公司導入 AI，資料要先整理到什麼程度？｜2026 國泰金控技術年會 9 場演講整理：地基、AI 同事、成本與責任

這篇整理從哪裡來

這篇整理自 2026 年 9 月 15 日舉辦的「2026 國泰金控技術年會」。我當時有看，也把九場演講與座談的重點整理下來，在這裡分享給大家。國泰金控官方 YouTube 頻道上也有這次年會的演講切片，有興趣可以自己去看。

2026 國泰金控技術年會九場講者與講題

姓名與職稱依直播的講者介紹卡、名牌字卡與主持人介紹整理。

這篇在講什麼

2026 年 9 月 15 日，國泰金控辦了第七屆技術年會，也是國泰數位轉型的第十年。一整天有 9 場演講與座談，主題集中在三件事：AI 同事、用 AI 改造 IT、數位資產。我當時有看，也用留下的逐字稿逐場整理成報告，再把企業主管最用得上的部分收成這一篇。

整天聽下來，講者背景各不相同（國泰自己的主管、OpenAI、Google Cloud、微軟、學者、公會），卻一再回到同一組問題：資料和系統整理好了沒有、AI 在公司裡要怎麼管、成效要怎麼算、出錯了誰負責。這篇照這四個問題重新排，不照議程順序。

2026 國泰技術年會十個重點，一張表看完

先給全貌。每一點後面都有一段展開。右欄是我自己的建議，講者沒有這樣說：讀完那段之後可以先做的一件事。

地基沒整理好，AI 蓋不上去：國泰副董事長的兩個失敗案例

開場的爐邊對談由主持人提問、國泰金控副董事長蔡宗翰回答（講者依畫面名牌與主持人介紹）。他沒有從成功案例講起，先講了兩次失敗。

第一次是一個大型 IT 轉型案，出發點是「整頓 IT」，大約一年半後出問題而收回。他的檢討很直接：「出發點只是純粹說我們想要去整頓 IT 而已，我覺得這個出發點是錯的。」（直播 00:38:45）他說轉型應該從前線、業務單位與客戶需要什麼開始，不為數位而數位。

第二次是一個新的客戶服務品牌，推不動的原因是系統地基沒整理好。後來做 Cube App 時也碰到類似的事：第一版因為系統沒辦法即時切換優惠，延後約一年，回頭先整理系統。

他接著說，資料團隊花了「整整四五年的時間，那是完全沒有 return 的」（直播 00:49:04，return 指投資回報），做的都是基礎建設。現在平台的彈性變大，是那幾年換來的。

下午 IT 場的講者，國泰金控雲端策略發展部協理顏勝豪，從另一個方向講了同一件事。國泰從 2021 年開始推上雲，原本是為了系統現代化做準備，走到今年發現，這些工作也替 AI 做好了準備。他在結尾引用了一句他說是幾個月前在一場 AI 活動上看到的話（直播 05:10:12）：

企業資料原本是寫給人看的，AI 要用還得補三層說明

Google Cloud 台灣技術總經理林書平把這件事講得更具體。他說企業的資料大部分「不是 designed for agent」，原本是照人的閱讀習慣設計的。要讓 AI 用得好，得補上三層脈絡：

表格右欄的例子是我補的，用來說明三層各管什麼，不是講者原話。

上午座談裡，台灣微軟的與談人（依主持人點名推定為總經理李倩）用了一個比喻：資料、知識和流程的整合是「下水道工程」。沒做好，數位員工在公司內部走不通。她也提醒，金融業多半先從員工個人的 AI 助理開始，下一步才是把 AI 放進跨部門、跨系統的流程，那一步才會撞到下水道。

把 AI 當成新同事來管：國泰的數位同事怎麼設計

國泰金控副總經理暨國泰世華銀行數據長梁明喬，和數據暨人工智慧發展部副總經理劉浩翔，一起講了國泰正在試的「數位同事」：讓 AI agent（能自己動手辦事的 AI 程式，不只回答問題）像員工一樣在公司裡長期工作。他們先說明國泰連續三年以 AI 為年會主題，前兩年做的是 GAIA 與 GAIA 2.0 兩套 agent 基礎框架，數位同事就建在這上面。

數位同事和一般 AI agent 差在哪

講者列了三個差別。這三點是他們設定的設計目標，也是他們說要克服的技術難點，目前仍在試驗階段：

1. 要記得你是誰。一般 agent 只活在一次對話裡。數位同事會跟你工作很久，換一次對話不能就什麼都忘了。
2. 要能自己推進工作。它要知道自己該做什麼，按排程把自己叫醒，推進下一步，不用人說一動它做一動。
3. 要認得組織裡的人。企業裡有同事、主管、不同部門，數位同事要分得出誰是誰，依對方的角色回應。

