<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by 玉山科技專欄 E.SUN Tech Team on Medium]]></title>
        <description><![CDATA[Stories by 玉山科技專欄 E.SUN Tech Team on Medium]]></description>
        <link>https://medium.com/@intelligent-finance?source=rss-570c23cc787f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*BZeqmrKJpwBtM4j1Ga2_4w.png</url>
            <title>Stories by 玉山科技專欄 E.SUN Tech Team on Medium</title>
            <link>https://medium.com/@intelligent-finance?source=rss-570c23cc787f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 20:36:50 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@intelligent-finance/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[讓每一分雲端投資創造更大價值：玉山如何以 FinOps 打造企業獲利加速器]]></title>
            <link>https://medium.com/@intelligent-finance/esun-finops-d99ae86d3374?source=rss-570c23cc787f------2</link>
            <guid isPermaLink="false">https://medium.com/p/d99ae86d3374</guid>
            <category><![CDATA[雲端]]></category>
            <category><![CDATA[fintech]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[玉山金控]]></category>
            <dc:creator><![CDATA[玉山科技專欄 E.SUN Tech Team]]></dc:creator>
            <pubDate>Tue, 03 Nov 2026 06:57:05 GMT</pubDate>
            <atom:updated>2026-11-03T06:57:05.213Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LgTJ5XLC_SDb4GrBOOgOMA.png" /></figure><p>在電影《魔球》（Moneyball，2011）中，奧克蘭運動家隊面臨一個難題：球隊的預算遠不及豪門，卻必須在同一個球場上競爭。</p><p>當多數球隊討論著該高價簽下哪位明星時，運動家隊的年輕數據分析師提出了一個截然不同的觀點：</p><p><em>「其他球隊花錢買明星球員，但我們真正需要買的，不是球員，而是勝利。如果我們知道哪些數據真正影響勝負，就能找到被市場低估的球員，用更少的錢，創造同樣甚至更好的成績。」</em></p><p>這個想法，後來成為《魔球》最重要的精神：<strong>有限的資源不一定是劣勢，關鍵是如何重新定義資源的價值。</strong></p><p>二十多年後，這樣的思維正在企業雲端管理中再次上演。</p><p>在生成式 AI、Agentic AI 與資料驅動決策快速發展的今日，企業對運算資源的需求暴增。過去，運算能力受限於硬體採購與機房建置；現在，幾個點擊就能取得龐大算力。然而，當取得資源越來越容易，企業真正需要回答的問題，也從「我們有多少運算能力」，轉變為：<strong>「我們投入的每一分雲端成本，究竟創造了多少價值？」</strong>這也是玉山推動 FinOps（雲端財務營運）的起點。</p><p>對玉山來說，FinOps 不只是管理雲端帳單的方法，而是將財務、工程與業務價值連結在一起的新能力，讓雲端不再只是隨業務成長而增加的費用，而是成為提升生產力、支持企業獲利的加速器，接下來我們將一招一招分享玉山的制度建立方法。</p><h3><strong>FinOps 第一招「看得見」：建立可觀測性，把成本變成工程指標</strong></h3><p>過去幾年，雲端服務的彈性與敏捷性改變了企業的 IT 生態。工程師不再需要為未來三年的硬體需求苦惱。但技術門檻降低的同時，<strong>傳統機房的「固定資本支出」也變成了「即時動態計費」。</strong></p><p>「很多企業第一次真正意識到雲端管理的重要，不是因為系統掛掉，而是因為帳單突然變大。」</p><p>玉山技術團隊觀察到，尤其在資料分析平台與大型運算服務擴張時，真正的痛點往往不是花費增加，而是「沒有人能在第一時間知道為什麼增加」。若沿用過去月底結帳、事後檢討的模式，等發現異常超支時，大量資源早已白白消耗。<strong>如果雲端是即時運作的基礎設施，成本管理自然也必須即時化。為此，我們認為第一步，是建立「可觀測性（Observability）」。</strong></p><p>團隊透過串接雲端 Billing API 與內部 Dashboard，打造出每日成本監控系統。系統會自動將各專案的資源使用與費用資訊，每日推播給各專案經理（PM）與技術主管（TL），這帶來的改變，不只是把月報表改成日報表。而是：</p><p><em>「我們希望大家看成本，就像看 CPU utilization 或 memory usage 一樣自然。」</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Nkgv7zg5u6OiWFZByaMIRw.png" /><figcaption>告別月底帳單驚嚇，讓雲端成本即時呈現到專案主管手中。</figcaption></figure><p>在此思維下，成本首次褪去了純財務數字的色彩，正式成為日常工程管理的核心指標。當工程師能隨時觀察成本數據，就能更早理解不同資料結構、查詢策略與運算配置所造成的資源消耗，進而評估哪些技術投入值得持續擴大。