Skip to content
PodSubs
ShowsPeopleGuestsJobsNewsEvents
More
BlogPodCred
Menu
ShowsPeopleGuestsJobsNewsEventsBlogPodCredNetworksSign in
Join nowSign in
  • Shows
  • People
  • Jobs
  • News
  • More
    • Guests
    • Events
    • Blog
    • PodCred
    • Networks
    Join nowSign in

馬克解讀金融科技 - MarkReadFintech

馬克解讀金融科技 - MarkReadFintech artwork

EP49.【知識深談】從前端客服到後台自動化:代理式 AI 重塑銀行的底層防線

Apr 15, 202640 minAudio

這一集,Mark 和 Debbie 要帶大家看見金融業客服的全新革命:AI 不再只是回覆罐頭訊息的聊天機器人,而是進化成能幫你比對利率、自動跑完轉貸流程的「代理式 AI」 !當 Klarna 靠 AI 助手處理了三分之二的客戶對話、工作量相當於 700 名客服人員並創下效率神話時,為何又在幾個月後悄悄重新聘用人類員工 ?當 AI 遇到客戶的財務焦慮與激烈情緒,我們正面臨著技術效率與人類「同理心」的劇烈拉扯 。 這不僅僅是工具的升級,更是一場信任與技術的深度博弈。我們將深入拆解支撐這場革命的底層架構:讓敏感數據絕不離開銀行防火牆的 SLM(小型語言模型)、致力於消滅幻覺的 RAG(檢索增強生成)技術,以及金融業獨特的分層隱私架構 。我們也會帶你看看富國銀行如何創下 2.45 億次互動「零事故」的驚人紀錄,以及星展銀行如何透過「軟升級」讓客戶無痛接軌 。 AI 代理的下一個戰場在哪裡 ?除了文字,我們將探討語音 AI 面臨的延遲挑戰與「被動語音生物識別」防禦戰,並解析 FINRA 最新監管框架下的 KYA 協議與不可篡改的審計軌跡要求 。台灣的銀行業又將在何時迎來這場轉型 ?想掌握金融客服全面 AI 化的未來佈局,這集絕對不能錯過! 本集重點 02:36 只是神話的神話故事?Klarna 遇上 AI 代理的反噬 09:02 用對AI的金融機構?富國與星展銀行面對AI代理進入金融業 14:09 深度與廣度的抉擇?兩大AI客服供應類型大拆解 17:56 為什麼AI代理現在才落地?三大關鍵技術 29:33 能夠安全嗎?監管環境結構性的收緊 33:09 AI代理在金融業客服端的應用,大約何時會在台灣普及? ▸除了podcast,也歡迎在其他平台關注 #馬克解讀金融科技 IG:https://www.instagram.com/markreadfintech(@markreadfintech) Portaly:https://portaly.cc/markreadfintech This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit www.markreadfintech.com

Audio and video play straight from the show's own hosting. PodSubs stores and serves no media.

Transcript

From the show. Tap a time to play from there.

用科技改变金融生活走在金融浪潮最前端大家好,这里是马克解读金融科技一个专注于金融创新的创业者希望透过文字与声音让大家知道科技正一步一步地改变我们的生活欢迎回到马克解读金融科技我是主持人Mark我是主持人Debbie

上一集我们探讨了华尔街不打烊的时代来临纽交所的母公司洲际交易所开发基于区块链的代币化证券平台它目标可以实现每股7天24小时的交易跟T加零的及时结算我们深入探讨了分析为什么传统股市过去必须休眠从流通性的聚合理论到T加一的结算的物理限制以至区块链跟稳定比如何突破这些瓶颈 也聊到Blocking這個先行者如何逼倒扭交所來主動出擊以及權利後交易帶來的流動性風險跟監管挑戰如果你想了解華爾街200年以來最大的規則改寫歡迎回到上一集去收聽好的在今年年初也就是第46集的時候我們跟大家談了四個2026年的趨勢代理式AI當然是榜上有名馬上我們就要來讓大家看一下代理式AI它是怎麼應用的

相信大家一定有遇過就是你的銀行客服不是真人的回覆而是AI智慧客服在幫你初步處理你遇到的金融服務困難不過只談到這邊當然就不夠了我們來模擬一下當今天一位消費者他在手機上打開銀行的APP用語音問了一句我想要把房貸轉貸到利率更低的方案請幫我看看要怎麼做三年前這句話可能會觸發一個罐頭式的回覆就是請撥打客服專線我們的貸款專員將會為您服務

但是现在呢AI助理会自动拉取他的贷款约额信用评分还款记录来比对当前市场利率列出三个可行方案并且在对话中直接引导他完成线上申请有这样子的机制之后呢整个流程不到30分钟过去至少可能要三到五个工作天哦

