從 Fubon+ 整合銀行、保險與證券服務，到以 AI 理解客戶、提供個人化建議，台北富邦銀行深化金融服務與客戶連結，並將治理提升至總經理層級，全行共同推動資料與 AI 治理。
採訪／林振輝、施鑫澤 文／鄭宜芬
AI 導入不只牽動客戶服務，也涉及資料治理、模型選擇、流程調整、AI 治理與人才培訓。台北富邦銀行從實際業務與流程痛點出發，採取開放的多模型策略，透過 POC 與專案管理機制持續驗證，再逐步建立支撐 AI 應用的全行資料與治理機制。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
AI 重塑數位金融 從交易走向理解與決策
台北富邦銀行執行副總經理暨數位金融總處長陳弘儒指出，過往銀行的數位金融主要為網路銀行、行動銀行的功能，以及查詢、轉帳、下單等交易體驗，讓客戶可以快速查詢資訊及方便完成交易。
進入 AI 時代後，數位金融的角色開始改變。除了讓客戶完成交易，更重要的是進一步「理解」、「建議」與「協助」，這也是北富銀發展 AI 的主要方向。
第一個是理解客戶。客戶在銀行 App 上的行為會留下大量數位軌跡，如何透過數位技術真正理解客戶在平台上的行為，是現在的重要課題。過去如果客戶在流程中途離開，銀行做的多半是重新把流程接起來，但未必真正理解客戶完整的行為。
因此，北富銀目前規劃如何從客戶行為中理解需求，針對客戶可能出現的行為建立不同的使用情境，根據實際情境運用資料。包括客戶在不同時間、不同需求下，可能有哪些規律的行為模式。透過這些模式，可以理解客戶可能從哪裡進入、往哪裡走，以及過程中需要哪些資訊。
資料蒐集之後，下一階段的重點是「怎麼運用」。例如過去客戶為了完成相同交易或查詢，需要在 App 中前往不同頁面；當銀行理解這些行為後，就可以把相關資訊整合到同一個地方。現在 Fubon+ 的理財首頁、信用卡首頁，就是將原本分散的資訊與功能集中呈現，更為便利。
第二是提供建議。陳弘儒認為，AI 時代的建議不能只是過去廣告式的產品推播，應該更個人化。當銀行先理解客戶，再進一步判斷客戶真正需要什麼，才有可能提供對客戶有價值的建議。
第三則是協助客戶做決策。以數位投資為例，目前北富銀的基金、債券、股票等數位投資業務，有相當高的比例是在數位平台完成。未來將透過 App 提供投資分析、消費分析等資訊，協助客戶進行判斷。
[ 推薦閱讀：數位轉型打地基，AI 轉型展翅飛 ]
Fubon+ 從資產整合走向集團生態圈
北富銀近年的另一項發展，是以 Fubon+ 概念整合金控內部服務，讓客戶在銀行 App 中不只看到銀行往來，也能掌握壽險、證券等金融資產。
陳弘儒表示，這樣的做法讓客戶不需要分別進入不同金融服務 App，就能看到自己在保險公司的保單與保單價值、在證券公司的投資部位，以及交割帳戶等資訊。對客戶而言，這是一種個人金融資產的總歸戶。
Fubon+ 下一階段的目標，將進一步從金控生態圈走向集團生態圈。
由於北富銀原本就與不同企業合作，例如Costco聯名卡、momo 聯名卡，以及台灣大的電信卡友服務。既然銀行原本就在服務這些客戶，北富銀希望下一步能在銀行 App 中提供更多與合作夥伴相關的服務。例如讓客戶可以從銀行 App 前往合作夥伴的服務頁面，取得相關優惠或使用相關服務。讓 App 不只是金融服務的入口，也成為集團與合作夥伴共同提供服務的入口，更讓客戶行為資料的範圍從金融交易延伸到更多使用情境。
AI 多元場景：客戶洞察防詐與客服
AI 應用在北富銀的商業價值遍及客戶洞察、防詐、客服、報告生成等不同場景。