</p><p><strong>這是 FinOps 制度的第一個價值，不是要求大家少花錢，而是讓技術團隊知道：錢花在哪裡，以及為什麼值得花。</strong></p><h3><strong>FinOps 第二招「看得懂」：搭配 AI，讓成本數據成為人人可用的決策依據</strong></h3><p>看到了成本數據，下一個問題是：如何讓這些資訊真正幫助工程團隊做決策？</p><p>在大型企業中，雲端資源可能分散於不同專案、平台與服務，即使擁有完整的 Dashboard，工程師仍需花費大量時間交叉比對，才能找出優化空間。為此，玉山進一步將 AI 導入 FinOps 流程，讓成本分析從「傳統的報表操作」，轉變為「自然語言互動」。例如，工程師可以直接詢問：</p><ul><li>「本月哪個專案的雲端成本最高？主要來自哪些服務？」</li><li>「哪些服務的費用成長最快？是使用量增加還是單位成本改變？」</li><li>「哪些資源長期閒置，卻仍持續產生費用？」</li><li>「如果調整運算規格或資料查詢方式，可能節省多少成本？」</li></ul><p>這類問題過去需要人工查詢、整理資料與比對不同報表；現在透過 AI 輔助分析，可以更快速地取得分析結果與改善線索。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HwCptbnlZSUGTJ5Ylxpj4A.png" /><figcaption>透過導入AI助理，工程師能以自然語言對話，取代繁瑣的報表交叉比對。</figcaption></figure><p>不過，AI 的價值並不只是快速回答問題，更重要的是<strong>協助工程師從數據中辨識「行動機會」</strong>。例如，某服務成本增加，可能是因為新產品上線帶來更多交易量。若只從費用評估，可能錯誤限制了具成長潛力的服務。</p><p>因此，FinOps 分析不能只回答「為什麼成本增加」，更應該追問：<strong>「成本增加的同時，企業獲得了什麼？」</strong></p><p>當 AI 能協助工程師更有效率地理解資源使用情形，團隊就有機會把更多時間投入系統優化與新服務開發，<strong>讓成本數據從少數專家的分析工具，轉化為每個技術團隊都能使用的日常決策依據。</strong></p><h3><strong>FinOps 第三招「持續優化」：建立 PDCA 循環</strong></h3><p>回到根因，雲端成本往往不是在帳單出現時才決定，而是在系統設計的那一刻，就已經埋下了大部分的影響因素。舉例：使用哪一種資料庫？資料應該如何分區？ 這些原本屬於系統架構的技術問題，同時也是成本架構的設計選擇。</p><p>基於這個認知，FinOps 就不應被視為上線後的省錢工具，而是將成本效率納入工程設計的 PDCA 循環：</p><ul><li><strong>Plan｜在專案開始前，先理解資源需求</strong></li></ul><p>不只是提出預算數字，更要評估工作負載特性、預期使用量及可能的成長趨勢，選擇合適的架構與計費方式。</p><ul><li><strong>Do｜在服務運作時，持續掌握資源使用</strong></li></ul><p>透過預算告警與每日成本資訊，讓負責團隊能及早發現使用模式的變化，並即時調整配置。</p><ul><li><strong>Check｜從成本變化中，找出真正值得改善的地方</strong></li></ul><p>透過定期檢視，理解費用成長究竟來自業務擴張、架構設計、資源配置，還是運作流程，避免只看數字就做出判斷。</p><ul><li><strong>Act｜將分析結果重新帶回工程設計</strong></li></ul><p>調整系統架構、改善資料處理方式、優化運算資源及採購策略，讓每一次改善都成為下一個專案的經驗。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ADMEdQgwirErFdEXiOmUmQ.png" /><figcaption>將成本效率深植於架構設計，打造持續優化的 FinOps PDCA 治理循環。</figcaption></figure><p>其中，針對機器學習平台（ML Platform）與虛擬桌面環境（VDI）等使用量相對穩定的服務，玉山也運用承諾使用折扣（CUD, Committed Use Discount），在合理評估未來需求後，透過長期承諾取得更好的資源價格。這項策略看似屬於財務採購，實際上卻需要工程與財務團隊密切合作，因為好的採購方案，取決於資源使用是否穩定，以及系統是否保留了足夠的彈性。</p><p>當成本效率成為架構設計的一部分，FinOps 才真正從財務管理走向工程能力。</p><h3><strong>從實戰來看：玉山淬鍊出的兩大雲端管理心法</strong></h3><p>FinOps 的成果，不只存在於成本報表的數字變化，更體現在工程團隊如何運用技術，讓相同的資源創造更多價值。在歷經大流量壓測與無數次架構重構的洗禮後，玉山從第一線實務中，萃取出兩大雲端管理心法，與 FinOps 在這之中的價值：</p><p><strong>心法一：優化底層架構，而非限制資源</strong></p><p>在內部測試或正式專案中，發現讓費用異常飆升的不是測試流量過大、也不是業務量異常，而是因為資料結構或查詢方式導致不必要的運算消耗。為此，與其請工程師「用更少的資源做事」，應轉為「用更好的架構做事」。</p><blockquote>💡 FinOps 價值體現：當成本具備可觀測性，工程團隊能及早發現「架構上的設計債」。將省下的無效算力轉化為創新量能，才是最高級的成本優化。</blockquote><p><strong>心法二：拆解工作負載特性，讓固定與彈性需求各得其所</strong></p><p>對企業而言，有些資源需求會隨業務量明顯波動，有些則具有相對穩定的使用模式，而虛擬桌面環境（VDI）就是值得從長期使用行為進行分析的場景。</p><p>玉山團隊不再平均地撒下所有資源，而是透過數據觀測，精準拆解系統行為。我們先回收低利用率的閒置配置，接著切分出「絕對穩定需求」與「彈性波動需求」。針對具有穩定需求者，搭配 CUD 策略；針對波動需求，則保留 Auto-scaling 的彈性。這不是單純的財務採購，而是一場基於系統行為的資源配置工程。</p><blockquote>💡 FinOps 價值體現：FinOps 讓技術與財務不再各自為政。唯有精準掌握系統的實際需求，企業才能以最高效的成本結構，支撐長期且穩定的服務成長。</blockquote><h3><strong>邁向 AI Agent 時代：讓 FinOps 成為創新的加速器</strong></h3><p>隨著 AI 演進，企業對資源的需求正發生結構性改變。