SPEAKER_00David所說的這個場景已經在美國的Rocky Mortgage這個客戶端來實現背後使用的是矽谷的形狀Sierra AI代理平台它代表了一個正在金融業擴散的一個結構性的變化客服AI從回答問題的一個機器人他升級可以替你完成任務的一個代理人是的今天的節目我們要來跟大家仔細聊聊AI代理在進入金融業客戶服務端的趨勢這當中的利益跟弊端 我觉得我们可以从一个Klarna的故事来跟各位听众谈起好的Klarna它是一个瑞典一家先买后服的巨头它在2024年年初呢它就宣布AI驻手上线的第一个月成绩它处理了230万次的一个客户的对话它占它的总量的三分之二那这个工作量其实就等于700个全职力客服的人员它平均的解决时间呢从11分钟缩短到2分钟

还预计全年可以增加4000万美元的利润到了2025年的第一季Colorna人均的营送就成长了152%这些数字让它可以成为全球金融业AI转型的一个比较标杆的案例然后这个消息就被各大的财经媒体反复的引诱他们执行长也多次的公开表示公司就已经停止了招聘所谓的客服人员未来的方向就是全面的AI化 是的聽起來很像神話故事但其實他就是AI代理在金融客戶服務團的一大家音但是呢其實這個故事在2025年中有一些小轉折喔Klarna她悄悄解除了客服職位的招聘凍結開始重新僱用人類員工欸她聽起來很像在走回頭路為什麼呢因為AI模型在處理需要情感判斷的客訴中她表現很掙扎

SPEAKER_01當今天客戶因為帳單的爭議然後情緒很激動或是遇到涉及個人財務困境的複雜狀況AI 的回應雖然在技術上是正確的可是它缺乏了讓顧客感到被理解這樣的能力一位金融科技分析師將這種現象命名為Millian Vanilli 的效應典故就來自於 1990 年代那個被揭發假唱的流行樂團當品牌用數位仿製品來代替真人的互動 如果沒辦法滿足期望消費者的反感就會比未從使用過AI來更加強烈MIT的研究團隊在2025年提出了Epoch的框架歸納出AI目前無法複製的五種人類特質那就是同理心、存在感、觀點與判斷、創造力、希望

SPEAKER_00在遺產規劃、債務危機、重大投資決策這類場景中客戶需要的是基於倫理跟情感判斷的一個建議機率的一個運算是無法替代的RFI Global的調查數據讓這個問題更加具體只有大概17%的美國家庭對銀行使用ANN感到非常的舒適 有22%的人是完全拒絕這種服務的也就是說金融業這個以信任為基礎的行業中有超過1%的客戶都明確地表達對於AI的抗拒是

如果我們從Klarna的故事中就可以發現AI代理導入金融客戶服務即使效率數字再漂亮但是如果客戶在關鍵的時刻他覺得他自己在跟一個不懂人情的機器說話品牌累積的信任就會在一次糟糕的互動當中被消耗殆盡

SPEAKER_01換句話說 AI 代理在金融業掀起一場革命他正在狂奔但是也同時在剎車今天的節目第一個部分我們就先來跟大家聊一聊從聊天機器人到 AI 代理的神話以及支撐起這場趨勢的背後技術第二部分我們就進一步來看 AI 代理的鏡頭跟發展的趨勢還有相應而來的監管海嘯我們就一次把 AI 代理在金融業客戶服務端掀起的革命方方面面的看清楚吧

AI代理在金融业客服的服务端创造神话它其实不是一种口说无拼2024年全球AI客服市场的规模是120亿美元金融业是导入速度最快的行业之一约有60%的一个银行跟保险公司它已经在某个程度上都使用这种生成式的AI那我们讲的创业创新公司它的估值的膨胀速度也是非常非常惊人像2023年成立了一个新创叫 他是专门专注AI客服代理的一个语音机器人他在2024年的估值是15亿在2026年他再融资2.5亿就跳升到45亿美根斯尼的研究更进一步的量化这个经济的驱动力在收入增长放缓的环境下银行就必须透过提高劳动生产率来维持股东的回报

那在将日常任务委派给所谓的AI系统后啊软理开发跟后台营运等领域的一个生产力的提升幅度就高达40%这让AI客服呢变成从nice to have变成must

SPEAKER_01have其实金融客户服务也并不是说从全人力转向AI代理在这个时间点它是从传统聊天机器人转向代理式AI的运用中间这还有一个传统聊天机器人的阶段啦 它的差别在于说处理同一个问题的方式不同假设客户询问我想要做一笔国际汇款传统机器人的反应是提供步骤说明把流程以条列的方式呈现顶多附上一个连结来导向汇款的页面可是代理事AI的做法就完全不同了它会验证收款人的账户资讯对照反洗钱规则检查交易风险执行转账的操作并在APP、简讯跟email三个管道同步更新状态