陳弘儒指出，北富銀過去已經建立許多 AI 模型，尤其著重理解客戶。透過預測模型了解客戶可能在想什麼、需要什麼，以及下一個可能需要的產品，目標是讓行銷更加精準，除了提升效率，亦可避免對不相關的客戶推送不適合的訊息。對客戶有價值的相關行銷，是這類 AI 應用的重要初衷。
面對詐騙手法持續進化，防詐也是一個關鍵應用。過去櫃員持有的注意名單可能有上萬筆，執行交易時難以判斷。北富銀認為，既然銀行掌握大量金流資料，而刑事警察局則擁有犯罪人的行為標籤，雙方合作建立「鷹眼模型」警示戶模型，能大幅提升辨識能力。透過模型篩選後，櫃員每天需要特別注意的案件數量可降到約一百筆左右，提升第一線人員的服務效能。
北富銀進一步組成「鷹眼識詐聯盟」，是全台首個跨金融機構的 AI 防詐聯防機制，將七家銀行資料納入，在不交換個資前提下共享參數，擴大防詐模型的資料範圍，成功提升警示帳戶精確率。
除了對外服務，AI 在內部作業也開始出現較明顯的效益。過去客服使用的 NLP（自然語言處理）在語義理解上仍有一定限制，致使客戶滿意度調查有限。透過 LLM 改善客服的語義理解，讓客戶更容易得到適合的答案，也提高客服人員尋找與生成答案的效率。
另一類應用則是報告生成，例如投資報告與徵信報告。隨著相關技術逐漸成熟，北富銀將其視為業務人員的助手，協助處理原本需要投入時間的工作。
不綁單一模型 依場景選擇 AI 能力
LLM 模型市場變化快速，企業不必每次重新開發 AI 服務，只要把 AI 放進既有流程，便能提升原有系統與作業的效能。
北富銀使用多元模型並持續進行 POC。北富銀資深副總經理暨數位金融總處副處長周郭傑指出，實際應用會反過來影響架構設計。過去一年，行內先從應用需求出發，目前各個總處部、前中後台都有 AI應用 需求。針對不同的場景，使用不同的技術，例如智能客服使用語音相關技術，再搭配 LLM 進行語義理解，未來預計可擴及其他電話服務場景。
光學字元辨識（OCR）是一個重要例子。傳統 OCR 通常依賴固定定位點辨識文件內容，每種表單都需要先設定欄位位置。當企業內部表單種類增加時，調整成本較高。因此，北富銀將 AI 技術加入 OCR 流程，利用語言模型結合 AI 技術，除了辨識文字，也可以進一步做資料萃取、整理與判斷。
客服也是類似的邏輯。北富銀並沒有因為導入 AI，就先把原有系統全部推翻，而是思考如何把 AI 元素放進既有系統，讓原本的服務能力提升。例如過去銀行的 Chatbot 大量使用關鍵字與固定問答，答案中可能包含大量超連結（Hyperlink）。這種設計原本是讓人點開連結閱讀，但如果由 Chatbot 直接回答，就會產生限制。北富銀目前已進行 POC，透過大型語言模型的語義理解能力，隨著實際應用持續改善問題，提升使用效果。
多模型策略上線 依場景兼顧能力與成本
當 AI 應用數量快速增加，模型選擇也成為管理問題之一。不同模型各有技術能力與成本差異，例如有些模型在特定程式撰寫任務上的能力較強，但成本也較高；其他模型可能在不同任務上具有優勢。因此，未來需要模型管理平台，讓不同專案、不同部門可以依實際場景選擇適合的模型，同時管理 Token 用量。
模型管理的需求也與企業內部 AI 應用數量增加有關。北富銀從去年到目前，已有數十個 AI 相關專案，應用範圍包括智能客服、AI OCR、語音、知識生成與報告生成等。
在這些專案中，北富銀會考量技術適用性與成本效益，決定採用合適的 LLM。對於銀行內部大量的專業領域知識檢索需求，北富銀目前亦同步評估採用開源模型進行微調（fine-tuning），將其放在企業內部應用，尤其是內部問答與文件知識查找等場景，以期降低使用外部大型模型的成本。
北富銀亦參與臺灣「金融大語言模型（FinLLM）」專案，聚焦臺灣的金融知識、授信稽核內控法規與本土語境。預計於 2026 年底上線第一版「銀行知識推理模型」。