過去成本多來自資料儲存與後端 API 運行；進入生成式 AI 時代，模型推論、Token 用量、GPU 運算、向量檢索與多步驟 Agentic Workflow，成為全新的成本來源。</p><p>在 Agentic AI 場景中，一項任務可能涉及多次模型呼叫與工具操作。是否每個任務都需要用最高階的 LLM？能否依難度動態呼叫模型？哪些 GPU 工作負載適合彈性調度？<strong>未來的 AI 競爭，不只看誰部署更多 Agent，而是看誰能用「最合理的運算成本，提供可規模化的AI服務」。</strong></p><p>因此，FinOps 的下一步，正是朝向更高效率的資源配置、雲端與 GPU 成本的協同管理。當成本資訊成為自動化資源調度的依據，企業就能建立一套隨業務進化、持續迭代的技術營運模式。</p><h3><strong>Takeaway：不是花更少的錢，而是創造更大的價值</strong></h3><p>回到電影《魔球》。運動家隊並沒有因為球隊預算不足，就放棄追求勝利。他選擇重新理解棒球的運作方式，利用資料找到傳統方法忽略的價值，讓有限的資源發揮更大的效果。FinOps 帶給企業的啟發，其實也是如此。</p><p>雲端的真正價值，從來不只是讓企業更容易取得運算能力，而是讓技術創新可以更快速、更有彈性地支持業務發展。玉山推動 FinOps，不是要讓工程師因為預算而限制想像力，而是希望透過透明的資訊、有效率的架構與持續改善的治理機制，讓每一個值得實現的創新構想，都有更好的資源支持。</p><blockquote>FinOps 的終點不是省下多少錢，而是讓每一分投入，都能成為推動企業獲利與成長的力量。</blockquote><p><strong>專有名詞解釋</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YthKdeL3hb4Z766sL0FZ1w.png" /></figure><p><strong>💡 Join the Team</strong></p><p>讓每一分投入創造更大價值，不只是 FinOps 的目標，也是玉山科技聯隊日常努力的方向。</p><p>如果你也有在金融科技領域發揮影響力的憧憬，歡迎前往<a href="https://recruit.esunbank.com.tw/Recruit/EliteDetail?eliteItemID=39">【玉山科技人才招募專區】</a>，或歡迎隨時來信與技術團隊聊聊，與我們一起用科技創造更多可能！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d99ae86d3374" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[玉山如何以 Agentic AI 重塑金融生產力 （下）]]></title>
            <link>https://medium.com/@intelligent-finance/agentic-ai-workflow-part-2-39a377aefca5?source=rss-570c23cc787f------2</link>
            <guid isPermaLink="false">https://medium.com/p/39a377aefca5</guid>
            <category><![CDATA[玉山]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[fintech]]></category>
            <dc:creator><![CDATA[玉山科技專欄 E.SUN Tech Team]]></dc:creator>
            <pubDate>Fri, 02 Oct 2026 08:29:18 GMT</pubDate>
            <atom:updated>2026-10-02T08:29:18.144Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vNvRFnI82eWJYbKV5epAeg.jpeg" /></figure><h3>前情提要</h3><p>在上篇文章中，我們探討了生成式 AI 如何透過 Agentic Workflow，從單純「回答問題」進階到「完成工作」。而企業真正的競爭焦點，不在於盲目追逐最強模型，而是將內部的專業 Know-how、作業規則與分工，拆解為 AI 能依循的流程；讓 AI 負責標準化作業，人類則專注於高價值的最終決策。</p><p>💡如果還沒看過上篇，可以先點這裡看：</p><p><a href="https://medium.com/@intelligent-finance/agentic-ai-workflow-part-1-361f3eee9a00">玉山如何以 Agentic AI 重塑金融生產力 (上)| by 玉山科技專欄 E.SUN Tech Team | Sep, 2026 | Medium</a></p><p><strong>而在【下篇】文章中，我們想進一步探討：當 AI 具備強大的執行力，企業該如何駕馭？</strong></p><p>我們將討論以下重點：</p><ul><li><strong>Agent 能力與管理政策必須同步擴張：</strong> 當 AI 從「會說」變成「能做」，治理機制必須從管理答案，升級為管控權限與風險等。</li><li><strong>告別 Agent 孤島：</strong> 透過 MCP 與 A2A 等標準協定，建立可連接、可組合的企業 AI 系統架構。</li><li><strong>玉山案例分享： GENIE 3.0</strong>， 在金融業，集中控管的基礎設施並非限制發展的阻力，而是 AI 能被放心授權、進入核心業務的絕對前提。</li></ul><p>正文開始～</p><p>但當 AI 開始具有執行力，問題也會跟著改變。當 AI 只負責產生文字時，錯誤通常停留在答案層次；當 Agent 可以查詢資料、呼叫工具甚至執行流程時，錯誤就可能被轉化成真正的操作。因此，Agentic AI 下一個真正的問題不是：</p><p><em>AI 還能做到什麼？</em></p><p>而是：</p><blockquote><strong>企業如何讓 AI 有能力做事，同時又不失去控制？</strong></blockquote><h3><strong>關鍵問題：當 AI 從「會說」變成「會做」，風險也跟著改變</strong></h3><p>當 AI 只負責產生文字時，錯誤通常停留在答案層次；當 Agent 可以查詢資料、呼叫工具或執行流程時，錯誤就可能被轉化為真正的操作。