技術分享
金融業 AI 導入:常見場景、廠商類型、費用與合規怎麼選
金融業導入 AI,最常見的四個場景是智能客服、法遵、防詐與內部知識庫;選廠商時要先分清楚是買平台、買產品,還是找團隊客製整合。本文依場景整理資料、風險與人工把關點,對照金管會 2024 年發布的「金融業運用人工智慧(AI)指引」列出導入前要準備的事,並附上依專案階段整理的費用區間。

重點摘要
- 金融業最常見的 AI 場景是智能客服、法遵、防詐與內部知識庫,四者的資料與風險差異很大,不能用同一套做法。
- 金管會 2024 年 6 月發布的「金融業運用人工智慧(AI)指引」屬行政指導,要求以風險為基礎落實六大核心原則,並監督第三方業者。
- 委外導入 AI 時,金融機構仍要能解釋系統邏輯、保留人為監督,並約定停止委託時的資料與系統遷移方式。
- 金融業 AI 廠商大致分成雲端與模型平台、套裝 AI 產品、客製整合團隊三類,差別在能不能接進既有核心系統與權限。
- 依 JoinX 的台灣客製專案行情,單一場景 PoC 約 NT$30 萬至 80 萬,正式上線約 NT$80 萬至 250 萬,跨部門多系統依範圍估價。
本文目錄
金融業導入 AI,先決定的不是用哪個模型,而是這個場景出錯時誰負責、怎麼回復。 金管會在 2024 年 6 月 20 日發布「金融業運用人工智慧(AI)指引」,把治理、公平、隱私、安全、透明與永續六項原則,落到金融機構導入、使用與管理 AI 的具體做法。下面依場景、合規、廠商類型與費用,整理金融機構評估 AI 專案時要看的事。
金融業 AI 導入最常見的場景有哪些?
最常見的是四類:智能客服、法遵、防詐與內部知識庫。四類的資料來源、出錯代價與人工把關的位置都不一樣,所以評估時要分開看,不能用同一套驗收標準。
| 場景 | 典型用途 | 主要資料 | 人工把關點 | 出錯代價 |
|---|---|---|---|---|
| 智能客服 | 回答產品、手續、費率等常見問題;轉接真人 | 產品說明、FAQ、作業規章 | 涉及交易、申訴、個人帳務的問題轉真人 | 中:答錯會影響客戶權益與申訴量 |
| 法遵 | 法規異動比對、內規條文查詢、文件初審 | 法規、函令、內規、契約 | 法遵人員確認判斷結果 | 高:判斷錯誤涉及裁罰 |
| 防詐 | 異常交易提示、可疑帳戶與對話辨識 | 交易紀錄、帳戶行為、通報資料 | 由人員決定是否攔阻或通報 | 高:誤判會影響正常客戶,漏判會造成損失 |
| 內部知識庫 | 行員查作業手冊、商品規格、SOP | 內部文件、教育訓練教材 | 回答附出處,由行員自行判斷 | 低到中:多半只在內部使用 |
智能客服:先答對常見問題,再談自動辦理
智能客服是金融業最早落地的 AI 場景。比較穩的做法是先讓 AI 依知識庫回答,並附上出處;查帳、交易、申訴這類要負責的事,一律轉給真人。等答對率穩定,再評估要不要讓 AI 透過 API 查詢帳務資料。做法與費用可以參考AI 客服導入。
法遵:AI 做初篩,判斷留給法遵人員
法遵場景適合讓 AI 做「比對與摘要」:法規修正時找出受影響的內規條文、把長篇函令整理成重點、標出契約裡需要注意的條款。最後的判斷要由法遵人員做,系統也要記錄 AI 依據哪些文件給出結果,稽核時才查得到。
防詐:AI 提示風險,攔阻由人決定
防詐系統通常是在既有的交易監控上加一層 AI 判讀,對異常交易或可疑帳戶給出風險提示。要先定義誤判與漏判各自能接受多少,並保留人員覆核與客戶申訴的管道。這類系統直接影響客戶權益,指引裡提到的公平性與可解釋性要特別注意。
內部知識庫:最適合當第一個場景
內部知識庫只給行員使用,回答附出處,答錯時由行員自行判斷,出錯代價相對低。它也是後面三個場景的基礎:客服、法遵用到的知識,多半就是同一批文件。很多金融機構會從這裡開始,先把文件整理乾淨、權限設好。
金管會的 AI 指引對導入有什麼要求?
