這兩年談金融業 AI，最容易讓人興奮的，幾乎都是模型。
模型愈來愈強、生成速度愈來愈快、能做的事愈來愈多，這些當然重要。但如果你真的在金融業裡推過 AI，你很快就會知道，最難的從來不是模型本身。
最難的，是把責任、流程與法遵一起接起來。
因為金融業不是一個只要模型好用就能直接上線的產業。這裡每一個判斷，最後都會回到幾個很現實的問題：
- 這個 AI 產出的內容，誰負責
- 它進到哪一段流程
- 哪些資料可以用，哪些不能用
- 哪些決策可以交給系統，哪些一定要有人覆核
- 當結果出錯時，組織有沒有清楚的責任邊界
所以我現在看金融業 AI 導入，幾乎不會先問「模型有多厲害」，而是先問「它到底要進哪一段流程，又準備怎麼被治理」。
真正的 AI 落地，不是 proof of concept，而是責任設計
很多組織做 AI，第一階段都很容易成功。
做一個 demo、做一個 assistant、做幾個摘要、做幾段生成內容，通常不難。難的是，當你真的想把它放進正式營運流程時，組織會開始集體卡住。
這不是因為大家保守，而是因為金融業很清楚，任何一個被放進客戶、交易、產品、法遵或營運流程裡的東西，都不能只靠「大致上可用」。
所以我很常提醒團隊，AI 導入如果要走得長，第一件要設計的不是 prompt，而是責任。
誰是使用者？誰是 reviewer？誰是 owner？誰可以 override？哪一種輸出只能輔助判斷，哪一種輸出可以進入下一步工作流？
這些問題如果沒有先被設計清楚，模型愈強，組織反而愈不敢用。
我後來更相信，金融業 AI 要先從 workflow 開始，而不是從模型開始
這也是我現在做 AI strategy 時很核心的一個觀點。
如果回到第一性原則，企業導入 AI，不是為了「擁有模型」，而是為了讓某些工作變得更快、更準、更可擴張，或者讓原本做不到的事情變得做得到。
換句話說，AI 的價值不是存在於模型，而是存在於 workflow。
它要進到哪個環節？是知識整理、文件生成、內部審核、客戶應答、產品提案、法遵檢查，還是前線輔助？每一種場景牽涉的風險、責任與治理方式都不同。
我也因為這樣愈來愈覺得，金融業 AI 導入不是單點技術專案，而是一個結構題。你必須把 AI Office、資料治理、APIM、系統整合、風險控管與業務流程放在一起看，才有可能真的做出可持續運作的架構。
法遵不是最後一道關卡，而是設計的一部分
這件事很值得特別講。
很多團隊會把法遵當成最後的審核者，彷彿先把東西做完，再請法遵看能不能過就好。但在金融業，這種思路通常走不遠。
因為只要法遵是最後才出現，他看到的就不會是一個可治理的流程，而是一個已經做完、現在希望他點頭的成品。那在多數情況下，他最合理的反應就是保守。
所以我更傾向把法遵拉回設計前段。
不是讓法遵來決定創意，而是讓法遵早一點參與風險邊界、資料界線、覆核要求與紀錄機制。當這些事情在前面就被設計進去，後面的落地阻力會小很多。
這其實和我以前做金融產品、流程與平台整合時很像。真正能落地的創新，從來不是先衝出去，再回來補治理；而是一開始就把治理和成長一起設計。
企業最後要建立的，不是一個 AI demo，而是一套 AI operating model
我現在回頭看，金融業 AI 真正的分水嶺，不在模型選得對不對，而在組織有沒有能力建立自己的 operating model。
這套 operating model 至少要包含幾件事：
- 場景優先順序：哪些流程最值得先導入 AI
- 權責設計：誰使用、誰覆核、誰負責
- 資料治理：資料能不能安全、可控、可追溯地被使用
- 技術底盤：模型、APIM、既有系統與權限機制怎麼接起來
- 監控與迭代：上線之後怎麼看品質、風險與採用率
如果這五件事沒有同時成立，企業通常只會得到一堆分散的 AI 工具，而不是一套真的能放進營運的能力。
我最想推動的，不是一波 AI 專案，而是讓組織開始具備長期導入 AI 的能力
這也是我現在最在意的一點。
金融業 AI 導入不是短跑，不是看誰先做出幾個 use case，而是看誰能把責任、流程、法遵與技術底盤接成一套能持續演化的系統。只有這樣，AI 才不會停在試點，而會開始變成組織能力。
如果你問我金融業 AI 最難的是什麼，我的答案不會是模型。
真正最難的，是你有沒有能力讓責任分工清楚、流程重新設計、法遵提早進場、資料治理站穩，最後讓 AI 不是被展示，而是被放心地放進日常營運裡。那才是金融業 AI 導入真正開始發生的時刻。