當然，進入知識查找與生成流程的前提是資料治理。北富銀依照資料、場景、模型能力、成本與安全要求進行分流。經過去識別化處理、符合規範的資料，可以有不同的使用方式；涉及銀行內部知識的應用，則使用內部模型，以兼顧安全。
資料治理先行 打好 AI 落地基礎
如果 AI 是前端應用，資料治理就是 AI 應用的基礎。北富銀副總經理暨數位金融總處副總處長陳傑豪表示，北富銀很早就認知到「Data Ready for AI Ready」，資料品質不足，AI 品質就不可能提高。
北富銀過去已經做過資料治理，早期主要集中在結構化資料與法定報表。由於法定報表需要提供給主管機關，資料不能出錯，因此先從這部分進行治理。
然而，經過多年後，資料來源持續增加，發現資料定義、上下游關係與資料血緣等問題。當不同單位對同一個名詞有不同定義時，即使擁有資料也不易使用。
因此，北富銀去年啟動全行資料治理。第一步先盤點現有應用與商業決策需要使用哪些資料，並回到各單位進行詳細盤點。
資料治理就像把長年累積的下水道挖開，既能挖出可用的寶藏，也同時伴隨大量的雜物。北富銀長年累積的資料規模相當可觀，單是清理、刪除部分資料，就有約 35TB 的資料量。
資料本身存在，與資料經過治理之後可以被可靠使用，是兩件不同的事情。目前北富銀的結構化資料治理已進入新階段，接下來將進一步處理非結構化資料。
陳傑豪表示，北富銀持續導入軟體與治理機制，讓治理成為長期工程。其中一項工作，是處理資料定義的一致性。同一個銀行內部，即使是相同欄位，也可能存在不同定義。例如同一個業務名詞，不同單位可能有不同的判斷條件。若沒有一致定義，後續的行銷、分析與決策就可能使用不同基準。
另一項工作則是客戶資料整合。個人金融的資料分散在不同系統，例如存放款、信用卡與投資資產等。如果沒有進一步整理，就很難辨識這些資料其實屬於同一個客戶，也無法形成完整的客戶視角。
銀行業的非結構化資料包括 PDF、圖片、語音、Word 文件與 Excel 表格等。這些資料在被 AI 使用之前，還需要建立元資料（metadata），讓資料具備可以被理解、分類與運用的脈絡。
[ 推薦閱讀：【專訪】中國信託商業銀行數位科技處處長王俊權：數據與 AI 治理體系，三層金字塔規模化 ]
AI 治理落到專案 高風險應用上線前先審查
AI應用增加後，治理也必須同步建立。陳傑豪表示，AI 創新需求需要快速回應，但同時也需要做到「governance at scale」與「data safety at scale」。因此，北富銀同步推動 AI 治理與 AI 專案，從最上層政策，到第四層的檔案與表單，都納入 AI 治理的設計。
目前銀行內部設有 AI 治理委員會，由富邦金控總經理擔任主席，以及負責推動全行 AI 治理的專職工作小組。AI 專案正式上線前必須進行風險評估；如果被判定為中高風險，需進一步提交治理委員會說明，經過相關程序後才能上線。這套機制也回溯舊專案，將過去已經完成的 AI 專案重新拉回來檢視，並補齊必要表單，嚴格把關。
北富銀強調，金融業本身受到高度監管，因此對風險與法遵的要求一直很高。AI 治理並不是另外增加一套與既有管理無關的制度，而是需要與原本的金融業治理與風險管理機制相互配合。
設 AI 專責單位 建立全行專案 Pipeline
AI 導入同時牽涉組織與人才的問題。北富銀 2025 年 9 月成立 AI 專責單位，任務包括協助各前中後台單位理解 AI、找出應用需求，以及推動相關人才培訓。
周郭傑表示，不同單位對 AI 的理解，以及對 AI 可以使用在哪些地方的想像並不相同。因此目前先成立專責單位，集中相關人才，再協助業務與後台單位梳理需求。
