富邦金大賺908億刷新高，元大擠下兆豐排行老四！這家2020年虧損最多|數位時代 BusinessNext

富邦金大賺908億刷新高，元大擠下兆豐排行老四！這家2020年虧損最多

2020年15家金控獲利全數出爐，富邦金以稅後淨利908.57億元，成為新獲利王，而華南金則獲利墊底，並以年衰退45.6%退步最多。

富邦金、國泰金獲利爆發性成長，元大金排名上升

去年15家金控稅後純益合計3790.11億元，超越2019年，年增8.29%；不過，比起2019年，有9家金控獲利創新高，幾乎全數成長、僅1家衰退，2020年金控獲利表現兩極化。

富邦金、國泰金獲利爆發性成長，與元大金及國票金等4家金控獲利創下新高，其餘金控，除日盛金成長、台新金獲利持平外，多達9家金控獲利衰退，華南金獲利更是年減45.66%。

富邦金2020年自結稅前淨利1039.09億元，突破千億大關，稅後淨利908.57億元，均改寫史上新高，年增率高達55%，超越國泰金，登上最新獲利王寶座，EPS高達8.59元，為金控史上首見，連12年蟬聯EPS獲利冠軍。

富邦金分析，去年旗下子公司稅後淨利，全都創下歷史新高，富邦人壽受惠承保利潤提升和投資績效亮眼，獲利年增130%，富邦產險因優異投資績效，獲利年增184%，富邦證券受惠台股交易熱絡，獲利大幅成長64%。

國泰金同樣表現亮眼，去年度稅後淨利758億元，也創下新高，年增達19%，成長動能來自子公司國泰人壽，去年稅後賺進525.4億元，年增達37%，國泰世華銀行在維持高活存比，存訪及手續費收入平穩下，表現也相當穩健。

另一方面，去年元大金擠下兆豐金，成為金控EPS第4名。受惠於台股價量創下新高，證券獲利水漲船高，元大金交出亮眼成績單，稅後純益達241.07億元，年增逾17%，創下新高，EPS逼近2元、達1.99元。

疫情造成金融市場動盪，9家金控獲利衰退

2020年受疫情籠罩，金融市場局勢多變，降息也使銀行淨利息收益受衝擊，包含中信金、玉山金、新光金、永豐金、開發金以及4家公股金控，合計有9家金控獲利衰退。

玉山金去年稅後淨利180.16億元，大減10.4%，EPS1.43元。玉山金表示，疫情陰影未散、銀行利息收入縮水等因素，衝擊整體獲利表現，將持續聚焦跨境整合、數位轉型及風險管理，維持穩健發展。

面臨匯兌風險壓力，新光金去年度獲利降至143.37 億元，年減13.66%，EPS為1.11元，名次從金控第8名掉到第11名。

去年4家公股金控獲利合計676.39億元，在降息、肩負紓困任務，淨利息收益大減，以及呆帳提存增加等因素影響下，年減17.38%。去年公股獲利王則仍由兆豐金蟬聯，不過獲利衰減，去年共賺250.34億元，年減13.52%，EPS1.84元，則跌破2元。此外，合庫去年獲利年減2.7%，第一金年減約13%，華南金受華南永昌證券大虧逾36億元拖累，全年年減45.66%。

責任編輯：文潔琳
本文授權轉載自：中央社

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。