指引屬行政指導,沒有罰則,但要求金融機構以風險為基礎落實六大核心原則,並監督第三方業者。實務上,委外導入 AI 時,這些要求會變成專案文件、權限設計與合約條款,廠商要能配合產出。
指引的架構是總則加六章,總則定義 AI 系統的生命週期與風險評估因素,並要求委託第三方時採取監督措施、約定停止委託時的資料或系統遷移機制。下表把六章對應到導入時要準備的事:
| 指引章節 | 重點 | 導入時要準備的事 |
|---|---|---|
| 一、建立治理及問責機制 | 明定 AI 的用途、適用業務與負責人員;訂定錯誤與非預期事件的處理程序 | 場景清單與負責人、事件處理流程、高風險系統視需要安排獨立第三方評測 |
| 二、重視公平性及以人為本 | 留意偏見、避免歧視;使用生成式 AI 時,人員要對產出做風險管控 | 測試資料涵蓋不同客群、人工覆核的位置寫進流程 |
| 三、保護隱私及客戶權益 | 資料最小化、避免外洩;尊重客戶是否使用 AI 服務的選擇 | 資料分級、哪些資料不送進模型、保留真人服務管道 |
| 四、確保系統穩健性與安全性 | 資安防護;使用第三方 AI 系統時做風險管理與監督 | 原碼掃描與弱點掃描、權限與操作紀錄、第三方服務的風險評估 |
| 五、落實透明性與可解釋性 | 對內能說明運作邏輯,對外揭露 AI 運用方式 | 系統架構與判斷依據的技術文件、對客戶的告知文字 |
| 六、促進永續發展 | 把永續納入 AI 策略;對員工提供教育訓練 | 運算資源規劃、行員操作訓練 |
另外,金融機構把作業委外時,本來就要遵守金管會的作業委託規範,包括委外範圍、資料保護、稽核權與交接安排。AI 專案也一樣,選廠商時要確認對方能配合稽核與文件要求。
金融業的 AI 廠商有哪幾種?
大致分成三類:雲端與模型平台、套裝 AI 產品、客製整合團隊。差別不在 AI 技術強弱,而在能不能接進金融機構既有的核心系統、權限與稽核流程。
| 廠商類型 | 提供什麼 | 適合 | 要注意 |
|---|---|---|---|
| 雲端與模型平台 | 大型語言模型 API、雲端運算、向量資料庫 | 有自己的 IT 團隊,能自行整合 | 資料存放地點與跨境傳輸要先確認;整合工作要自己做 |
| 套裝 AI 產品 | 客服機器人、文件辨識、交易監控等現成產品 | 流程標準、需求和產品功能接近 | 按授權或用量計費;要接既有系統時,客製部分另計 |
| 客製整合團隊 | 依流程設計 AI 功能,串接既有系統與權限 | 要接核心系統、權限複雜、需要配合稽核文件 | 要確認對方有金融業委外實績、原始碼與文件怎麼交付 |
實務上常見混合做法:模型用雲端平台,介面與系統串接找客製團隊。選擇時可以問三件事:資料會不會離開指定環境、停止合作時系統與資料怎麼移轉、出問題時誰能說明 AI 為什麼這樣回答。
金融業 AI 導入要花多少錢?
依 JoinX 整理的台灣客製專案行情,需求評估免費,單一場景 PoC 約 NT$30 萬至 80 萬,正式上線約 NT$80 萬至 250 萬,跨部門多系統依範圍估價。金融業的差異多半在資安審查、稽核文件與系統串接的工作量。
| 階段 | 預估費用 | 常見內容 | 參考時程 |
|---|---|---|---|
| 需求評估 | 免費 | 了解流程與資料、判斷適不適合用 AI、建議第一個場景 | 1~2 次會談 |
| 單一場景 PoC | NT$30 萬~80 萬 | 一個場景、有限資料、人工監督下測試 | 4~8 週 |
| 正式上線(單一場景) | NT$80 萬~250 萬 | 權限、系統串接、監控、測試與部署、稽核文件 | 2~4 個月 |
| 跨部門、多系統 | 依範圍估價 | 多個知識庫或 AI Agent、跨系統流程與完整治理 | 4 個月以上 |
AI 模型 API 與雲端主機費用依實際用量另計。上面是預算規劃的起點,不是固定報價;要串接的系統越多、驗收要求越嚴,金額越接近區間上緣。
JoinX 在金融業與 AI 專案做過什麼?