</p><p>因此，Agent 能力每增加一層，治理機制也必須同步增加。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SC9WtD0wUiaOGwOXv0Y5Ug.png" /><figcaption>能力愈大，防護網愈密：當 AI 從「單純產生文字」走向「影響決策」，企業的存取控制與人工把關機制也必須層層升級</figcaption></figure><p>台灣金管會於 2024 年發布《金融業運用人工智慧（AI）指引》，要求金融機構以負責任創新與可信賴 AI 為原則，並依應用情境與風險程度建立相應治理機制。(<a href="https://law.fsc.gov.tw/LawContent.aspx?id=GL003920&amp;media=print&amp;utm_source=chatgpt.com">FSCRS</a>)</p><p>對金融業而言，治理並不是在系統完成後附加的合規文件，而必須成為架構本身的一部分。例如，Agent 只能存取完成任務所需的最低權限；系統應保留工具呼叫與中間結果；高風險任務不得由同一 Agent 同時執行與驗證；涉及客戶權益與授信決策時，流程必須停止並等待人員核准。</p><p>雖然這些設計會增加初期建置成本，卻也讓 AI 能從低風險的摘要與草稿工作，逐步進入資料分析、營運管理與授信支援等重要場景，因此，是絕對必要且關鍵的投資。</p><h3><strong>核心做法一：讓能力與治理同步擴張</strong></h3><p>對企業級 Agent 而言，治理至少要回答四個問題。</p><p>◎ <strong>第一，誰在執行？</strong></p><p>系統必須知道使用者與 Agent 的身分。不同角色可以使用的資料、工具與功能應該不同。</p><p>◎ <strong>第二，可以做什麼？</strong></p><p>Agent 應該遵循最小權限原則，只取得完成任務所需要的資料與工具權限。高風險工具也不應由模型自行決定是否可以使用，而必須受到白名單、成本限制或其他規則控制。</p><p>◎ <strong>第三，做了什麼？</strong></p><p>企業必須保留資料存取、工具呼叫、中間結果與執行狀態。如果出現錯誤，才能追蹤發生在哪一個環節，以及如何恢復。</p><p>◎ <strong>第四，什麼時候必須停下來？</strong></p><p>涉及客戶權益、授信或重要決策時，系統不應一路自動執行到底。流程應該在特定節點停止，等待人工確認。也就是說：</p><blockquote><em>不是所有可以自動化的事情，</em></blockquote><blockquote><em>都應該完全自動化。</em></blockquote><h3><strong>核心做法二：從零散應用走向共同治理層</strong></h3><p>當企業內部只有少數 AI 工具時，每個團隊各自串接模型、資料與系統，短期內或許較快。但當 Agent 數量逐漸增加，這種做法容易產生新的問題：不同入口、重複連線、不一致的權限設計，以及難以集中管理的執行紀錄。</p><p>這也是近年 Agent 基礎設施開始標準化的原因。Anthropic 提出的 Model Context Protocol（MCP），試圖以共同介面連接 AI 與企業資料、商業工具及開發環境，降低每一項資料來源都必須重新客製整合的成本。(<a href="https://www.anthropic.com/news/model-context-protocol?cb=zapier&amp;utm_source=chatgpt.com">Anthropic</a>)</p><p>Google 推出的 Agent2Agent Protocol（A2A），則著重不同 Agent 之間的能力揭露、任務交換與狀態溝通，使不同廠商或框架建立的 Agent 能夠協作。(<a href="https://developers.googleblog.com/en/developers-guide-to-ai-agent-protocols/?utm_source=chatgpt.com">Google Developers Blog</a>)</p><p>MCP 解決的是 Agent 如何連接資料與工具，A2A 處理的則是不同 Agent 如何互相合作。這些協定仍在快速演進，但已顯示企業 AI 正從單一模型應用，走向可連接、可替換與可組合的系統架構。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l7OfqPIkcTWkXLKZJRGNZg.png" /><figcaption>MCP 統一了 AI 與企業工具的對話介面，A2A 則搭建了不同 Agent 之間的協作橋樑；兩者共同推動企業 AI 走向標準化、可組合的系統架構。</figcaption></figure><h3><strong>GENIE 3.0：避免 Agent 成為新的資訊孤島</strong></h3><p>玉山自 2018 年開始建置 AI 研發雲，並在生成式 AI 發展初期推出企業內部GAI平台 GENIE。早期的 GENIE 提供對答、翻譯、資料整理及文件摘要等功能，並透過 RAG 強化領域知識。直到現今，已有超過三分之一的玉山同仁長期使用。</p><p>隨著專業 Agent 增加，GENIE的被賦予的任務不再只是增加一個個聊天工具，而是建立全行共同的管理與調度層。使用者以 GENIE 作為統一入口提出需求，平台負責身分驗證、意圖辨識、Agent 路由、權限控制及執行紀錄，再由底層專業 Agent 與 Skill 完成任務。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Uf_vJntWh4v-9ZtmGFxfXQ.png" /><figcaption>GENIE 3.0 作為全行統一的調度大腦，能集中控管權限、辨識意圖並分派任務，有效避免 AI 碎片化帶來的資安風險與技術債。</figcaption></figure><p>這項設計所要解決的，不只是使用方便性，而是 AI 應用碎片化。如果每個部門各自建立資料連線、權限機制與治理方式，Agent 愈多，系統的技術債與風險也會愈高。<strong>統一平台則可以讓不同場景共享身分、資料、工具、Skill 與監控機制。</strong></p><p>因此，GENIE 從最初提供一對一問答的1.0版本到接下來的 GENIE 3.0，核心意義不是成為一個更大的模型，而是建立企業級 Agent 的共同治理層。