隨「新經濟」起舞 ,金融科技在銀行企業金融的應用
隨「新經濟」起舞 ,金融科技在銀行企業金融的應用

1991年網際網路問市,不出十年光景就重新定義了人類理解世界的維度,也為原本單調的商務運作解放出千姿萬態的創意模式。2007年iPhone登場,在普及的網路基礎上,巴掌小的智慧手機以更快的速度席捲全球,近乎理所當然地融入了多數人的生活。因運而生的社群媒體、分享經濟等爭奇鬥艷的創新營運模式和認知計算、機器學習技術的適時成熟命定似的爆發了不可思議的化學變化,毫不遲疑地為「新經濟(智能製造x數位商務x新零售)」的出場舖出了康莊大道,同時宣告了「新經濟」時代下創業家和消費者的鮮明性格:分權、分享、個人化、個性化。

台灣銀行的企金服務的「機能演進滯停」狀態

吊詭的是,當消費品牌已經將個人化與個性化刻蝕在其管理聖經中,商務服務和製造產業已視客製化爲關鍵競爭力時,自詡為經濟成長燃料供應者的銀行業者仍然堅守自上世紀就存有的融資、收付交易和避險等三項企業金融服務,應付這全然不同的市況。例如,一般企業融資需以土地或廠房設備為質押,短期性貿易相關融資以銀行開立信用狀或具信用額度的進口商開出的發票給予貼現,融資相關文件則大都以書面加簽章為據,而收、付交易服務的數位化則仍未脫出二十年前由花旗銀行引進台灣市場的企業網銀範疇。

這種台灣銀行的企金服務「機能演進滯停」狀態,有人歸咎於中央銀行和金管會權威又保守的監管作為,但追根究底與銀行陷於工業時代以融資為主的產業思維脫不了關係。

筆者與多家企金業務主管就創新服務和改變營運模式交換意見時,不只一次得到這樣的回應,「我們的專業是放款、資金融通、提供滙率、利率交換與收付服務;我們的服務對象主要是企業財務部門,而財務部門的運作受到公司法和會計通用法則的規範,不因其所屬產業的不同而有巨大差異。」

由於其價值定位自限的緣故,對不同產業、不同規模、不同營運模式的企業客戶,銀行幾乎一識同仁,提供相同的產品和服務內容,差異化通常表現在價格(如議價空間)和服務規格(如一位關係經理服務20家還是100家公司)。

銀行授信和風險管理模式在新經濟商機的侷限性

目前銀行的授信模型仍以評估具實體產品供應鏈特色的產業景氣循環和營運模式(如製造業.電子業、傳統服務業等)而設計,主要評估借款戶未來現金流量和獲利能力,根據具流通價值的實物資産或有價證券為抵押,據以授予短期營運資金或中長期融資。

然而蜂擁而至的「新經濟」企業大部分屬中小型規模的網路資訊或軟體數位服務事業,相比製造業或大型實體通路服務業,二者有著非常大的差異,例如製造業的商業模式偏中央與標準化,而網路數位服務強調分散和個人化;製造業的產品原料是具形物料,而網路數位服務最重要的原素乃本於無形的創意與智財;製造業走的是「線性規模經濟」路線, 而網路數位企業追求的是「多維平台經濟」。

為擴大「新經濟」的融資規模,銀行應該著手研究智慧製造、數位商務與新零售的生態體系和其項下領導廠商的營運模式,對抽象智財有全貌的理解和建立評價模型,最後協合銀行資產配置策略,重新設計合適的授信和風險管理模式。

筆者認為,目前金融服務與新興產業環境的脫節,對於深具遠見且志向遠大的金融業者應該視為千載難逢築底佈局的大好機會。在趨勢已定,具「新經濟」特色企業占經濟產出的比重不斷増大,全球經濟運作模式和金融監理思維也將隨之演化過程中,銀行應該提早思考其新價值定位與營運模式,例如:

1.是否由服務企業財務管理的產品定位拉高至企業營運與競爭力策略夥伴定位?
2.是否服務與產品的開發以融入企業的價值鏈為指標,成為企業的成就夥伴?
3.是否厚實銀行人材專業實力,由產品銷售導向提昇至諮詢服務?