是的,Denoy在2025年年底发布的一个金农业AI报告中指出这种转变的技术基础是大型语言模型与工具使用的架构结合LLM负责理解语义跟推理工具使用的架构能让AI能够及时调用核心的营养系统外部的API跟资料库完成了从查询到交易的完整流程 那我们讲了两代的系统就是机器人跟AI它的查印其实可以从五个维度来看逻辑基础是从脚本的规则变成它自主的推理那任务的复杂从单一的查询像是查余的这种变成多步骤的一个工作流比如说像刚才讲的防态的申请的审批那数据的整合它可能从静态的FAQ变成即时的存取产出的焦点从资讯的传递变成交易的执行

学习模式从人工重新训练变成持续的一个自我修正好听到这边各位听众还记得节目一开始我们谈的案例Klarna吗Klarna他确实跟上了趋势但在某种程度当中他也对市场展示了做过头会产生什么样的负面效应不过Mark我想市场上应该有把AI客服做好做对的金融业公司吧 好啊,这里我们就举两个案例首先就是美国富国Fargo银行它创造出2.45亿互动零事故的成绩哇,这个数据之所以重要就是因为AI代理在金融业的运用绝对是难以包容差错的这个也是它能不能普及的一个关键议题那富国银行它零事故的数字它本身其实是非常让人家惊讶的但更值得注意的是另一项记录

富国银行缔造了零敏感资料外泄给模型的一个事件也从未发生需要人工紧急介入一个重大幻觉事故那他应该可以说是完美解决AI代理的痛点吧那所以富国银行是用什么技术来扳到这一切呢?其实就是一套严谨的一个分层隐私架构当用户用语音发出需求的时候系统就先由本地的语音辨识将语音转换成文字 接下來它會有一個小型語言模型就是我們通常會稱為SLM在銀行內部的環境中過濾所有個人識別資訊包括帳號、身份證字號、地址等等等它過濾完全後立民化的文字才會發給所謂後端的雲端的大語言模型來解釋意圖並深層回覆整個過程雲端的LLM從未接觸到任何客戶的敏感數據

所以这套的架构解决了金融业导入AI最核心的矛盾LLM的能力是需要云端算益的支撑但银行的客户的资料不能离开安全的边界富国银行的做法就是让SLM担任守门员在资料离开银行的防火墙之前他完成所谓的机密性资料的脱名在2024年富国银行的使用量就超出原本规划的一倍 當然他西班牙的一個用戶也快速成長相較之下花錢銀行等同業他們當時能對於所謂的這種語言模型直接面對客戶的他是持有非常保留的態度復國銀行他就用實際的一個營運的數據來證明透過完善的一個模型的編排跟控管讓大規模的AI客戶可以在安全跟效率之間取得平衡

好听起来富国银行是以技术导向来化解风险打造最安全的传输链解决资料安全跟云端算力的矛盾那么另外一个案例呢另外一个案例呢我想要提的是新加坡的一个新展银行他们选择的是另外一条风险比较低的一个转型路线那DBS

SPEAKER_00JOIN呢它最初是在2018年就上线了它是一个标准的规则式的一个聊天机器它就是靠我们知道就是一些关键词的匹配啊跟决策数的运作 在2024年起新早上4点将深层式的AI揭入所谓的Joy的后端2025年11月就全面上线升级后全年无休为4000多家企业客户提供咨询不到一年就处理超过12万对话客户的满意度提高了23%

所以星展的做法是沿用原有的品牌跟管道包括所谓的他们常用的画质APP的界面在背后换上了深层式的AI运行客户的使用习惯他是不需要改变的不过他的对话品质就大幅提升但是当他遇到复杂的需求时救援就会顺畅的衔接到专属的客服经理而不是硬撑的去回答 這種比較偏向軟申請的策略對亞洲銀行特別就是蠻有參考價值它避免大霸造式的系統更換風險也不需要說我到底在外面裁了多少客服人員這種容易引發負面感官的訊息就雖然他已經率先在新加坡推出計劃陸續擴展到香港跟印度

换句话说星展是用户岛上让用户无痛升级现有习惯也降低系统大改代的风险跟负面的观感听到这边我们不难发现底层技术本身正决定了AI服务的模样银行在提供相关服务时它会去跟AI客服供应商合作这样的工作模式应该不太难理解那理所当然的不同选择带来不同优势银行在选择的时候会面临一个根本性的抉择 到底是要选深跟金融的专家还是功能覆盖面更广的企业及平台呢?所以究竟是要金融专业深度跟零融错安全来巩固信任度还是要全企业功能广度跟营运效率来利于全球系银行的跨部门整合呢?这个其实是一个深度跟广度的结合

生根金融的一个专用型的供应商它的优势在于它的模型是针对所谓金融场景去训练的它可以懂金融术语能够跟银行核心的系统去做深入的整合它的幻觉风险也比较低但是它缺点就是它的功能的范围是比较窄的那企业级平台的优势它就刚好相反它的功能覆盖是非常广的跨广道的整合能力也强 而且通常比较成熟的语音跟电话处理方案不过缺点就是它不是专门为银行所打造的在合固的细节跟金融知识上它未必能做到像专用型的供应商这么样的精准那我们这边先来谈谈所谓的专用型的代表Polish