JoinX 服務過的金融客戶包括彰化銀行、台北富邦銀行、凱基證券與財金資訊;群益投信的官網、ETF 網站與 APP 由 JoinX 維護,群益投信將 JoinX 定位為「符合金管會要求標準的資訊委外開發廠商」。AI 專案則涵蓋保險、研究機構、出版與平台。
群益投信的官網、APP 與電商系統,JoinX 在 2023 年從其他團隊接手,先讓系統穩定運作,依金管會規範完成資安調整與稽核,再陸續重製 ETF 官網、優化 ETF 電子化申請。詳見群益投信案例。
AI 專案方面,以下是已公開的案例:
- 保險公司: 2026 年為保險業務情境設計 AI Agent 的對話介面與操作流程,讓 AI 依業務的工作順序協助查詢與整理資料,最後由人確認。
- 國家原子能科技研究院: 2022 至 2025 年開發渦電流訊號的 AI 判讀與自動化系統,AI 先標出疑似瑕疵,再由人員複核。詳見國家原子能科技研究院案例。
- 聯經數位: AI 文本拆解與角色配音的有聲書平台,驗收門檻設定為角色辨識成功率 90%、文本拆解成功率 75% 以上。詳見聯經數位案例。
- GoodParty 享派兑: 在 JoinX 開發並持續維運的平台上加入 AI 搜尋,沿用原本的資料與後台。
交付前,JoinX 會自行完成原碼掃描與弱點掃描;黑箱測試由第三方執行,JoinX 可以協助聯繫,並在修補弱點後交付。更多案例的做法見企業 AI 導入案例,金融系統的開發實績見金融科技系統開發。
金融機構導入 AI 要怎麼開始?
從出錯代價可控、資料拿得到、結果能由人複核的場景開始,通常是內部知識庫或智能客服的常見問題。先做需求評估與 PoC,通過門檻再接進正式系統,並同步準備指引要求的治理文件。
- 列出候選場景並分級。 依指引的風險評估因素,判斷每個場景是否直接影響客戶權益、是否涉及個資。
- 確認資料與權限。 資料放在哪套系統、誰能讀、哪些不能送進生成式 AI。
- 定義驗收門檻。 例如答對率、出處正確率、轉真人比例,用同一批真實問題測試。
- 設計人工覆核的位置。 決定哪些結果由人確認、出錯時怎麼回復與通報。
- 寫進委外合約。 約定稽核權、資料保護、原始碼與文件交付,以及停止合作時的遷移方式。
- PoC 通過再上線。 正式上線時補齊監控、操作紀錄與對客戶的告知。
常見問題
金管會的 AI 指引是強制規定嗎?
不是。金管會說明這份指引屬行政指導,沒有罰則;金融相關公會訂定 AI 自律規範時可以參考指引內容。不過指引要求的治理、人為監督與第三方監督,多半也是內部稽核與資安審查會問的事,建議導入時一併準備。
金融業可以用 ChatGPT 這類生成式 AI 嗎?
可以,但要先做資料分級。指引提到,即使使用第三方生成式 AI、無法掌握其訓練過程,金融機構仍要由人員對產出做風險管控。客戶個資與機敏資料不應直接送進公用服務,企業版服務或私有部署要先確認資料存放與使用條款。
金融業第一個 AI 場景該選哪一個?
多數金融機構從內部知識庫開始,因為只給行員使用、回答附出處,出錯代價相對低。接著是智能客服的常見問題。法遵與防詐直接涉及裁罰與客戶權益,建議等治理流程跑順之後再做。
委外開發 AI,金融機構要注意什麼?
要確認廠商能配合稽核與文件要求、原始碼與技術文件怎麼交付,以及停止合作時資料與系統怎麼移轉。指引也要求金融機構對第三方業者採取監督措施,選廠商時可以直接問對方過去配合金融業稽核的經驗。
金融業 AI 導入要多久?
依 JoinX 的專案經驗,需求評估約 1 至 2 次會談、單一場景 PoC 約 4 至 8 週、正式上線約 2 至 4 個月。金融機構的資安審查與內部簽核常是時程最長的部分,建議在 PoC 階段就讓資安與法遵單位一起參與。
參考資料
- 金融業運用人工智慧(AI)指引(2024 年 6 月 20 日發布)金融監督管理委員會
- 金融業運用人工智慧(AI)之核心原則與相關推動政策(2023 年 10 月 17 日發布)金融監督管理委員會
- 金融機構作業委託他人處理內部作業制度及程序辦法金融監督管理委員會
- AI Risk Management Framework(AI RMF 1.0,2023)美國國家標準與技術研究院(NIST)
以上為本文撰寫時引用的法規與資料;法規可能修訂,實際適用請以主管機關最新公告為準。
關於作者
李秉哲 Jack Lee
JoinX 哲煜科技 創辦人暨執行長
2016 年創立 JoinX 哲煜科技,帶領 80+ 人、橫跨台灣與日本的團隊,累計為 220+ 家客戶完成 520+ 個專案,其中包含 56 套中大型系統。
認識 Jack

