黃天牧召開圓桌會議，金融科技業者傾吐3大心聲|數位時代 BusinessNext

黃天牧召開圓桌會議，金融科技業者傾吐3大心聲

上任還不滿一個月，金管會主委黃天牧與科技業者舉行座談會，他認為，金管會跟科技業者間，不應該有所謂高下之分，未來會解決業者的問題，陪大家一起作夢。

台灣金融科技成績尚可？業者：跨部會溝通拖慢腳步

整場公聽會進行將近三小時，金融科技業者、學者，都紛紛向金管會提出建言。

台灣金融科技董事長王可言提到，今年是台灣推動金融科技發展的第五年，「但成績只能說尚可。」他認為，傳統金融業，會認為金融科技業者是未來的競爭者，因此在推動創新服務或應用時，合作起來並不容易，忍不住感嘆：「 科技業其實想當聖人，卻被（金融業）當成大盜。 」

中華金融科技產促會理事長楊瑞芬觀察，澳洲跟台灣人口數量差不多，卻成功培育許多金融獨角獸，「國外主管機很照顧自家金融科技業者，台灣的金融科技業，就像是一個小媳婦。」她認為， 金管會應該多鼓勵金融科技業者做創新 。

台灣金融科技協會理事長蔡玉玲則認為，台灣金融科技發展的問題，是 跨部會溝通，拖慢了進展腳步 。舉例來說，金融科技業者的業務，如果不涉及傳統金融，是否屬於金管會管轄範圍，許多業者碰到問題時，花很多時間在不同部會間溝通協調，「最後很多部會都只說，金管會還沒點頭。」她建議，金管會應該做領頭羊， 當金融科技業者的大家長 。

黃天牧：要對金融科創新有寬容、容錯的文化

聽完業者建議後，黃天牧表示，每一次危機都是新的契機，例如這次疫情下，他觀察到電子支付與網路交易量大增，已經成為回不去的趨勢，他強調：「金融科技會是金管會未來發展重要趨勢。」

針對業者點出跨部會溝通效率差、法規不夠明確等問題，黃天牧回應，許多大目標，要先從小地方開始完成，他認為，許多規範不夠明確的問題，未來應該找出更明確的法規說明，讓業者對金管會治理有信心。

黃天牧補充：「曾有人提醒我，金融科技發展是為2,300萬人，還是有更大目標？」他認為，人都應該有夢想，尤其台灣擁有非常好的科技人才，金管會會盡力解決業者的問題，期待業者懷抱野心、夢想做突破，金管會會陪著大家一起做夢。

最後黃天牧強調，創新不可能完全沒有風險，對監理機關來說，多少會有與預期不一樣的地方，制度設計上，必須要在一個合理，且不影響消費者權益的範圍內。不過重要的是，要對金融科技創新抱有寬容、容錯的文化，「同仁們會在制度法規上更加精進。」希望業者給予監理機關多一些包容。

責任編輯：蕭閔云

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。