SPEAKER_00AI它是一个代表性的公司它市场定位是非常明确它是为美国的信用合作社跟社区银行来提供AI客服 这些银行他们通常缺乏与大型银行抗衡的一个研发的预算但同样面临会员对数位化的一个期待所以他们就不得想要找解决方案Approach AI它的核心优势在于它的模型它经过所谓的金融术语跟场景的一个预训练它减少了很多换取的风险而且它能够与信用合作社的核心跟银行的系统来做一个深度的一个结合

對於這些資源有限沒辦法自行為一條大型模型的小型機構這種開箱即用的方案可以節省大量的前期工程我們再來談談所謂的企業級平台的案例這裡就不得提我們剛才的Sierra這個新的公司它的商業模式是按結果付費傳統的AI客服是按對話次數或是月費來收費 Sierra它的模式是只有当AI完全独立解决客户的问题它无需转接冷购的时候它才向企业收费这个定价逻辑对预算审核非常严格的金融易亚其实非常有吸引力因为它将供应上的利益跟客户实际的成效是绑在一起的Sierra声称超过半数的客户的营收超过11亿美元

SPEAKER_00以在金融業拿下所謂指標性的案例像我們剛才提的Rocky Mortgage就是用Sierra將貸款再融資的流程從數日壓縮到30分鐘那企業信用卡公司RAMP用Sierra處理了90%客服聊天的需求完全不需要人工介入 然而呢Sierra在处理复杂的一个转接打入的电话跟所谓的互动式语音的应答的整合的方面它成熟度其实没有像传统的联络中心的供应商这么样成熟所以如果银行希望将AI拓展到IT、HR或是财务后台那Sierra的一个功能深度就不太够了

是的无论是富国银行或是新展银行的案例还是谈不同AI供应商的优缺点相信各位听众都可以很轻易的理解到金融业对AI的要求是比其他行业更严格的为什么因为他答案一定要正确数据一定要安全回应一定要很快速决策必须要可以追溯所以呢其实很难有一间公司或是一个供应商去全面满足 节目的下一个部分我们要进一步探究哪些关键的技术支撑了这个AI代理进入金融业客户服务端这个新趋势以及AI代理在金融业客户服务的尽头跟发展的趋势就一起听下去吧AI针对金融场景的技术方案其实主要有三个那第一个就我们刚才有提到的小型语言模型SLM

那SRN它的参数呢它是远小于大家所知道像QRGBT啊GIMALA啊这种旗舰大模型它可以在银行自己的伺服器上运行啊那敏感的一个客户资料啊就永远不需要离开机构的防火墙除此而外呢SRN在金融的场景中的优势还蛮明确的第一个呢就是低延迟支付验证啊跟及时诈欺检测需要毫秒级的回应那原端的大模型的网络啊它往返可能时间就没办法满足这个需求 第二是數據主權GDPR跟各國數據的駐留規定跟要求的敏感資料留在特定定義的範圍內其實蠻嚴格的本地部署的SLRN天然合規就可以滿足他們的需求第三就是成本比較低這種小型模型訓練跟推理的成本僅為大型模型就是小小一點所以對於那些需要大規模部署的銀行而言可以每年省下數百萬美元

当然这种小型模型它也是有蛮明显的限制比如说在需要广泛世界知识或是复杂的推移场景中小型模型的表现就不如大模型好咯因此主流的做法就是做所谓的任务性质的分配比如说像高频跟低复杂涉及敏感数据的任务就交给这些小模型低频高复杂度而且已经完成了所谓脱明的任务就交给云端的语言模型所以就刚刚我们讲的复国银行就是做这种分层再用小型模型在前端 在大型模型裡面原端的就用在後端推理這種大小模型的混合部署一個思路的一個代表再來是讓AI回答有據可查的檢索增強生成RAG是目前金融業降低AI幻覺最廣泛採用的技術方法它的原理就是在LLM生成回答之前先從銀行內部經過驗證的知識庫當中檢索相關資料讓模型以檢索到的內容作為基礎去回答而不是說它憑著訓練時的記憶去猜測

SPEAKER_01在客服對話當中 RAC 的運作方式是這樣的假設說客戶問說我的信用卡海外交易手續費是多少系統就先從產品文件資料庫中檢索該用戶持有的卡別所對應的費率表然後呢把這段文字塞入語言模型的上下文那語言模型再根據生成自然語言回覆它回答的每一個數字都會有明確的文件來源來供事後的追溯 金融領域實施REC有一個特殊的技術挑戰就是權限感知例如說如果AI為了回答一個普通員工的問題然後檢索到了高階主管的信用報告或是未公開的財務數據這個就會構成災難性的資料外洩所以現代金融REC的架構必須在數據層實施嚴格的存取控管列表來確保AI他只能看到當前使用者有權限所看到的資料

