本文字多，陸續設計了幾個 Agentic Workflow 串到 Line、Slack、Discord，就同步整理已知的金融業在 GenAI 的報導 (持續更新)，再順手匯整陸續搜集跟瞭解到需求和開發可行性的想法；單純因為略能體會踩的坑；歡迎一起深入探討交流跟體驗一下相關概念應用
生成式 AI (GenAI) 和大型語言模型 (LLM) 正以驚人的速度重塑金融產業，為金融產品的創新和發展帶來無限可能。這篇文章將深入探討 GenAI 和 LLM 在金融產業的應用，並分析其潛在效益、設計方案、技術挑戰和競爭格局，同時結合最新的產業趨勢，例如金融生態圈的合作和永續金融的發展，提出更具體的整合策略。 GenAI 是一種能夠生成全新內容的 AI 技術，例如文本、圖像、程式碼等，其核心技術包含生成對抗網路 (GANs)、變分自編碼器 (VAEs) 和 Transformers 等。LLM 則是一種基於深度學習的語言模型，能夠理解和生成人類語言，並執行翻譯、摘要、問答等任務。近期，技術發展更進一步走向 AI 代理人 (AI Agent) 和代理人工作流 (Agentic Workflow)，透過讓多個 AI 模型或代理人協同作業，處理更複雜的任務。然而，即使是最先進的模型也常因與數據隔離而受限。為了解決此問題，業界正推動如模型上下文協定 (Model Context Protocol, MCP) 這樣的開放標準，旨在提供一個統一、安全的方式來連接 AI 系統與企業內外部的數據源（如資料庫、CRM、內容儲存庫等）。這使得 AI Agent 能夠獲取執行任務所需的即時、相關上下文信息，從而顯著提升其能力與可靠性，為金融創新帶來更深遠的影響。
- 2025/03/26，凱基金控揭集團AI發展藍圖，2025年要建集團AI平臺、發展商用金融AI服務
- 四大核心領域：商業應用 (Commercial Applications)、智能助手 (Intelligent Assistants)、金融智慧 (Financial Intelligence - 研發投入)、平臺科技 (Platform Technology - 研發投入)
- 2025 年的重點將是擴大 AI 應用、開發具體金融服務、整合集團平台，並由子公司在證券端發展主動式助理、布局虛擬資產，在銀行端強化 AI 防詐、試點數位資產保管及優化國際支付
- 2024/11/02，臺北金融科技展登場，多家國內金融業者公開展示GenAI應用
- 各大金控積極佈局生成式AI (GenAI) 應用
- 台新金控 (Taishin)
- 運用雲端資源訓練37B參數量的LLM模型，訓練完成後，再將模型放置於台新內部的地端環境運作。
- 預估投入約3,000萬發展AI，光是硬體資源就包含16片Nvidia H100 GPU。
- 中信金控 (CTBC)
- 升級既有AI應用，強化對話式互動與個人化服務
- 透過對話理解客戶投資習慣，生成個人化投資報表
- 玉山銀行 (E.Sun)
- 以自建的GenAI平台「GENIE」為基礎，透過API將GenAI整合至不同應用場景
- 投資小幫手及信用卡推薦服務等對話式諮詢服務
- 新光金控 (Shin Kong)
- AI商品助理（新壽）：輔助業務員查詢、彙整商品資訊
- 智能業務對練（新壽）：新人與虛擬客戶銷售演練、招募問題建議
- 國泰產險 (Cathay P&C)
- 首創「點數繳保費」服務，允許客戶使用小樹點折抵汽車險、旅遊險保費；與PayEasy合作，讓企業員工可用保險票券折抵保費
- 金融聯合實證 (Joint Proof-of-Concept)
- 多家業者採用聯合學習 (Federated Learning) 技術合作提升打詐能力，精進防詐鷹眼模型，預計2025年3月正式採用聯合學習精進後的模型
- 2024/07/04，金融業轉型必看！金管會最新 AI 指南與生成式 AI 應用案例