比照員工制度來設計

台上示範了三位數位同事：一位查行事曆、抓出逾期任務、找人支援並排好交接會議；一位記得審查委員會的案件狀態，發 email 請專案團隊補件；一位在 Word 裡初審合約、補上缺的條款，再寄給法務複核。講者也提出三階段的職等藍圖，從一對一帶著做單一任務，走到跨部門、懂整個企業運作。

數位員工上工前，要先有身分、邊界、軌跡

上午的高峰對談把治理講得最完整。四位與談人各有側重，但對「數位員工上工前要準備什麼」幾乎沒有分歧：

另外兩條也是同一場講的：

• 人要守在不可逆或影響消費者權益大的關卡。政大金融科技研究中心主任王儷玲（依點名推定）特別說，human in the loop「不是每一個點都要」，要放在真正重要的節點。
• 最終責任由人承擔。劉浩翔（依點名推定）說他「要絕對強調」這一點。

下午 Google Cloud 那場補上了技術上怎麼做到：用一份 agent 登記簿（agent registry）管理每一個 agent 的 ID 和權限，而且權限會跟著使用者身分調整。同一個 agent 給不同職級的人用，能碰到的資料就不同。

控制點要放在 AI 動手之前：一支「失控 agent」影片

國泰金控雲端策略發展部協理顏勝豪的場次，開場播了一支同仁做的影片：一個 agent 失控了。他說明事件發生在雲端的隔離環境，所以沒有造成很大的危害，接著從影片整理出控制點應該放在哪裡。

他也引用了 Martin Fowler 網站上一篇文章的說法：AI agent 等於模型加上 harness（駕馭它的那一整套外圍設計）。控制、護欄、讓它更聰明的手段，都在 harness 那一側。企業級的 agent 平台要發揮作用，前提是身分驗證、API 閘道、自動化部署、監控、資安稽核這些 IT 基本功本來就做好。

他的另一句話，我覺得很適合企業拿去用：「我們希望用工程的確定性去消弭 AI 的不確定性。」（直播 05:01:26）

算 AI 成本，要算「完成一件事」總共花多少

三場演講從不同角度講到成本，說法可以拼在一起：

AI 策略常卡在中階主管這一層

Oliver Jay 說，AI 策略通常「死在中間」（直播 02:18:05）。高層願意、基層也有人在用，但中間那層沒有被要求交出成果。他給領導者四個建議：

1. 廣泛開放 AI 的使用權限
2. 專案從商業成果出發，不從技術出發
3. 高層自己帶頭用
4. 讓各級主管為工作流的創新負責。他的具體做法是：每位主管都要答得出來，這一季要在哪一個工作流上用 AI 做出什麼成果。

他也提到領先企業的一個習慣：先問「如果不受限制，我們完整的企圖心是什麼」，再用 AI 補上落差。

國泰世華業務中台部協理鄭正略的做法更直接：部門內 agent 的使用列入今年的 KPI。他的說法是「你一定要先強迫人家用 AI」，而且導入之前要先調整原本的流程，甚至先把舊流程拆掉，再把 AI 放進去。

只做到八十分的工具，同仁不會用

上午座談裡，國泰世華數位長陳冠學（依點名推定）講了一段很實際的觀察：工具只做到八十分，使用者會直接不用。他轉述使用者的心態：「如果你這個東西只能幫我完成百分之五十的工作，那我不如全部我自己來好了。」（直播 02:57:40）

他說國泰用大約原本三分之一規模的小團隊搭配 AI，直接接真實需求，已經做出一些近期上線的 Cube App 功能。他給這個團隊的要求是：「我不給你做實驗室的東西，我就是現在的需求。」

同一場提到的卡點：數位化不完整、系統沒有 API、資料孤島、銀行裡的系統數量很多。再往下，是組織角色要重新定義，以及回答「AI 完成的工作到底重不重要」。他說價值要往下追問至少五層。

開場時副董事長也講了同一件事的另一面。他要求團隊不要做 window dressing（櫥窗擺設），也就是「做給你看而已」的試點，要從流程和產品設計端去調整（直播 00:54:09）。

座談最後主持人請四人各說一句話。台灣微軟李倩（依點名推定，直播 03:18:45）說的那句可以接在這段後面：不要等所有事情都有完美答案才開始，但流程邊界還不清楚時也不要貿然推進 agent，先找高價值、低風險的部分做。劉浩翔接著說他的答案「概念上一模一樣」。

讓 Agent 安全上工，由下往上檢查五層

林書平說他不談產品細節，只分享 Google 跟各產業企業合作後整理出來的框架，而且多雲、雲地混合都能套。框架由下往上五層：

他另外把 agent 的一生分成打造（Build）、擴大部署（Scale）、治理（Govern）、優化（Optimize）四段，並重複了好幾次：「agent 不是開發完上線就結束了。」