SPEAKER_01像Microsoft Fabric这样的平台就已经将这种权限控制去内建在资料架构当中最后一个关键技术是幻觉管理即便有RAG幻觉的风险仍然无法完全的归零MIT在2025年的一篇论文就分析了许多金融问答场景中LM的表现发现幻觉率从3%到27%不等 取决于问题的复杂度跟模型训练数据的覆盖程度那么在金融业这种零容错的一个环境中即便有3%的幻觉也可能代表每天数千次一个错误的回复所以为了进一步压低风险其实这个行业界发展出蛮多的一个防护线第一个就我们刚才讲的REC让回答有据可查第二个是结果验证

AI回答生成后系统自动将内容跟一致的事实来做比对它可以标记可疑之处来供人工的复合第三层就是多模型的一个共识机子让所谓的GPT、Cloud、Gemini等不同的LN同时回答同一个问题就当答案一致的时候才输出给客户第四层是NemoGargers等工具在输出前进行事实查核确保回答有明确的一个证据支持

是的,其實在這些技術之下風險是幾乎沒有而不是完全沒有這個正是人機協作仍然必要的原因所以說現在目前的共識啦是說AI處理低線的互動但涉及金額重大、合規敏感或是客戶情緒激動的案件系統就必須設定明確的轉接標準把對話去交給人類客服好,談到這邊我想要問Mark目前聽起來這些技術都不是難度很高的技術關鍵在於機制的設計

SPEAKER_01那么为什么2022年AI爆发然后2025年我们谈年度趋势谈到代理式AI但一直要到现在你才要来谈代理式AI在金融业客户服务端的应用呢好 这是一个很好的问题所以说为什么今天才想要讨论这个东西其实我们可以从两个层面来看一个是技术面一个是市场的接手度我们先讲技术面在2022年的年底确计T爆发的时候大家看到的深层式AI是说它可以聊天这件事情 很厉害没有错但那个阶段的技术离金融业的要求差非常远因为金融业要求不是只能聊天它必须你能够接上核心的银行系统能够及时调资料能够及时做一个交易而且过程是完全不能出错也完全不能泄露客户的资料

SPEAKER_00这些能力呢就是所谓需要的工具使用的一个架构就是Tool Use那Rug呢小型模型的这些技术的一个成熟加上去才有办法而这些东西呢必须大概在2024年下半年才慢慢的一步一步开始到位所以Deloy的报告也提到啊大概要等到2027年了才会有一半使用甚至是AI的CE啊真正部署代理式AI的一个试点所以你可以看到可以从能聊天到可以能办事啊 它其實間隔了大概三年的一個工程落地期再來就是所謂的市場接受度2023年2024年的時候大部分銀行對於LN直接面對客戶是相對非常保守的像是花旗銀行都還在觀望為什麼呢?是因為金融業是一個出錯成本極高的行業

你跟客户讲错一个利率算错一笔手续费那你亲的可能就是客数你重点就是被这种金管位罚所以即使我们技术上做得到银行的风控部门合规部门他其实也不敢放心所以真正让产业开始动起来的转折点像是复国的发国还用分层的架构跑出我刚才讲了2.45亿是都没有事故的这种成绩单之后其他项就是所谓跟着做人他会觉得说原来在这种严格的框架底下这个事情就是可以做的 所以我会说2025年它其实就是有点像概念年2026年它是一个落地的一个年份那Accenture最近一份报告呢也用类似的说法它觉得呢2026年呢会是代理式AI在机动业创造规模化转型的一年所以我才会说我在时间点要来讲这件事情是因为我觉得现在有足够的一个实战的案例有成熟的一个技术方案也有像FINRA这样的一个监管框架开始形成的时候我们才能够把这个趋势呢说得比较清楚

SPEAKER_01是的 不过其实我们刚刚所提到的文字客服文字聊天它是AI客服的一半而已我们要进一步来看这场革命的镜头或是说趋势对金融业而言电话仍然是重要的客服管道之一全球金融业每年在联系中心外包上的支出是超过1000亿美元的这个占全球外包市场的25%语音AI如果能分担其中一个哪怕只是一小部分那么它结算的成本就会以10亿美元来计算哦 好那我們現在講另外一個議題AI代理在金融業客戶服務的可接鏡頭其實就是語音AI目前語音AI在金融業場景中他就面臨了一個蠻嚴苛的一個工程挑戰那就是延遲在電話的對話中任何超過幾百毫秒的沉默都會讓客戶覺得你是不是卡住了你是不是聽不到我的聲音他會破壞整個對話的智能感

人类之间的正常对话轮替的间隔大概是200到500毫秒那如果AI的回应超过800毫秒那你可能客户就会觉得我对你的信任度就降降很多对不过好像其实是在2025年就是领先的一些语音的AI平台像Retail

