我國AI金融的發展與挑戰

文：沈恆立（中華經濟研究院第一研究所副分析師）

AI在金融領域的應用（AI in finance）近年迅速成長，被廣泛運用於資產管理、風險分析、客戶服務等，帶來深遠影響。然而AI在金融市場的應用也伴隨風險，並為金融體系帶來新的挑戰。本文將簡述我國AI金融應用的發展情形，並分析潛在的挑戰。

AI金融應用與國際發展脈絡

金融穩定委員會（Financial Stability Board, FSB）於2026年6月正式發布《金融機構負責任運用AI之健全實務》報告指出，AI（涵蓋機器學習、生成式AI及自主代理人AI）正以超越預期的速度滲透銀行、保險與資本市場。

金融業運用「預測型AI」已有相當長的歷史，主要聚焦於結構化數據的統計分析，廣泛應用於信用評分、量化交易與反洗錢異常偵測，本質上偏重於規則明確的作業自動化與風險預測。根據KPMG《2026年全球金融人工智慧報告》調查顯示，2024年有30%的金融機構正在利用AI進行財務規劃、報告和商業分析，到2026年已經成長至75%。AI在需要高度判斷的工作上有卓越的表現，包括決策品質、決策速度和預測準確率等方面。

然而，近年生成式AI（GenAI）與大型語言模型（LLM）的突破性發展，跨足至理解非結構化文本、自動化摘要翻譯與複雜語意對話，為金融業帶來深層轉型。安永發布的《2025年銀行業生成式AI調查報告》顯示，2023年已有61%的銀行正式推出或試運行GenAI應用，2025年更進一步成長至77%。觀察實際作業，AI 技術已全面滲透至金融機構的核心環節，從前臺的24小時個人化理財服務、理專與核保人員的智慧助手，到後臺即時偵測異常資金流與人頭戶、自動比對最新法規等，用途多元廣泛。

與此同時，國際主要金融市場對於AI應用的態度，也逐步從早期的技術試驗走向制度化監理與治理規範。例如，歐盟於2024年通過並於2026年全面落實的《人工智慧法案》（EU AI Act），明確將銀行審核個人貸款信用、保險核保定價等金融應用列為高風險等級，要求金融機構必須提供完整的風險評估、決策紀錄與人為監督機制。新加坡金管局（MAS）則持續推動「公平、道德、當責與透明」（FEAT）原則，要求金融機構在應用AI時需確保不會對弱勢消費者造成不合理的排除。國際清算銀行（BIS）則示警，當越來越多金融機構依賴高度複雜的演算法進行日常決策，一旦市場遭遇極端事件，AI可能因學習模式高度雷同而做出相同的避險或拋售行為，從而放大市場波動與系統性風險。

綜觀全球趨勢，各國監理機關普遍意識到AI的效率與風險並存，若缺乏完善的內部控制與負責任的治理架構，其演算法的偏差與不可預測性，恐對金融穩定與消費者權益帶來難以挽回的衝擊。

臺灣AI金融之發展現況

臺灣自2010年代開始推動金融科技（Fintech）發展，金融機構開始將機器學習、大數據分析導入風險控管、智能客服與信貸審查。2020年代生成式AI逐漸普及化，我國政府亦與時俱進推出相關監理法規核心指引。金管會於2023年10月發布金融業運用AI之6項核心原則及8項配套政策，確立公平性、人為監督、隱私保護、系統安全性、可解釋性及永續發展等六大原則；2024年6月進一步頒布《金融業運用AI指引》，定義高風險情境與合理因應方式，為金融機構提供循沿標準。銀行公會亦於2024年公布金融機構運用AI技術作業規範，同步指引業者理解AI技術運作、設立監管機制等。2026年，金管會揭示金融科技推動五重點，其中將「可程式化AI」（由AI模型監管AI）、「代理AI」（由AI直接替目標執行任務，如主動替客戶操作等）等新誕生的AI風險納入監管範疇。

根據金管會2025年4月針對我國金融機構及周邊單位的調查，導入AI業者占33%，較2024年29%有所提升，其中使用AI比例最高的是銀行（87%），其次為壽險公司（67%）及產險公司（45%）。導入生成式AI之比例達48%，年增21個百分點，以內部行政作業（39%）與智能客服（15%）最為普遍。

在銀行業方面，許多銀行已導入AI輔助審貸系統，針對微型企業或缺乏傳統信用紀錄的年輕信用小白，透過分析數位足跡與日常金流數據，提供更快速且符合個別需求的信用額度；在理財與財富管理端，智能理財服務逐漸普及，能夠依照客戶的風險偏好與市場即時變動，全天候自動調整投資組合配置。保險業更是積極導入生成式AI的領域，藉由智能客服、AI影像辨識、AI Agent核保等技術，除了令承保與理賠服務更加便捷以改善消費者體驗外，更能夠依照市場與個別需求，利用AI模型即時設計最適合客戶的商品方案與估價。

風險管理與詐欺防範是AI金融的一大重要應用。2023年，由臺北富邦銀行發起並串聯逾30家銀行業者、內政部刑事警察局的「鷹眼識詐聯盟」啟動，旨在運用AI圖型識別模型即時捕捉異常交易與人頭戶特徵，後續亦持續精進AI模型因應新型AI詐騙，以AI來防範AI金融犯罪，是為國際上由金融業跨越商業競爭、共同抗詐的標竿案例。