技術應用一:「分散式帳册科技」與「智慧合約 」

大象不是一定不會跳舞,20幾年前格斯納(Louis Gerstner)在IBM已經證明了,再龐大滯緩的組織,只要領導者眼光放遠、創新思維、決心變革與用對方法,金融大象隨新經濟的音樂搖擺起舞同樣可以期待。

佈局「新經濟」規模的中小企業商機,銀行可以先熟稔關鍵金融科技的操作,並為上述的企業金融營運模式變革可行方案引發靈感,特別是可能改變未來社會信任機制和交易運作方式的區塊鏈「分散式帳册科技」與「智能合約」,和應用幾乎沒有極限的「人工智慧」與「機器學習」技術。

1.分散式帳册與智慧合約技術適用於涉及銀行內多部門的企業戶授信作業:從鑑價、信用評估、額度授予丶核貸作業、播款,到後續風險的控管作業等,權責分散但需管理同部化的業務項目。

2.台灣有獨步全球的製造業供應鏈生態系,是應用分散式帳册與智能合約的極佳場域。垂直整合的供應鏈生態體系,有機會運用區塊鏈的信任機制串聯物流, 從中心廠商下訂單、上游供應商購料到鏈間之運送,以及金流的應收帳款、應付帳款管理與買賣方間的各項貿易融資(如購料融資與應收帳款融資等)。屬同一境內封閉式的垂直整合的供應鏈生態體系,分散式帳册與智能合約不但可以取代國內信用狀的功用,也大幅加速了整個供應鏈的運作效率,當然也降低了大量的成本。

3.仿效「新經濟」的平台生態特色,銀行可以採取更積極作為,擔任管理者建立企業市集平台(Bank-centric marketplace),促進其眾多企業客戶之間的交易與商務活動。如同上述的垂直供應鏈生態體系,區塊鏈分散式帳册科技在銀行市集平台也可以發揮物暢其流的功能,協助參與「市集平台」的中小企業有關招商、採購,和其項下的應收帳款、應付帳款管理與貿易融資。

以上分散式帳册與智能合約在中心廠商或銀行企業市集平台的供應鏈體系應用,除了可以協助提升整體供應鏈體系的營運效能,由於所有放款皆根據即時具信賴基礎的訂單、出貨、支付和收入資料,銀行放款違約風險亦將擭得有效控制。

技術應用二:「人工智慧」和「機器學習」

受助於Facebook、 Line、 WeChat與Instagram等社交網絡的全面覆蓋、數位電子商務的普及和生物辨識科技的突破,巨量結構性和非結構性資訊的獲得提供了人工智慧技術普及應用的重要血液。人工智慧的潛力極致,與其說是技術問題,不如說是應用場景想像力的大考驗。在這方面,銀行得以金融科技公司為師。

1.金融科技公司已經利用借款者或服務需求者於社交網絡和數位商務上的呈現行為、交易紀錄,以機器學習技術不斷累積對行為者的理解,持續優化其對行為者的預測和判斷,應用於信用評等,客製化內容、服務推薦等。

2.銀行可以應用人工智慧更有效率管理放款企業的信用風險。經由整合客戶的營運計劃與財務預估、額度使用紀錄、支付與滙入交易紀錄、定期財報揭露,銀行可以更準確研判企業的業務和財務管理能力和應對各種經營挑戰的對策行動模式,並據此決定採取何種信用風險作為。

筆者所投資的一家機器學習新創公司則和知名的外商銀行合作,運用機器學習和潛在客戶進行個人化溝通並深化其品牌形象。這個合作項目的第二階段將根據對潛在客戶的喜好與決策模式的深度理解,適時推薦客製化的銀行服務,其終極目標是建立可以協助銀行推動真正客製化服務的客戶關係管理系統。

Human Centric Design 是當今產品設計的重要原則,而此槪念乃奠基於品牌對完美「顧客體驗」的無止盡追求。身為「體驗決定品牌價值」信仰者,我對機器學習金融服務應用的終極的期待是:從運用機器學習繪形個別客戶的需求想像、引導產品服務設計、預測體驗滿足度、適時適處提供客製化服務、累積客戶授再到獨特不可取代的品牌價值。

台灣的銀行同業們,準備穿上金融科技的舞鞋,勇敢加入全球「新經濟」的舞會了嗎?

作者簡介:
陳識仁曾任職國際商業機器公司、花旗集團、瑞士銀行與星展銀行,主管企業數位顧問、高淨值家族財富管理及環球金融交易服務。他是知名的企業財務運營與供應鏈管理專家,曾協助上百家全球五百大和台灣百大企業整合金融服務與資訊科技,有效提升跨國營運管理績效。目前為匯智資本與顧問負責人。

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