告的內容重點，轉化成新版提示指令和品管重點，再由真人專家審查，確認這些檢核要項是否符合業務對專業報告的要求。

張瑜芳表示，這類提示詞優化的專案，需要非常頻繁的實驗迭代。每經過一輪迭代，都能讓使用者進一步看見AI產出與理想結果之間的落差，透過多次來回逐漸補足缺漏，讓生成結果更接近實際需求。

黃書彥補充，對業務人員而言，一次次檢視AI產出內容，可以讓他們逐漸感受到這項工具的發展潛力，大幅提高投入專案的參與度。

為了快速迭代，玉山建立了多種回饋循環機制。除利用儀表板監控生成結果的量化評分，也蒐集了質化回饋，例如，法金專家透過共同編輯的Excel檔，直接對每一份報告註記審查意見，再由開發人員依此來修改系統提示或服務端提示。

AI工具中也直接內建回饋機制，第一線RM若發現了報告中的錯誤或幻覺內容，可以立即反映。為了更快蒐集到使用者的回饋，玉山智金處採取小幅、頻繁改版的策略，只要完成小幅調整就發布新版提供使用者測試。用來優化迭代的質化回饋，也大多來自第一線使用者的意見。

不過，張瑜芳提醒，小步快跑、快速迭代的共創開發模式，不見得適用所有場景。部門主管的支持仍是關鍵，尤其專案初期成效還不明顯時，更需要主管支持團隊勇於嘗試。

人機協作帶動法金流程質變，業務與開發團隊

玉山銀行的AI智能徵信應用，大幅改變了授信申貸流程中的徵信作業。為了導入AI，玉山先重新梳理徵信報告的標準化框架，將資深人員的隱性知識具體轉化成一條條提示指令。

AI工具上線後，不只縮短繁複耗時的資料彙整與案件撰寫工作，也成為RM拜訪新客戶前的準備工具，更降低申貸業務單位與審查部門之間來回溝通的成本。這項專案改變的不只是業務單位的人機協作方式，也促使業務與開發團隊從「提出需求、接單開發」，轉向「共同開發、持續迭代」的合作模式。

玉山金控科技長張智星直言，法金的AI智能徵信應用，正是人機協作帶動流程質變最典型的案例。