為何金融AI專案難以落地？金融業應用AI的三大挑戰及因應策略

隨著AI技術快速演進，生成式AI與大型語言模型（LLM）席捲各行各業，即使是受到高度監理的金融業亦不例外。依據世界經濟論壇（WEF）的報告指出，全球金融服務業者正積極擴大於AI領域的支出，預估投資總額將於2027年達到970億美元；我國金融業者也在金管會發布《金融業運用人工智慧(AI)指引》及各金融同業公會陸續制定AI自律規範的推波助瀾下，紛紛投入開發各式金融AI專案。

然而，根據金管會於2025年公布之金融業應用人工智慧（AI）調查結果，金融機構應用AI的主要目的為提高作業效率及生產力、節省人力及優化客戶體驗，相對少有突破性的應用發展。且從近來筆者實務觀察可發現，金融機構內部許多AI專案仍停留於概念驗證（PoC）或局部試辦階段，真正能夠進入核心業務流程、形成可規模化運作的案例仍屬有限，究其原因，金融機構欲將AI應用於核心業務，主要面臨下列三大挑戰。

金融業應用AI需先克服三大挑戰

(一)低容錯率的產業特性

多數AI模型是以機率推論為基礎，其本質即難以「保證正確」，僅能達到「高度可能正確」。但金融業務攸關民眾財產，相較於其他產業，金融AI的容錯率甚低，尤其是在授信、交易監控、KYC、法遵判斷等領域，錯誤的代價不僅是效率損失，更可能是監理裁罰、法律責任與信譽風險。

換言之，其他產業或可容許「先求有，再求好」，逐步透過實務反覆試錯、模型迭代以提升AI應用成效；金融AI卻必須從上線第一天就確保應用合規、無誤，「避免AI幻覺」幾乎成為金融AI導入的前提要件，而這正是目前生成式AI最難跨越的門檻。

(二)資料基礎建設的斷層

Gartner 曾發布過一項的預測，直接將 AI 的失敗(錯誤結果)與「資料品質/偏差」掛鉤，亦即AI模型的成效取決於資料品質，然而，許多金融機構仍在使用自數十年前沿用至今的系統，內部資料分散於核心主機、報表系統與不同部門的人工流程之中，缺乏一致的資料治理架構，形成「資料孤島（Data Silos）」。在此種情況下，金融AI專案往往還未進入模型訓練，就先卡在資料清理、欄位定義與系統權限整合的泥淖之中。缺乏資料的基礎建設，金融AI模型就無法穩定學習，更遑論長期優化。

(三)AI應用效益的邊際遞減

Gartner預測指出，於2025年底，至少有30%的生成式AI專案將在PoC後被終止，背後主要原因包括資料品質不佳、風險控管不足、成本不斷上升及商業價值不明確。

大型AI模型的導入成本遠高於想像：系統建置、算力資源、軟體授權、資安隔離、模型調校、持續監控等皆構成龐大的總體擁有成本（TCO, Total Cost of Ownership）。若應用場景僅是取代部分人工作業、微幅提升內部行政流程效率，其節省的人力未必能覆蓋AI維運成本。

因此，這解釋了為何許多專案在 PoC 展示時看似亮眼，一旦進入商業效益（ROI）評估階段，就會發現實務上難以形成可持續的商業模式；即使初期勉強落地，亦可能因無法持續投入預算，導致模型缺乏再訓練與優化，最終出現模型效能衰退（Model Drift）與使用率下降之情形。

因應上述挑戰，金融機構評估是否導入AI應用時，應更務實的衡量下列三個關鍵問題：

問題一：AI作業是否位於適合人工覆核的環節？

考量金融業低容錯率的特性，金融AI更適用於不涉及自動決策、作為人類輔助功能之場景，且若能在本即需人工覆核的作業環節中，發揮人力所難企及的功能，即能降低導入阻力。例如：洗錢與詐欺行為往往隱藏於複雜的交易網絡之中，但人力難以短時間查閱大量資料並加以辨識，而透過圖形分析或關聯建模技術，AI不僅可更迅速比對資料，更可輔助發現異常關係，提供審查人員參考，協助其做出更可靠之判斷。

問題二：組織是否擁有乾淨且能持續累積的可用資料？

金融機構在導入AI前，應先檢視是否已建立基礎的資料治理機制，包括統一的資料字典、明確的資料血緣（Data Lineage）、可量測的資料品質指標，以及能定期更新與回饋的資料蒐集流程。換言之，AI不應建立在「專案式整理資料」之上，而必須仰賴可長期營運的資料管理能力；當資料能像資產一樣被持續累積與維護，AI模型才具備可持續學習與迭代的基礎。

問題三：既有流程是否具有明確且待解決的痛點？

AI導入應回到業務流程本身，檢視其是否存在可量化、且長期未被有效解決的痛點，例如：大量人工判讀文件、跨系統比對耗時、風險監控反應落後，或需仰賴高經驗人員才能完成的作業。若流程本身並無顯著瓶頸，即使導入AI，充其量僅為「部分流程自動化」，難以產生實質效益，反而增加維運成本與管理複雜度。因此，金融機構應優先選擇能明確縮短作業時間、降低錯誤風險或提升風控覆蓋率的場景，並以可衡量的績效指標（如處理時效、異常偵測率或人工作業負荷）驗證導入價值。

綜上所述，唯有將AI視為一項長期的數位基礎工程，而非短期創新專案，逐步累積資料治理能力及調整組織流程，金融AI方能真正走出PoC階段，成為支撐金融機構長期競爭力的基礎設施。

圖1：金融AI應用三大挑戰及三項衡量指標
圖片來源：本文作者繪製整理

封面圖片來源：本文作者自行繪製（輔以ChatGPT生成圖片）

參考資料來源：

1.Industries in the Intelligent Age White Paper Series─Artificial Intelligence in Financial Services (January 2025) - WEF https://reports.weforum.org/docs/WEF_Artificial_Intelligence_in_Financial_Services_2025.pdf

2.金管會新聞稿─金管會公布金融業應用人工智慧(AI)調查結果 https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202505200001&dtable=News

3.Gartner Says Nearly Half of CIOs Are Planning to Deploy Artificial Intelligence - Gartner https://www.gartner.com/en/newsroom/press-releases/2018-02-13-gartner-says-nearly-half-of-cios-are-planning-to-deploy-artificial-intelligence?utm_source=chatgpt.com

4.Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025 - Gartner https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025