北富銀對 AI的教育訓練也遍及全行。今年 7 月，北富銀完成高階主管 AI 人才培訓，包括副董事長、總經理等高階主管都參與課程，課程內容包含了AI的技術原理、趨勢、治理及實作。
另一方面，北富銀也建立 AI 專案 Pipeline 管理機制。每個AI 專案會進入每月的 Pipeline 管理會議，討論專案的效益、POC規劃、需要採用什麼技術，如何導入。每一項專案完成 POC 後，也要回到 Pipeline 會議報告結果，包括實際效果、正確率，以及需要改善的地方。
這套機制讓不同單位的 AI 專案可以互相分享經驗。當其他單位有類似需求時，可進一步思考如何從既有專案中擴大複用，不須每次都從頭開始。並且讓 AI 專職單位除了扮演技術支援角色，也成為需求整理、POC 驗證、專案管理與經驗交流的平台。
[ 推薦閱讀：以「自適應 AI 治理循環」管理「地下 AI 與模型技術債」 ]
先重整流程 再決定 AI 放在哪裡
北富銀導入 AI 的方式重視「解決流程痛點」。陳弘儒指出，真正重要的不是只解決某一個點，而是看整個流程。北富銀目前是先做流程簡化，確認流程中是否存在不必要的步驟；接著進行簡化，再進行自動化，最後才把 AI 放到適合的位置。
這樣的順序，也成為北富銀判斷 AI 專案是否值得投入的重要方式。
因為有些業務單位確實存在痛點，但痛點不一定代表需要 AI。有時候真正的問題其實是在於流程本身需要調整，只要將流程重新設計，原本的痛點可能就消失了。
因此，AI 單位與業務單位在討論專案時，會優先檢視痛點究竟發生在流程的哪一個環節，以及是否需要重新調整流程，不會完全依賴 AI 當解決方案。「你的流程對了，你才不會用 AI 去把錯誤放大。」周郭傑說。
AI Agent 進場 Human-in-the-Loop 把關
當數位員工上線，AI Agent 能夠進行授信初審、理財服務、客戶服務、法遵審查與內部作業流程，甚至可能存取客戶資料、執行交易，並將任務委派給其他 Agent 時，陳弘儒強調，Agent 的管理相當重要，包括數位員工與人類員工如何協作、不同數位員工之間如何協作，以及如果 Agent 執行工作產生問題，責任應該由誰承擔，都是目前正在規劃的問題。
周郭傑指出，對於需要自主規劃、做決策並採取行動的 Autonomous AI，金融業仍需要相當程度的謹慎。目前聚焦的 AI 應用類型以「員工助手」類為主。例如客服場景中，客戶打電話進來後，AI 可以將語音轉換、理解客戶談話內容，再從相關知識與SOP中找出客服人員應該注意的事項。
報告生成類的應用也是類似情況，由 AI 協助產生多報告生成，但報告中的解讀與判斷仍然由人員負責。
因為金融業對正確率要求很高，北富銀並不把最後決策交給AI，現階段先讓 AI 協助員工提升效率，強調 Human in the Loop，最終決策由人員完成。
實際行為驗證 AI 持續修正客戶意圖模型
在客戶服務與數位金融應用上，北富銀已開始建立「意圖模型」，用客戶實際行為驗證模型的判斷是否準確。
陳弘儒表示，意圖模型的目的，是判斷客戶有較大機率想知道什麼資訊。模型被放到 App 後，就可以透過客戶的實際行為進行驗證，例如客戶看到相關內容後的點選率，以及後續 Call to Action。
如果模型推測的客戶意圖與實際點選行為越接近，代表模型的判斷可能越準。模型不會一開始就做到最好，而是透過實際使用結果持續調整，再逐步加入其他變數，持續驗證與修正。
從流程減法、多模型策略，到資料治理與 AI 治理，北富銀建立一套可持續調整的機制，並在創新速度與金融業對正確性、安全及治理的要求之間取得平衡，這也是打造全行 AI 能力的關鍵。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