- AI 系統生命週期四階段：系統規劃及設計、資料蒐集及輸入、模型建立及驗證、系統佈署及監控
- AI 風險評估考量因素：
- 影響程度：是否直接影響客戶權益或營運
- 個資使用：使用個人原始或機敏資料的程度
- 自主決策程度：AI 自動化決策或學習的程度越高，風險可能越高
- 複雜性： 模型越複雜、參數越多，可解釋性可能越低，風險越高
- 利害關係人影響： 影響內外部利害關係人的程度與廣度
- 救濟選項： 是否提供完整申訴、爭議處理機制
- 六大核心原則：
- 治理及問責：建立風險管理機制、確保人員 AI 素養、承擔責任
- 公平性及以人為本：避免演算法偏見、維持人類可控
- 隱私及客戶權益： 尊重隱私、妥善管理資料、提供客戶替代方案選擇權
- 系統穩健性與安全性： 確保系統穩定安全、管理第三方業者風險
- 透明性與可解釋性： 確保運作透明可解釋、主動向利害關係人揭露
- 永續發展： 符合永續原則、提供員工培訓以適應變革、維護工作權益
- 常見「傳統」AI 應用：語音轉文字、金融文件與影像辨識、異常檢測/預防詐欺
- 常見「生成式」AI (GenAI) 應用：內部知識平台、自然客製化的 AI 客服助理、內容生成
- 2024/05/28，生成式AI如何影響金融業？麥肯錫：銀行業利潤將因此增長600億
- 調查顯示，台灣銀行業者普遍認為GenAI短期內主要價值在於： 降低營運成本 (93%)、提升業務收入 (59%)、強化品牌形象 (55%)
- 台灣銀行業的GenAI應用現況，目前集中在營運與服務 (79%)、行銷活動 (66%) 及 IT開發 (52%)。常見應用如內部知識虛擬助手、優化智能客服等。
- 2024/05/08，中信金、台新金引進 機器人客服變「聰明」銀行業導入LLM 新一波軍備賽開打
- 正在利用 LLM 來加強內部知識管理，並通過 AI 驅動的聊天機器人和虛擬助理來改善客戶體驗。
- 創建更複雜和個性化的客戶服務工具，這些工具能夠理解和回應複雜的查詢
- 2024-04-26，玉山怎麼用GenAI？12項應用服務大解析
- 2024/01/08，銀行保險金融機構生成式人工智慧（GenAI）策略報告
2023/08 公司添購 RTX 6000 Ada 48 GB * 2 和 A 100 80GB * 4
2024/05 公司添購RTX 6000 Ada 48 GB * 8 * 2
GenAI 和 LLM 在金融產業的應用
GenAI 和 LLM 的整合，可為金融產業帶來了新的發展契機，可以提升產品功能、改善使用者體驗，並提供更個人化和客製化的服務。然而，在整合過程中也需要克服資料安全、模型可靠性和法規遵循等挑戰。展望未來，金融業的 AI 應用將從大型語言模型，進一步演化為由 AI Agent組成的複雜系統與工作流。而像 MCP 這樣的數據連接標準，將扮演關鍵的基礎設施角色，通過打通數據孤島，讓 AI Agent 能夠存取和利用更豐富、即時的上下文訊息，從而解鎖更強大的自動化、個人化與智能化服務潛力，但也對系統整合、標準實施、安全治理提出了更高的要求。
- 整合 GenAI 和 LLM 的挑戰
- 資料安全和隱私：金融資料的安全性至關重要，整合 GenAI 和 LLM 需要採取嚴格的資料加密和存取控制措施，確保用戶資料的隱私和安全
- 模型的準確性和可靠性：GenAI 和 LLM 的輸出需要經過嚴格的驗證和測試，確保其準確性和可靠性，避免誤導投資決策
- 監管和合規性：金融產品的開發和應用需要符合相關的監管法規，整合 GenAI 和 LLM 也需要遵守相關的規範，例如 KYC (認識你的客戶) 和 AML (反洗錢) 等
- 道德和倫理：AI 的應用需要遵守道德和倫理原則，避免產生歧視、偏見等問題，並確保 AI 的決策過程是透明且可解釋的
- 可解釋性挑戰：理解一個透過 MCP 獲取多源數據並進行複雜處理的代理人系統做出決策的原因，可能比單一模型更困難
- 🚫 三大迷思 + ✅ 避坑指南
- Dify是AI應用，讓想法快速落地，n8n是數位化的，讓流程堅如磐石