另一方面，國際的通用大語言模型（LLM）在處理專業金融領域時，容易面臨不夠在地化、無法對接國內金融業務或法規等盲點，對於AI金融發展實為一大挑戰。2026年4月，由金管會指導、我國16家指標性金融機構與相關智庫共同參與，建構臺灣金融大語言模型（FinLLM），是結合數位發展部主權AI語料庫共同打造的本土專屬金融AI模型。其核心目的在於內化臺灣在地金融法規、商品實務與繁體中文語境，不完全依賴外部查詢，且具備在地部署能力，確保高度準確性與資料隱私。

臺灣AI金融之核心挑戰

雖然臺灣在政策推動與科技防詐等應用已取得初步突破，但要將 AI 技術深化至金融機構的核心營運與決策流程，仍面臨實務上的許多挑戰。

（一）AI決策不透明性與金融治理精神牴觸

金融業本質上是高度仰賴信任與法遵的特許產業，各項決策直接牽涉客戶的資產與信用權益。然而，現代深度學習網路與大參數語言模型具有「黑盒子」特性，與金融法制要求決策公正透明的基本精神產生根本性衝突。舉例而言，在授信貸款審查或信用卡額度核給情境中，依據《金融消費者保護法》與相關公平待客原則，當金融機構拒絕核貸或給予定價差別待遇時，必須向當事人說明實質理由，例如收入不足、負債比過高等，且不可因演算法而對特定性別、年齡、地域或族群形成系統性歧視。一旦無法明確說明AI模型之決策細節緣由，可能侵害消費者的基本權益。儘管學界與產業界致力發展可解釋AI技術（Explainable AI），但此類事後解釋工具往往僅能提供局部近似值，無法完全等同模型真實的內部運作邏輯。金融機構在無法對模型決策提供百分之百透明確信的前提下，或將面臨極高的法律訴訟風險、消費者申訴與監理合規處罰。

（二）個資保護與資料不足的兩難困境

AI模型效能取決於輸入數據的品質與廣度，但金融數據亦具備高敏感性與隱私保護要求。依據我國《個人資料保護法》及《銀行法》第48條之保密義務規定，金融機構對於客戶之存款、放款或匯款等一切業務資料，均負有極為嚴格的保密責任。金融機構若欲透過海量客戶行為數據訓練私有化AI模型，往往面臨合規使用範圍授權不清、個資去識別化門檻極高以及跨境資料傳輸合規等多重法律紅線。此外若從反面角度思考，個資的高度保護意識，亦可能伴隨「數據孤島」（Data Silos）現象，客戶數據無法自由流動整合成高價值的跨業全景數據，同業間亦基於商業競爭與個資顧慮，難以直接共享數據資源。對於多數中小型金融機構而言，若缺乏高品質、標準化且合規的數據基底，難以開發出高品質的AI應用，造成金融市場上的數位落差進一步擴大。

（三）生成式AI的「幻覺」與資安風險

儘管生成式AI持續演進，但AI幻覺問題從未徹底根除，大型語言模型偶發性生成不實或虛構資訊的特性，在容錯率極低的金融業是致命缺陷。若智能客服或理財專員給予客戶錯誤的合約條款或法規解讀，可能引發嚴重的金融消費爭議與法律賠償。

另一方面，金融機構導入國際AI模型時，多須透過雲端API串接第三方服務，容易造成資料洩漏疑慮和資安風險。對此，金管會於2026年7月發布「金融業應對AI攻擊的挑戰與策略建議」，建議業者運用前沿模型（指能力位於業界前段的AI模型）找出漏洞、推演漏洞利用路徑。

此外，尚須關注生成式AI的系統性風險。Moody's提出警告，認為數量眾多的金融業者過度仰賴於少數幾家科技業者的基礎AI模型和雲端運算，有可能造成系統性風險。以前金融業委外可能分散在不同的軟體供應商，但生成式AI的基礎模型與算力門檻極高，全球幾乎被 OpenAI、Anthropic、Microsoft、Google、AWS等少數巨頭壟斷，很可能加劇受到大範圍系統故障或網路攻擊的衝擊，且壟斷的龍頭科技企業將會在算力供給與計費上握有絕對的定價權。目前臺灣正在開發本土AI模型，如國科會主導的「可信任人工智慧對話引擎」（TAIDE），惟該模型在處理極度複雜的邏輯推理、多步驟數學計算時，能力仍落後於市場主流商業模型，且須政府投入大量伺服器中心擴大算力。

結語

綜合而論，AI技術已正式成為驅動我國金融體系革新與轉型的核心引擎，其涵蓋範圍由早期的預測型輔助工具，跨越至生成式對話與前沿的自主代理人協作，為資產管理、風險辨識與個人化服務注入強大動能。

然而正如金融創新歷程中每一次典範轉移所帶來的衝擊，當前AI技術的深化應用同樣伴隨著演算法可解釋性不足、高度機敏資料治理，乃至生成式AI幻覺與寡占依賴等諸多風險。在2026年G20財長會議上，英國央行總裁貝利（Andrew Bailey）示警，當前的AI監管措施，並不足以保護金融業免於AI模型駭客攻擊的風險。而AI泡沫破裂，或將引發全球經濟衰退。這些都代表AI金融的健康發展絕非僅是技術競賽與利益極大化，而是兼顧金融治理架構、法規調適能力與數位韌性的全面考驗。

未來主管機關與金融機構在擁抱AI創新紅利的同時，更應落實負責任AI（Responsible AI）治理框架，即以安全、合乎道德且可信賴的方式開發、評估和部署AI 系統的方法，並藉由沙盒實驗與防護機制建設，在創新與防範風險之間取得平衡。