SPEAKER_00AIPoly AI等等 它已经透过原生多模态的模型直接处理语音输入而不是预生转入为文字再处理所以它就可以把这种的延迟压到在800毫秒以下这个数字离客户完全忘记对方是AI了其实还有一点差距但是已经达到实用门槛是的不过要留意的是语音AI确实带来便利却是新的安全漏洞犯罪者正利用生成式AI做语音复制也就是透过声维技术 他只需要几秒钟的音频样本就可以伪造客户的声音透过传统的电话做身份验证这个攻击呢也被称为Vishing金融业呢就是首要的目标目前银行的防御策略是部署被动语音生物辨识技术与传统做法要求客户念出特定密码的短语是不一样的

被動識別會在通話的前幾秒鐘在後台自動完成驗證用戶整個過程是完全無感的那麼這個被動語音生物辨識技術它分析的不只是聲紋還包括說話的節奏、微微的顫抖還有目前技術難以合成的生物特徵反炸器系統同時加入了專門檢測合成語音痕跡的反欺騙演算法這樣子就形成了雙重的防線

SPEAKER_01所以綜合上面所說語音生物辨識市場正在快速的成長Fortune Business Insights的報告也預估它的規模將會在2034年以前都持續擴大那麼我們再回頭來講對銀行而言這個趨勢的意義它是一個投資而且邏輯很直接如果語音AI成為客服的主要入口那麼保護這個入口不被偽造的聲音攻破它其實就只是基礎建設等級的需求 从AI代理的文字客服到语音客服啊其实它的冲击目标是全通路的一个转换我们用比较简单的说法就是啊现代客户啊他期望的是在电话啦App啦网站或者是我们讲LINE之间啊无缝的一个切换每次切换后啊他不需要重复把自己的问题是什么再跟你讲一次所以这个全通路的愿景听起来也蛮简单的但实物上他其实是非常复杂的

SPEAKER_00目前它的做法就是让一个统一的AI大脑支撑所有的管道像我们刚才谈的AI的供应商专家型的Posh AI提供的就是这种单一AI隐形多管道一个输出的价格 能确保语音、网站、确霸或是App里面搜寻给出来的答案是前后一致的而全面型的供应商Sierra的愿景也蛮类似的它让AI带你成为企业跟客户互动的一个主要界面文化简讯、电话、各种即时通讯的一个平台保持对话上下文的一个记忆跟个性滑一个推荐

所以我们再往更远的一个想象就是客户可以直接在所谓像我们的一些看到的智慧音箱或是车载系统当中向银行的AI询问或是办理业务但要实现这一步银行需要将自驾服务能够被像是Astra、Siri跟TrackGPT这种外部的AI平台安全的存取这个就涉及了标准化的一个API的界界以及严格的一个授权跟数据隔离的机制 當然這也讓監管的議題就越來越重要了金融業AI克服的發展再快最終都得在監管的框架內運行那從2025年到2026年間監管環境其實也出現了蠻明顯的結構性的收緊我們可以從FinRAR2026年的報告來看這份報告讓GenAI首度被列為受監管的一個技術它要求會員機構滿足與關係系統同等的一個合規的嚴謹性

报告的核心它要求包括确保模型输出的准确性跟可靠性建立专门的政策来辨识并缓解AI的偏见跟不实的风险对AI的模型进行隐私跟安全性的一个严格测试以及对第三方AI工艺商可以加强审核Findler的立场代表监管机构的一个态度转变它从原本的观察进入了一个主动式的监管

SPEAKER_00對銀行而言這意味著AI curve的上限流程變得像是傳統系統變跟管理流程是很類似的它也需要完整的測試報告風險評估以及持續性的監控機制而從FINRA報告跟其他的監管動態當中我們可以歸納出三個正在成形的合規性要求第一個就是設計可解釋性對於拒絕貸款申請或是標記帳戶印償等高風險的決策AI必須要提供人類可讀的理由 換句話說就是它不能只展現它所計算的機率或是分配的權重這些都沒有辦法解釋它是為什麼做出判斷原因的監管機構不接受黑箱評分作為決策的依據這對技術架構的影響是非常直接的因為銀行需要在AI

SPEAKER_01系統中內建解釋模組進入模型在每個決策節點的推理路徑 第二是不可篡改的一个审计的轨迹代理是AI的每一个自主行动查询资料库、计算利率、执行交易它都必须被记录在不可篡改的一个日子中部分的机构已经开始探索用区块链的技术建立严重性的决策的谱系以备监管的审查第三个就是认识你的代理Kya协议它类似于银行对客户执行的KyC就是Kya的流程

KYA要求金融機構對部署的AI代理進行身份認證限制代理只能在預批准的參數範圍內移轉資金、存取資料和做出決策如果AI代理的行為超出預測的邊界系統就必須自動中斷並且通知人類的監督者其實監管機構的初衷很簡單它就是希望AI在金融業的應用是透明的、可以追溯的、有邊界的 銀行如果在合規架構上走捷徑後續監管成本可能就會高於前期的投入當然目前也有具體的技術標準來參與監管模型上下文協議MCP正被視為金融機構安全連接自身資料庫和外部的LLM的重要基礎設施