</p><blockquote><strong><em>企業擴大 Agent 應用之前，必須先建立共享基礎設施；否則增加的不只是生產力，也包括新的系統孤島。</em></strong></blockquote><h3><strong>Takeaway：Agentic AI 的能力上限，取決於企業的治理能力</strong></h3><p>當 AI 只能回答問題時，我們需要管理的是答案。當 AI 可以查詢資料、使用工具與執行流程時，我們需要管理的則是：<strong>權限、行動、責任與風險。</strong></p><p>因此，治理不是 Agentic AI 的煞車。恰恰相反，只有當身分、權限、紀錄、人工控制與異常中止機制被建立起來，AI 才有機會從低風險的摘要與草稿工作，逐步走進資料分析、營運流程與授信支援等更高價值場景。</p><p>玉山發展 Agentic AI 的經驗，可以濃縮成四個原則：</p><ol><li><strong>先拆工作，再選模型</strong></li><li><strong>把 Know-how 轉化成 workflow</strong></li><li><strong>用流程指標衡量 AI</strong></li><li><strong>讓治理與能力同步擴張</strong></li></ol><p>把上下篇濃縮成兩句話：</p><blockquote><strong>上篇談的是，如何讓 AI 會工作。</strong></blockquote><blockquote><strong>下篇談的是，如何讓 AI 能被放心地工作。</strong></blockquote><p>企業導入 Agentic AI，最終不是單純增加一項新工具，而是在重新分配人與機器的工作。<strong>可以被明確拆解、重複執行並客觀檢查的任務，可以逐步交由 AI；涉及情境理解、例外處理、價值判斷與責任承擔的工作，仍然應由人主導。</strong></p><p>如電影《鋼鐵人》中，賈維斯的意義，不在於取代東尼．史塔克，而在於協助他處理原本一個人難以承擔的複雜度。對金融業而言，AI 的長期價值也不只是縮短作業時間，而是將資料、流程與專業知識轉化為可治理、可持續改善的組織能力。真正決定企業能走多遠的，最終仍不是模型本身，而是人如何設計、管理與使用它。</p><h3><strong>專有名詞備註</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p1DAuWZi9Ph8M42xh4ertA.png" /></figure><h3><strong>Reference</strong></h3><ol><li>Anthropic, “Introducing the Model Context Protocol,” 2024. (<a href="https://www.anthropic.com/news/model-context-protocol?cb=zapier&amp;utm_source=chatgpt.com">Anthropic</a>)</li><li>Google Developers Blog, “Announcing the Agent2Agent Protocol,” 2025. (<a href="https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/?_bhlid=d0e41cbf60a0f0dc0798f9f52ea910f940c60fe5&amp;utm_source=chatgpt.com">Google Developers Blog</a>)</li><li>Google Developers Blog, “Developer’s Guide to AI Agent Protocols,” 2026. (<a href="https://developers.googleblog.com/en/developers-guide-to-ai-agent-protocols/?utm_source=chatgpt.com">Google Developers Blog</a>)</li><li>金融監督管理委員會，《金融業運用人工智慧（AI）指引》，2024 年 6 月 20 日。(<a href="https://law.fsc.gov.tw/LawContent.aspx?id=GL003920&amp;media=print&amp;utm_source=chatgpt.com">FSCRS</a>)</li></ol><p><strong>💡 Join the Team<br></strong>文章看不過癮，想親自跳下來實作企業級 Agent 嗎？<br>玉山科技聯隊持續尋找渴望發揮影響力的工程師與科技人才，如果你對於打造次世代數位大腦，或設計 AI 自動化工作流有興趣，歡迎點擊查看 <a href="https://recruit.esunbank.com.tw/Recruit/EliteDetail?eliteItemID=39">[玉山科技人才招募專區]</a>，我們隨時歡迎優秀的夥伴加入！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=39a377aefca5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[玉山如何以 Agentic AI 重塑金融生產力 (上)]]></title>
            <link>https://medium.com/@intelligent-finance/agentic-ai-workflow-part-1-361f3eee9a00?source=rss-570c23cc787f------2</link>
            <guid isPermaLink="false">https://medium.com/p/361f3eee9a00</guid>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[fintech]]></category>
            <dc:creator><![CDATA[玉山科技專欄 E.SUN Tech Team]]></dc:creator>
            <pubDate>Fri, 04 Sep 2026 10:01:05 GMT</pubDate>
