LINE Bank籌備處執行長人事揭曉！北富銀前執行總裁黃以孟轉戰純網銀|數位時代 BusinessNext

LINE Bank籌備處執行長人事揭曉！北富銀前執行總裁黃以孟轉戰純網銀

前LINE台灣連線金融科技股份有限公司（LINE Financial Taiwan）負責人劉奕成離職後，外界一直都很關心LINE網銀布局的走向，LINE官方在7日證實，將由前台北富邦銀行數位金融總處執行副總經理黃以孟，出任LINE Bank籌備處執行長一職。過去在銀行業有30年的服務經驗的黃以孟，將帶領LINE團隊爭取網銀執照。

前富邦數位金融總處執行副總黃以孟，出任LINE Bank籌備處執行長

金管會在去年（2018）11月開放純網銀執照申請，因為採特許制的關係，只開放2張執照名額，中華電信領軍的將來銀行（Next Bank）、LINE及日本樂天這三支隊伍都有意願爭取，這場「三搶二」的網銀之爭，隨著今年二月收件截止日步步逼近，顯得格外熱鬧。

去年10月，原本帶領連線金融科技股份有限公司（LINE Financial Taiwan）籌備處的劉奕成，宣布離職轉戰中華電信領軍的「將來銀行（Next Bank）」，初期職缺由LINE台灣總經理陳立人暫代，當時陳立人因為沒有任何金融背景，讓轉戰敵方的劉奕成，成為最理解競爭對手的狠角色。

這樣的情況並沒有持續太久，很快的在去年11月8日，陳立人正式接任台灣連線金融科技股份有限公司（LINE Financial Taiwan）董事長暨總經理，上任後立刻積極主導包括組織團隊重整、尋找合作股東、規劃商業計畫等，LINE Bank籌備處也隨之成立，快速的讓LINE網銀團隊重新站穩腳步。

隨著網銀收件截止日期逼近，LINE官方在今（7）日召開籌備委員會，正式宣布由前台北富邦銀行數位金融總處執行副總經理黃以孟出任LINE Bank籌備處執行長職務，人事案將於1月8日起正式生效，黃以孟將直接向連線商業銀行籌備委員會報告。

完整歷練及資歷，第二大股東富邦背後力挺

黃以孟過去在銀行業有30年的服務經驗，曾經在花旗銀行、台新銀行任職，2006年時加入於台北富邦銀行，曾擔任富邦金控財富管理事業群執行副總經理、台北富邦銀行個人金融總處執行副總經理、台北富邦銀行數位金融總處執行副總經理等職務，無論是在境外財富管理、個人金融商品、消費金融商品、數位金融、信用卡、FinTech等金融服務領域，都有完整的歷練以及資歷。

LINE Financial台灣董事長陳立人在新聞稿中表示：「希望借重黃以孟過去在個人金融、數位金融、資產管理、國際化思維以及跨國團隊管理的專才，強化團隊組織；也相信他的加入，對公司治理必有很大的助益。」

事實上，早在前幾天，市場就盛傳黃以孟將出任LINE網銀籌備處執行長一職，如果從LINE團隊的股東結構來看，也就不難理解這樣的決定。目前LINE集團的台灣連線金融科技公司持股49.9%，是第一大股東，台北富邦銀行持股25.1%，為第二大股東。

據傳劉奕成跳槽後，身為第二大股東的富邦銀行就想要推派自己的人選，未來他將帶領LINE團隊攻下網銀執照。

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。