透過這個模型上下文 MCP 協議銀行可以像是調用 API 一樣讓語言模型在獲得明確授權並且資料隔離的前提下來存取客戶帳戶資訊來回答高度個人化的查詢這個 MCP

SPEAKER_01協議的價值就在於它定義了一套標準化的資料交換規範讓不同的語言模型供應商都可以用統一的方式跟銀行系統對接同時讓銀行保留對資料存取的完全控制權 這個概念其實還在早期的發展階段但是它已經被多家金融科技公司跟雲端平台列入了2026年的產品路線圖好的,節目的第二個部分我們談了AI代理在金融業客輔端的趨勢也談了目前的監管發展最後我就想要問Mark一個問題按照你的觀察AI代理在金融業客輔端的應用大約是何時或者是說要經歷哪一些階段才會在台灣普及呢?

现在台湾的消费者啊其实对目前这件事情的发展可能还是比较无感的是你目前打去银行的客服啊大部分的AI有些银行做的比较好对都是还是那种传统的聊天型的机器人你就问他问题他就给你答案解答或者点一个选单反正你选错了就不断的绕圈圈或是你就直接要转人力真人的一个客服 所以离我们今天谈的这种代理式的AI就是打过去还帮你查比例率然后帮你跑流程等等其实还蛮有蛮大的距离的但我觉得这件事情如果发展下来其实对台湾的影响它是不能低估的尤其是对于人力的冲击台湾的银行业是一个蛮高度仰赖人力的行业光是客服、电话行销、李庄后勤资源这种环节

其实养了非常弱的人可是当大理事的AI真的成熟到可以处理七八成的一个客服互动的时候对这些岗位的原本的人其实他就会有很直接的压力但我不是说这种银行就会说明天我要采50%的客服能力我就不会可能就是未来三到五年的时候那整个银行的人力结构尤其是这一块他就会有一个蛮大的一个调整所以我觉得这个是大家可以预期到的冲击 而第二个原因就是成本结构那目前台湾的银行算一算可能觉得现阶段可能维持人力还是比较划算的因为我们台湾相对是人力比较高品质又价格不错所以它导入一个代理式的AI可能现在还是蛮贵的而且你要非常高精准度又不能有所谓的幻觉然后你要回答非常好可能就不是买一套软体就好你还要揭露所谓的核心的银行系统你要做资料脱名建RAG知识库合规审查

所以我觉得对于一些中小型的银行来讲这个是一个蛮大的负担所以他们现在要做这件事情或是前期就要布局了他的揭入点可能就比较难所以他可能比较采取的方案就是那就是等这个产品或服务的价格开始下降或是其他有一些比较成熟的方案开始出来才会揭入所以你要全面普及可能会需要一点时间是所以我觉得台湾的转型他一定是渐进式的就不会像我刚才讲的就明天然后就坎克服 那监管会呢其实也在2024年的6月就发布所谓金融业的运动AI指引那虽然这是一个行政指导那还没有一个法律的强制力但其实他的六大核心原则就已经把治理公平性隐私保护可解释性这些框架就跟我们刚才讲的其实都建立起来了这代表监管呢他的态度他是虽然他开放但他非常谨慎他留给了银行工具去试但是他还是有一定的框架限制在这边如果你要估个时间点我大概觉得可能还是要到三年左右也就是说

2028年到2029年这个前后台湾的主要银行就会开始让代理士的AI上线去面对客户所以它不会是一个营业式的巨变而是你会慢慢发现你银行的App里面客服好像变聪明了他处理事情越来越多了你转真人的频率越来越低他会觉得他处理的比真人还要好等你有一天开始觉得说我好像很久没有跟真人客服讲过话那个时候你才会发现好这件事已经发生了 是的那到节目的尾声Mark有什么想要跟各位听众总结的吗我们可能现在大家都在说AI克服的技术有多厉害我们刚才也讲很多什么取代多少人力然后讲话很精准所以我觉得真正决定胜负的它可能不是一个技术的问题就是我们回来问每一个人你敢让AI帮你做这件事情做到什么程度

所以像我们刚才案例我们刚才讲Clara他就敢让AI直接取代700人结果他就撞上了其实消费者根本就不想要跟没有同理性的机器谈钱或是谈升级等等所以他就慢慢的只能把人给招回来像复古他就比较保守他就只有用脱敏的技术用两层的架构他就建立了一个比较好的客户资料安全的防线然后他也应用的比较好

SPEAKER_00虽然他缴出了一个零事故的成绩单但这里就是一个反直觉的一个逻辑就是在金融业里面AI客服做的最好的架构往往就是那种那些对于AI最不幸的机构他做出来的 正因为他们不信任所以他们设计了很多防线、分层架构、人机协助的集资反而让AI在严格的框架里面发挥了最大的价值最后就是当AI成为客户跟银行之间的主要界面谁拥有这个界面谁就掌握了客户的关系