            <atom:updated>2026-10-02T08:19:11.799Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="E.SUN Agentic AI cover" src="https://cdn-images-1.medium.com/max/1024/1*vNvRFnI82eWJYbKV5epAeg.jpeg" /></figure><p>在電影《鋼鐵人》中，有這樣的一段對話：</p><p><em>東尼 · 史塔克： 「賈維斯，幫我跑一次飛行模擬。」</em></p><p><em>賈維斯：「先生，在實際飛行前，我們還需要進行數 TB 的資料運算……」</em></p><p><em>東尼 · 史塔克： 「賈維斯，有時候你得先學會跑，再學會走。」(JARVIS, sometimes you gotta run before you can walk.)</em></p><h3>前情提要</h3><p>生成式 AI 正從回答問題的工具，演進為能夠拆解任務、使用工具與協調流程的 AI Agent。然而，<strong>企業真正的競爭焦點，未必是誰採用了能力最強的模型，而是誰能將內部知識、作業規則與責任分工，轉化為可重複、可衡量、可治理的數位流程。</strong></p><p>這篇文章想以玉山的資料分析 Agent、法人金融智能徵信流程與玉山內部Agent統一入口GENIE 3.0為例，和大家聊聊 Agentic AI 如何改變企業生產力。</p><p>我們提出三個主要原則：</p><ul><li>企業應先拆解工作，再選擇模型</li><li>Agentic Workflow 的主要價值，是降低跨人員與跨系統的協作成本</li><li>在金融業，治理並非限制 AI 發展的阻力，而是 AI 能進入核心流程的前提。</li></ul><h3><strong>AI 的轉變：從回答問題，到完成工作</strong></h3><p>如開頭的對話，在電影《鋼鐵人》中，東尼．史塔克決定任務方向，賈維斯則負責裝甲模擬、資料運算與系統控制。這種「人設定目標、AI 協助執行」的分工，過去只是科幻想像，如今卻逐漸成為企業導入人工智慧時的現實命題：未來，人不必親自處理每一項計算與操作，而是將大量資料運算及資源調度交給可信賴的數位助手。</p><p><strong>生成式 AI 的下一個階段，不只是讓模型更會回答問題，而是讓系統能夠在適當權限與控制機制下，完成一項由多個步驟組成的工作。</strong>這項轉變尚在發展的初期，Stanford《2026 AI Index Report》顯示，2025 年已有 88% 的受訪組織在至少一項業務功能使用 AI，70% 使用生成式 AI；但 AI Agent 在多數業務功能中的實際部署比例仍為個位數。企業已普遍開始使用 AI，如何將它可靠地嵌入日常流程，則仍是尚未解決的課題。(<a href="https://hai.stanford.edu/ai-index/2026-ai-index-report?utm_source=chatgpt.com">Stanford HAI</a>)</p><h3><strong>關鍵問題：AI 已經很強，為什麼企業生產力沒有等比例提升？</strong></h3><p>目前生成式 AI 的主流仍停留在「人提出問題、模型產生答案」的模式。但<strong>企業真正的工作，通常不是一個 Prompt 就能完成。</strong></p><p>假設主管提出一項需求：「從既有客戶中，找出最可能申辦新信用卡的潛力客群。」這句話背後可能包含資料盤點、SQL 查詢、跨表整合、特徵設計、模型訓練、結果驗證與報告撰寫。過去，這些工作往往分散在不同人員與系統之間，經歷多次溝通、等待和修改，最後才能形成可供決策的分析成果。</p><p>目前多數 AI 討論仍集中於模型能力：哪一個模型推理更強、可處理的文件更長，或在特定評測中獲得更高分數。然而，模型能力正在快速接近。Stanford 的資料顯示，數家領先公司的模型表現已集中在相近區間，競爭壓力開始轉向成本、可靠性與領域適用性。(<a href="https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance?utm_source=chatgpt.com">Stanford HAI</a>)</p><blockquote>這意味著，一家企業採用何種模型固然重要，卻不必然形成長期優勢。模型可以購買，也可以替換；真正難以複製的，是企業是否能夠將多年累積的專業知識、資料權限、決策規則與品質標準，轉化為 AI 可以依循的工作機制。</blockquote><p>因此，我們認為企業 AI 的核心資產至少包含六個部分：</p><figure><img alt="E.SUN Agentic AI factors" src="https://cdn-images-1.medium.com/max/1024/1*Oe9VB760y6s_GqNwPle5Cw.png" /></figure><p>玉山採取的方向，是將複雜銀行業務拆解為可治理、可測試、可重複使用的能力模組，也就是 Skill，再透過 Agentic Workflow 將這些能力組合成完整流程。原始規劃將這項工作描述為：把銀行長期累積的 Know-how 與決策邏輯，寫進 Agent 的運作方式，使其依序執行任務，而不是依靠通用模型自由推測。</p><p>換言之，企業導入 Agentic AI 的第一項原則不是「先找最強模型」，而是：</p><blockquote>先拆解工作，再選擇模型</blockquote><p>只有當任務的輸入、步驟、工具、輸出與責任界線被定義清楚，AI 才能從展示能力的實驗，轉化為可長期運作的生產系統。</p><h3><strong>Agentic Workflow 真正降低的是「協作成本」</strong></h3><figure><img alt="Agentic Workflow verus LLM" src="https://cdn-images-1.medium.com/max/1024/1*9SCA08ziuY6vAVV3CrmRlg.jpeg" /><figcaption>單一模型仰賴算力單打獨鬥；而 Agentic Workflow 則透過精細分工，打造出各司其職的數位員工產線。</figcaption></figure><p>AI Agent 常被理解為一種更具自主性的 AI：它能理解目標、規劃步驟、使用工具，並依照中間結果調整後續行動。但對企業而言，「自主性」本身未必是最重要的價值。</p><p>企業日常工作的瓶頸，經常不是單一步驟做得太慢，而是不同人員、資料與系統之間存在大量交接成本。一項資料分析任務，可能先由業務人員描述需求，再由分析師釐清問題、資料工程師準備資料、資料科學家建立模型，最後由業務單位解讀結果。