- 💡迷思一：盲目追求技術先進
- 用 n8n 做太複雜的流程，結果技術經驗不足，系統崩潰
- 先用 Dify 驗證需求，資料超過 10 萬筆再考慮 n8n
- 從簡單流程 (像郵件自動化) 做起，漸進式擴充
- 💸迷思二：忽視成本與資料安全
- 用 Dify 公有雲跑 GPT-4，結果費用爆表，還得搬家
- 🧩迷思三：低估技術與團隊能力不匹配
- 確認 AI 適用性（Dify 要資料結構好，n8n 要 API 清楚）
- 業務懂提示詞寫法，開發懂 n8n 偵錯技巧
以下將陸續針對可能的開發方案從設計方案、技術還有已知可能競品來做分析
- 人壽保險的應用
- 智能核保
- 設計方案：
- LLM 可以分析客戶的健康數據、生活習慣、家族病史等資訊，自動化評估風險，並生成核保報告，加速核保流程，降低核保成本
- 用Dify開發智慧核保問答系統（解析使用者健康告知並產生風險評估），再透過n8n將核保結論同步至理賠系統與財務系統，實現「使用者提昇財務心包決策」
- 技術：
- 自然語言處理 (NLP) 技術：用於分析醫療報告和健康數據；機器學習 (ML) 演算法，用於建立風險評估模型
- 代理人工作流 (Agentic Workflow)：由一個數據收集代理人專責收集和驗證客戶數據，另一個代理人專門評估特定醫療風險，第三個代理人分析生活習慣風險，最後由一個整合代理人匯總資訊、生成報告，並將複雜案件標記給人類專家複審，這種分工能更有效處理複雜的核保流程
- Dify負責認知層任務（語意理解、內容生成）
- n8n負責執行層任務（資料流轉、系統觸發）
- Model Context Protocol (MCP)：作為標準接口，讓數據收集代理人能夠安全、有效地連接並提取來自不同系統 (如內部健康記錄資料庫、需授權的外部數據API) 的資訊。同樣地，AI Agent在生成報告前，也可透過 MCP 提取最新的規則或範本
- 競品分析：目前市場上已有不少保險科技公司開始應用 GenAI 和 LLM 技術於人壽保險領域，例如
- 個人化保單推薦
- 設計方案：GenAI 可以根據客戶的年齡、性別、健康狀況、財務狀況等資訊，生成個人化的保單推薦，例如推薦適合的險種、保額、繳費方式等
- 技術：
- 自然語言處理 (NLP) 技術：用於理解客戶的需求和偏好；推薦系統技術，用於推薦適合的保單產品
- 藉由MCP，讓AI Agent安全地查詢這些內部系統，獲取推薦所需的數據來存取客戶資料 (可能在 CRM 中) 和即時的保單產品資訊；如此，將不僅是被動推薦，而是讓AI Agent 扮演長期財務顧問的角色，主動監測客戶的人生大事 (需客戶授權或互動提供，如結婚、新生兒、換工作)，並結合持續更新的客戶畫像，主動提出保單調整或新增保障的建議
- 競品分析： 除了上述保險公司，其他業者也積極投入 AI 技術的應用
- 台灣人壽：利用 AI 技術分析客戶數據，提供個人化保險規劃建議
- 理賠自動化
- 設計方案：LLM 可以分析理賠申請文件，自動化審核理賠案件，並生成理賠報告，加速理賠流程，提升理賠效率
- 技術：
- 自然語言處理 (NLP) 技術：用於分析理賠文件；機器學習 (ML) 演算法，用於建立理賠審核模型
- 透過 Agentic Workflow 實現高度自動化：例如，文件驗證代理人、詐欺偵測代理人、損失評估代理人 (可整合圖像辨識）、支付處理代理人等協同作業，加速理賠並提高準確性；而MCP 可作為統一的協議，各個代理人可視需求存取不同數據源，如文件管理系統、保單管理系統、外部詐欺資料庫、影像分析結果儲存庫等
- 競品分析：AI 技術的應用也加速了理賠流程的自動化，例如：
- 國泰產險：利用 AI 技術判讀車損照片，自動化估算維修費用，加速理賠流程。
- 客戶服務
- 設計方案：LLM 可以驅動聊天機器人，即時回答客戶的保險問題，例如保單查詢、理賠諮詢等，提供 24/7 的客戶服務