如果呢银行把AI客服呢就你完全外包你可能没有能力自己建置嘛你就外包给这些供应商但有一天会不会发现其实客户对于那个很懂我的AI助理的忠诚度比对银行匹排还要高是这跟银行过去就是可能就把支付入口让给其他像Apple

SPEAKER_00Pay啊Google

SPEAKER_01Pay这种逻辑很像就是你技术层的控制权一旦看出去你要要回来的成本就会非常高是的而我觉得我会想关注的地方是有五分之一的美国消费者完全拒绝银行使用AI Mark你觉得这个比例在未来几年会上升还是下降我觉得这里会取决一件事情就是银行是否可以把AI藏得足够好在整个体验背后让客户根本就不用去想说我是在跟人还是跟机器说话这可能才是金融AI客服的最终形态最好的AI是当你感觉不到它存在的AI是的大家未来在串联进入金融服务的客服的时候你可以稍微留意一下还是传统的聊天机器人吗还是有了哪些改变了呢

那麼今天的節目就差不多到這邊各位聽眾如果對於內容有任何想法與問題歡迎到Instagram搜尋馬克解讀金融科技留言告訴我們如果喜歡我們的Podcast歡迎按讚分享用科技改變金融生活走在金融浪潮最前端我是Debbie我是Mark這裡是馬克解讀金融科技我們下次見

Open the transcript file

Hosts and Guests

Nobody is credited on this episode yet.

Credit the people on this episode

Be the first to rate this episode

More episodes

All episodes
  1. EP55.【知識深談】國會立法才喊卡,SEC 隔天就放行?拆解 CLARITY 法案的參院挫敗與加密監管雙軌時代

    Oct 28, 202648 minAudio

    這一集,Mark 和 Debbie 要從美國參議院九月的一場關鍵表決出發,帶大家認識牽動幣圈的監管大戲:CLARITY 法案。過去美國缺乏加密專法,業者長年困在 SEC「不先訂規則、直接上法庭告你」的執法代監管陰影下。這部法案如何破局?關鍵在於劃清 SEC 與 CFTC 的管轄界線:早期發幣募資由 SEC 盯團隊,進入二級市場的現貨買賣則交給 CFTC 管交易所,補上代幣從「出生」到「流通」的制度缺口。...

    Credit the people on this episode

  2. EP54.【知識深談】颱風還沒走,理賠金就到帳?拆解參數型保險的速度革命與基差風險

    Sep 16, 202644 minAudio

    這一集,Mark 和 Debbie 要從颱風季的旅行焦慮出發,帶大家認識一種改變理賠邏輯的金融創新:參數型保險。想像風災過後,電廠還在清點設備損失,一筆應急金卻已經先到帳,讓業者能支付薪資、清理現場、安排緊急修復。它如何做到?關鍵在於事先約定風速、雨量、地震強度或航班延誤時數等客觀指標,當條件達到門檻,就依契約啟動給付,補上「損失還沒算清楚,現金卻已經不夠用」的時間差...

    Credit the people on this episode

  3. EP53.【知識深談】台灣加密監理新紀元:《虛擬資產服務法》三讀通過,會把產業帶去哪?

    Aug 19, 202653 minAudio

    這一集,Mark 和 Debbie 要深入剖析台灣虛擬資產產業的歷史性分水嶺 , 首部專法《虛擬資產服務法》的三讀通過!宣告台灣正式告別低門檻的「洗錢防制登記制」,跨入高規格的「特許許可制」監理新紀元。 從過去交易所的野蠻生長,到合規成本篩選下僅存的少數合規業者,這部專法不只管交易所,更全面納管交換、移轉、保管、承銷到借貸等整條服務鏈。節目中我們將拆解這場體制升級的背後動機:金管會如何踩油門推動產業合規、銀行保管試辦與 RWA...

    Credit the people on this episode

  4. EP52.【知識深談】莫名收到微額匯款?拆解「警示帳戶」連坐風暴與 AI 防詐誤鎖危機

    Jul 15, 202645 minAudio

    這一集,Mark 和 Debbie...

    Credit the people on this episode

  5. EP51.【知識深談】從迷因股到金融超級App:Robinhood 挑戰華爾街的代幣化佈局

    Jun 17, 202649 minAudio

    這一集,Mark 和 Debbie 要帶大家見證一家「散戶叛軍」的終極逆襲:Robinhood。十年前,它靠著「零手續費」敲開美股大門,被華爾街嘲笑為投機的「迷因股券商」 ;十年後的 2026 年,它卻搖身一變,成為擁有 420 萬訂閱戶 、正面對決 Fidelity 與 Schwab 等傳統巨頭的金融超級 App 。這不只是產品介面的更新,而是一場試圖從起跑點重寫券商與用戶終身關係的「生命週期壟斷」之戰 。...

    Credit the people on this episode