每一次交接都可能產生等待、資訊遺失或重工。</p><p>Agentic Workflow 的價值，是把這些分散的工作轉化為一套可以被編排、記錄與重複執行的流程。單一 Agent 不必具備所有能力，而是由不同 Agent 分別負責資料搜尋、分析、驗證與報告，再由 Orchestrator 協調任務。</p><p>因此，評估 Agentic AI 時，不應只看模型回答是否流暢，也應觀察整體流程：</p><ul><li>任務完成率是多少？</li><li>有多少結果被人工退回？</li><li>平均執行時間縮短多少？</li><li>發生錯誤時能否停止或恢復？</li><li>Agent 使用了哪些資料與工具？</li><li>哪些步驟仍需要人工確認？</li></ul><p>這些流程指標，比單純的語言模型評分更接近企業真正關心的生產力。</p><h3><strong>實際案例一：資料分析的瓶頸，往往不在建模</strong></h3><p>資料分析是最適合導入 Agentic Workflow 的場景之一。</p><p>假設需求者提出想要「建立客戶流失預測模型」，而這句話並未說明資料來源、分析母體、觀察期間、特徵定義或評估標準，為此，資料科學家在真正訓練模型之前，往往需要花費更多時間盤點資料、確認欄位、撰寫查詢與理解需求。</p><p>玉山內部以 Google Agent Development Kit 為基礎開發企業級 BigQuery AI Agent，將資料探索、建模、結果解釋與報告產出串接成端到端流程。任務先由 Orchestrator 拆解，再交由具備專業工具的 Data Scientist Agent 進行資料盤點、跨表關聯分析、SQL 生成與模型訓練。這個系統可檢查遺失值與資料不平衡；查詢執行前，SQL 成本守門機制會檢查分區條件、全欄位查詢及其他高成本語法；最終結果則由偏向業務角色的 Agent 整理為圖表、分析結論與行動建議。</p><figure><img alt="BigQuery AI Agent" src="https://cdn-images-1.medium.com/max/1024/1*StHL72EIAejmueWPggmLKQ.jpeg" /><figcaption>玉山的BigQuery AI Agent將模糊的業務需求轉化為可執行的流程：由大腦拆解任務、專業 Agent 執行，並透過守門機制嚴格控管成本與品質。</figcaption></figure><p>原本的人工資料分析流程可能需要五至十天的作業，在導入Agent之後，可以縮短至數十分鐘。這項結果表面上是時間節省，更重要的意義則是：資料分析工作的主要成本，不一定來自模型訓練，而可能來自資料尋找、工具切換、跨角色溝通與結果轉譯。資料科學家的角色並未因此消失。相反地，他們可以將更多時間投入問題定義、資料偏誤檢查、實驗設計與結果判讀。AI 接手可標準化的操作，人則負責決定分析是否合理，以及結果是否值得採用。</p><p>這個案例證明：</p><blockquote>只要一項工作能被拆成明確步驟，並為每個步驟建立工具、檢核與責任界線，就有機會被轉化為可重複執行的數位流程。</blockquote><h3><strong>實際案例二：智能徵信的重點不是「自動」授信</strong></h3><p>在銀行體系中，有一項重要的業務為法人金融領域中的徵授信。</p><p>法人金融簡單來說就是銀行的 B2B 業務，服務對象是企業而非一般大眾；而「徵授信」是指銀行等金融機構「授予信用」，也就是評估一間公司的財務體質、營運風險等條件後，最終決定「是否要借給客戶資金、提供擔保或給予信用額度」的過程。</p><p>這是一項專業門檻極高的工作，過程中需要整合企業背景、財務報表、產業趨勢、公開資訊、重大新聞與往來紀錄。過去，客戶關係經理與徵授信人員需要從不同來源蒐集資料、人工登打財務數據，再依專業經驗撰寫綜合評述；報告送出後，也可能因資料不足或內容不一致而反覆修改。</p><p>玉山內部也有針對徵授信流程設計的 AI 工具（以下簡稱智能徵授信），不過，若只要求大型語言模型直接產生徵信報告，雖然可以快速形成文字，卻可能出現資料來源不明、重要資訊遺漏或內容推測等問題。授信工作涉及企業信用與風險責任，並不適合交由單一模型從頭到尾自行處理。</p><p>玉山因此將智能徵授信工作拆分為多個環節：外部情報模組負責蒐集企業動態與產業資訊，財報辨識模組結合 OCR 與多模態模型擷取數據，語音辨識模組整理訪談內容，生成模組依既定框架產生初稿，檢核機制則提示資料缺漏與需要確認的異常。最後仍由徵授信人員進行風險判斷與最終決策。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wgyzCgg4PX7MuxB_f5uSJA.jpeg" /><figcaption>在玉山的智能徵信流程中，AI 負責廣泛的資料蒐整與初稿產製，讓前線客戶經理能釋放時間，專注於核心的風險判斷與決策。</figcaption></figure><p>這套流程的關鍵並不是模型本身，而是技術與業務團隊將既有徵授信知識轉化為資料來源、報告架構、判斷規則與檢核要求。經過反覆測試與回饋後，AI 產生的內容才能逐步符合實務需要。系統導入後，每案徵信報告的撰寫時間平均節省超過 50%，讓前線人員能將更多時間投入深度 KYC、產業理解、風險辨識與客戶溝通。</p><p>不過，時間節省不應被誤解為徵授信可以完全自動化：財務數據可能正確，卻未必能完整反映經營者誠信、供應鏈變化或產業轉折；新聞資料也可能缺乏上下文，甚至包含錯誤資訊。因此，智能徵信的設計目標不是讓 AI 自動決定是否授信，而是降低資料蒐集、登打與報告整理的成本，讓人將時間集中在例外判讀與責任決策。真正重要的不是「AI 取代了多少人」，而是重新定義人與 AI 的分工。</p><blockquote>可以被標準化與檢查的工作，適合交給 AI。而需要情境理解、例外處理、價值判斷與責任承擔的工作，仍然應由人主導。</blockquote><h3><strong>Takeaway：模型會更換，流程會留下來</strong></h3><p>企業導入 Agentic AI 的第一步，不是找到最強的模型，而是先把工作拆清楚。當一項工作能被拆成明確步驟，並為每個步驟定義資料、工具、規則、檢核與責任界線，AI 才有可能從「展示能力的工具」，真正成為企業生產流程的一部分。因此<strong>，企業真正需要累積的，不只是 Prompt 或模型，而是：</strong></p><blockquote><strong><em>Know-how、Skill 與 Workflow</em></strong></blockquote><p>模型會持續進步，也會持續更換；但被重新設計過的工作流程，可以成為長期累積的組織能力。