- 技術：
- 自然語言處理 (NLP) 技術：用於理解客戶的提問和意圖；知識圖譜 (KG) 技術，用於構建保險知識庫，提供更準確的資訊
- 未來的智能客服將進化為更強大的 AI Agent，不僅能回答問題，更能理解複雜的多輪對話意圖，存取並操作多個後端系統 (查詢保單、帳單、理賠進度)，甚至根據對話自主啟動服務流程 (如協助客戶線上申請理賠)
- 為了提供準確且個人化的服務，AI Agent 需要即時存取知識庫、客戶帳戶資料、交易歷史等。MCP 使得代理人可以透過標準化接口，安全地連接到這些後端系統，獲取回應客戶所需的上下文
- 競品分析：許多保險公司已導入 AI 客服機器人，例如
- 國泰人壽:：推出 AI 客服機器人「阿發」，提供線上保單諮詢和理賠服務
- 個人化投資組合
- 設計方案：
- 建立用戶畫像：透過收集用戶的風險承受能力、投資目標、財務狀況、投資偏好等資訊，並結合市場數據和投資策略，利用 GenAI 建立用戶畫像
- 生成投資組合：根據用戶畫像，生成客製化的投資組合建議，例如參考 RBC Wealth Management 的報告，根據用戶的年齡、收入、投資經驗等因素，調整投資組合中股票、債券、ETF 等資產的比例，並推薦符合用戶風險承受能力的投資標的
- 動態調整：持續追蹤用戶的投資行為和市場變化，並利用 GenAI 動態調整投資組合，確保投資組合始終符合用戶的需求和市場狀況
- 技術：
- 自然語言處理 (NLP) 技術：用於理解用戶的投資需求和偏好
- 機器學習 (ML) 演算法，用於分析市場數據和預測投資趨勢
- 深度學習 (DL) 模型，用於生成個人化投資組合
- AI Agent 可作為更主動的個人化投資顧問，不僅生成初始投資組合，更能持續監控績效、市場變化及客戶目標變動 (透過互動或客戶提供的更新資訊，連接多種數據源，如即時市場數據 API、客戶投資組合數據庫、風險評估模型輸入源等)，主動提出調整建議並清晰解釋原因。背後可由一個Agentic Workflow 支持：市場分析代理人、風險評估代理人、投資組合建構代理人、客戶互動與解釋代理人等各司其職
- 競品分析：
- 優化投資策略
- 設計方案：
- 資訊整合：利用 LLM 整合大量的市場數據、經濟指標、新聞事件、社群媒體輿情等資訊，建立全面的市場資訊庫
- 策略生成：根據市場資訊庫，生成多種投資策略，並進行回測和評估，選擇最優的投資策略
- 動態調整：持續追蹤市場變化和投資績效，並利用 LLM 動態調整投資策略，確保投資策略始終保持最佳狀態
- 技術：
- 自然語言處理 (NLP) 技術：用於分析新聞事件和市場情緒。 ● 時間序列分析 (TSA) 技術，用於預測市場趨勢
- 强化學習 (RL) 演算法，用於動態調整投資策略
- 設計多個 AI Agent：有的監控特定產業，有的分析宏觀經濟數據，有的處理新聞與社群情緒，有的執行回測與模擬，有的專注風險管理。這些代理人協同工作，形成更全面、更即時的市場洞察與策略建議；這些協同工作的代理人需要從大量不同的來源獲取資訊，例如市場數據供應商、新聞 API、經濟數據庫、甚至是內部研究報告資料庫
- 競品分析：
- 鉅亨買基金：鉅亨網提供的線上基金交易平台，運用 AI 技術，提供基金診斷和投資組合建議
- SmartM：提供 AI 驅動的投資策略建議，協助用戶進行投資決策
- 提升使用者互動
- 設計方案：
- 智能客服：利用 LLM 驅動聊天機器人，即時回答用戶的投資問題，提供 24/7 的客戶服務，並可串接後端 API 系統，查詢用戶帳戶狀態、協助解決登入問題等
- 客服信箱 QA 處理：利用 LLM 自動化處理客服信箱的用戶提問，例如帳戶查詢、密碼重置等，提升客服效率
- 個人化推薦：根據用戶的投資偏好和行為，提供個人化的產品推薦和投資建議
- 社群互動：建立線上社群平台，讓用戶可以互相交流投資經驗，分享投資心得
- 資料安全：