不過，當 AI 從「回答問題」進一步取得查詢資料、呼叫工具與執行流程的能力，另一個問題也隨之出現：</p><p><strong>當 AI 開始會做事，我們要如何確保它只做正確、被允許的事情？</strong></p><p>這也是下篇要討論的主題。為了能讓大家更清晰地了解實務上的 AI 運作與策略脈絡。敬請持續關注並追蹤本專欄，我們下篇見！</p><p><strong>專有名詞備註</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FWzK4O3onMqaBP1HADA5iQ.png" /></figure><p><strong>References</strong></p><ul><li>Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report, 2026. <a href="https://hai.stanford.edu/ai-index/2026-ai-index-report?utm_source=chatgpt.com">(Stanford HAI)</a></li><li>Stanford Institute for Human-Centered Artificial Intelligence, “Technical Performance,” The 2026 AI Index Report, 2026. <a href="https://hai.stanford.edu/ai-index/2026-ai-index-report?utm_source=chatgpt.com">(Stanford HAI)</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=361f3eee9a00" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[【Hello World!】西裝下的駭客精神：歡迎來到玉山科技專欄]]></title>
            <link>https://medium.com/@intelligent-finance/hello-world-%E8%A5%BF%E8%A3%9D%E4%B8%8B%E7%9A%84%E9%A7%AD%E5%AE%A2%E7%B2%BE%E7%A5%9E-%E6%AD%A1%E8%BF%8E%E4%BE%86%E5%88%B0%E7%8E%89%E5%B1%B1%E7%A7%91%E6%8A%80%E5%B0%88%E6%AC%84-7c723795dd63?source=rss-570c23cc787f------2</link>
            <guid isPermaLink="false">https://medium.com/p/7c723795dd63</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[金融]]></category>
            <category><![CDATA[科技]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[玉山科技專欄 E.SUN Tech Team]]></dc:creator>
            <pubDate>Fri, 04 Sep 2026 07:39:42 GMT</pubDate>
            <atom:updated>2026-10-02T08:18:25.749Z</atom:updated>
            <content:encoded><![CDATA[<p><em>作者：玉山金控 張智星科技長</em></p><p>很多人以為在銀行寫程式，就是每天維護幾十年前的祖傳程式碼，穿得西裝筆挺打卡上下班。</p><p>但實際上，在這個由資料與雲端技術驅動的時代，金融業早已變成高度仰賴科技創新的前沿戰場，<strong>我們認為技術的進步源自於開放與分享，因此決定在Medium 上開啟「玉山科技專欄」，期盼打造一個讓關心科技的大眾與技術人都能交流的場域。</strong></p><p>我們希望推開銀行的玻璃大門，與大眾、開發者分享玉山真實的技術日常。</p><p>我常笑稱：「銀行的科技部門如同鴨子划水，各自努力。」大家在前端體驗到的，是水面上優雅、流暢的數位金融服務；但在水面下，是無數工程師在 AI、架構等領域全力以赴的軌跡，而這些看似隱形的軌跡，其實都潛藏著改變市場的巨大能量。</p><p>在玉山，每一行程式碼一上線，可以說直接影響的就是全台上百萬顧客的金融日常，除此之外，我們持續透過新技術與底層系統的重塑，成功將業務擴及至以往難以拓張的長尾領域：以用於信貸的收入預估模型為例，它讓缺乏固定薪轉的族群也能獲得金融支持、落實普惠金融，實質為銀行開創了單靠傳統模式絕對做不到的全新營收與獲利機會。</p><p>要支撐起如此龐大的影響力與商業價值， 可想而知，水面下的奮戰自然費力。我們偶爾也會不小心踹到隔壁部門的同事（跨部門溝通的磨合日常），或者為了導入最新技術，划個三天三夜，雙腳差點抽筋。</p><p>過去，這些水面下的血淚與歡笑鮮少有機會被看見。未來，我們將透過這個專欄，由玉山第一線的工程師親自執筆，讓這些實戰經驗浮出水面。</p><p>我們計劃分享內部對新技術的觀點、探討架構演進的取捨，以及最真實的開發火花 — — 就像前陣子剛落幕的內部 AI Agent 黑客松，團隊為了解決真實痛點，瘋狂產出各種充滿創意的應用 Prototype。這種為了解題而燃燒的純粹駭客精神，正是我們想在這個專欄傳遞的能量。</p><p>如果你也喜歡在複雜的系統與限制中尋找最佳解，或者單純想看看我們踩過哪些坑、平常怎麼解 Bug、好奇玉山的科技聯隊平常都在做什麼，誠摯邀請你按下追蹤，訂閱我們，也歡迎透過 Email 與我們交流，更歡迎各路高手直接來找我們「踢館」！</p><figure><img alt="玉山銀行科技聯隊工作照片" src="https://cdn-images-1.medium.com/max/1024/1*vPw9QlEg1POvupDyggBlUg.jpeg" /><figcaption>玉山銀行科技聯隊一隅</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7c723795dd63" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>