- 身份驗證：透過多因素驗證 (MFA) 等方式，驗證用戶身份，確保只有授權用戶才能存取敏感資訊
- 資料加密：對聊天內容和用戶資料進行加密，防止資料洩露
- 存取控制：設定不同的權限等級，限制不同角色的用戶可以存取的資訊範圍
- 安全審計：定期進行安全審計，檢查系統是否存在漏洞，並及時更新安全策略
- 技術：
- 自然語言處理 (NLP) 技術：用於理解用戶的提問和意圖
- 語音辨識 (ASR) 和語音合成 (TTS) 技術，用於實現語音互動
- 知識圖譜 (KG) 技術，用於構建投資知識庫，提供更準確的資訊
- 如前述客服應用，AI Agent 能處理更複雜的互動，提供更深入的解答，甚至能主動發起新對話內容 (例如：『偵測到您關注的科技股近期波動較大，是否需要檢視相關資訊或調整策略？』)。使用者的一個請求可能觸發一個工作流：互動代理人理解需求後，可能需要調度數據查詢代理人、分析建議代理人，最後再將結果匯總呈現
- 競品分析：
- 中信金控智能客服：中信金控利用 LLM 搭配自家銀行產品知識庫，打造理財與信用卡諮詢「AI 智能助理」
- 台新銀行 Richart Life：台新銀行的 Richart Life App 提供智能助理服務，可以根據用戶的指令，執行多種任務，例如查詢帳戶餘額、轉帳等
- 自動化報告生成
- 設計方案：
- 資料整合：整合來自不同來源的數據，例如市場數據、用戶數據、交易數據等
- 報告生成：利用 LLM 自動生成各種投資報告，例如投資組合報告、市場分析報告、風險評估報告等
- 個人化定制：根據用戶的需求，定制報告的內容和格式
- 技術：
- 自然語言生成 (NLG) 技術，用於生成流暢且易懂的報告文本
- 資料視覺化技術，用於將分析結果以圖表、表格等形式呈現
- 範本生成技術，用於根據不同的分析結果，生成不同類型的報告
- Agentic Workflow 優化報告生成：數據收集代理人、數據分析代理人、圖表生成代理人、自然語言報告撰寫代理人 (可根據不同讀者調整語氣和深度) 協作完成
- 競品分析：
- Bloomberg GPT：彭博開發了一個基於 OpenAI 的 GPT 的人工智慧模型，並計劃將其整合到透過其終端軟體提供的功能中，使得市場情感分析、專有名詞辨識、新聞分類與問答等功能利用 AI 增強了其數據分析和財務報告能力，讓體驗更加智能化
- 預測市場趨勢
- 設計方案：
- 資料收集：收集大量的歷史數據、市場資訊、經濟指標等
- 模型訓練：利用 GenAI 訓練預測模型，例如時間序列模型、深度學習模型等
- 趨勢預測：根據預測模型，預測未來的市場趨勢，例如股票市場的漲跌趨勢、利率的變化、匯率的波動等
- 技術：
- 時間序列分析 (TSA) 技術，用於分析歷史數據和預測未來趨勢
- 機器學習 (ML) 演算法，用於建立預測模型
- 深度學習 (DL) 模型，用於捕捉複雜的市場模式
- AI Agent 可試需求連接到存放歷史數據、即時市場資訊、經濟指標等的各種數據庫或 API；類似投資策略優化，可由多個專精不同數據類型（經濟指標、市場情緒、技術分析）或預測模型的代理人協作，產生更穩健的綜合預測結果
- 競品分析：
- 益普索 Predictive Analytics：結合深度學習模型，進行更精準的市場預測
- 提供客製化建議
- 設計方案：
- 需求分析：透過與用戶互動，了解用戶的投資需求、風險承受能力、投資目標等
- 建議生成：結合 GenAI 和 LLM，根據用戶的需求，生成客製化的投資建議，例如推薦適合的投資產品、調整投資標的、分散投資風險等
- 解釋說明：提供清晰的解釋說明，幫助用戶理解投資建議的理由
- 技術：
- 知識圖譜 (KG) 技術，用於構建投資知識庫，提供更全面的資訊
- 推薦系統技術，用於根據用戶的偏好，推薦適合的投資產品
- 自然語言生成 (NLG) 技術，用於生成客製化的投資建議文本
- AI Agent 需要整合客戶在不同系統中的數據 (如銀行帳戶、投資組合、保險單、貸款狀況等)