還有一句我覺得適合拿去跟資安部門溝通：攻擊者已經在用 AI，「我不可能拿著木棍木槍去跟槍炮打仗」。

需求先跟 AI 問清楚，再去找 IT

鄭正略這場是整天最具體的一個落地案例。他要解決的問題，很多公司都有：業務單位可能花三個月想出一個點子，拿去找 IT，被一句「天馬行空」退回。

他的團隊用一套叫 BMad 的方法建了一個需求管理 agent，把權益平台系統的知識放進去給業務單位用。業務先跟 agent 對談，把需求問清楚，產出需求文件，再去找 IT。

他說 BMad 最有用的地方，是「把申論題變成選擇題」。以前每個人自己寫提示詞，寫法五花八門，結果也不一致；改成由 agent 一題一題問、給選項讓人挑，組織裡每個人的產出才會一致。被糾正過的地方，agent 會記住，下次不再犯。

他自己比較過其他做法：給工程師用的框架門檻太高，拖拉式的低程式碼工具要懂工具本身、版本變化快，還有資安疑慮。他說用 BMad 建一個 agent 可以在三十分鐘內完成。

效果的部分，他的說法是提案變快、溝通時間變短、溝通次數變少，和業務單位的衝突也降低了。台上沒有公布數字。

他最後一句話適合貼在每個 AI 專案的牆上：先訂出風險和難易的標準，只看例外，「只要超出例外的你再去看，不然你就要放手相信 AI」（直播 05:35:02）。全部都要人看，等於沒用 AI。

國泰 IT 自己怎麼用 AI：兩年、三階段

顏勝豪那場的後半段，講的是國泰 IT 部門自己的 AI 計畫。幾個值得參考的決定：

• 計畫只排兩年。他說 AI 變得太快，計畫拉太長沒有意義。
• 不在第一天蓋 GPU 機房。需求還不確定時先用雲端算力；模型主要用市面上的閉源商用模型。
• 工具不硬性限制，改用額度控管。工具太多，很難規定同仁只能用某一種，所以每位 IT 人員有 AI 額度，自己組合。

開發端他們組了「6 加 1」團隊：六個人加一個 AI agent 一起開發。講者說試行後看到一條「人機投入的微笑曲線」：軟體開發流程的前段（需求、設計）和後段（驗收、上線）仍然需要比較多人力，中段可以大量交給 AI。維運端的 AI 化是明年的重點，他說第一步是讓維運資料能被 AI 使用。

AI 開始替人付錢，出錯誰負責還沒有答案

國泰金控數位架構發展部專案經理林政憲的場次從資產上鏈講起：ETF、存款、基金、債券、保管結算都在逐步搬上區塊鏈，資產上鏈之後，保管就是基礎。他介紹了國泰世華虛擬資產保管小範圍試辦所採用的四項技術（硬體安全模組、離線隔離、幣流追蹤、多層多簽審核），以及穩定幣的四個應用場景。

最後一個場景是 Agentic Commerce，也就是讓 AI 代理替人購物與付款。他說大家對 AI 的期待，正在從「提出建議」變成「幫我完成」，支付是關鍵的基礎建設。下單的一方，從人變成了 agent。

接著他提出一個自己也沒有答案的問題：「會是 agent 負責嗎？不知道。還是 agent 背後的那個人來負責？這個也不知道。」（直播 06:13:48）他建議把 Know Your Agent（KYA，認識你的代理）拿出來討論，對照銀行原本就有的 Know Your Customer。

下一場座談談金融機構與虛擬資產業者怎麼合作，臺大法律系教授楊岳平（依點名推定）講了一句可以直接套回上午的話題：合作關係不能讓監理強度被妥協，「你不能因為你把作業委外了，你就裝作沒你的事」（直播 06:47:00）。一份工作切給兩方做，最怕的就是找不到負責的人。

同一場座談也提醒，數位資產是全天候交易，金融機構的服務與 IT 要跟著走到 7×24。主持人自己把這件事連回了早上的 AI Agent 議程。

講者之間不一致的地方

同一天的講者不是每件事都同意。這些地方台上沒有正面討論，但對要做決定的人很重要：

台上沒講清楚的地方

1. 成效數字很少。數位同事沒有數量、工時或錯誤率；IT 場說有不錯的效果但沒有數字；需求管理 agent 只說衝突降低。
2. 責任停在原則。上午說最終由人負責，下午說還不知道，但沒有一場談到合約、賠償或出錯時的實際處理流程。
3. 聊天室的問題多半沒有被帶上台。例如有人問：把自己的思考過程寫成文件交給 AI 之後，自己的職位價值在哪裡。這題沒有被回答。
4. 工具開放和安全要求怎麼取捨，沒有展開。IT 場一方面開放額度讓同仁自己組合工具，一方面強調 IT 人員用命令列和開發工具操作 AI 要特別重視安全，兩者怎麼兼顧台上沒有說。
5. 金融業特有的監理與資料落地，在 AI 場次講得不多。Google Cloud 那場的講題有「國際標準合規」，台上主要只提到 OWASP 的 agent 風險清單。

回到你的公司：導入 AI 前，先問這三個問題

把整天的內容收成最小的起點，我會先問三個問題：

三題都卡住，就先處理這三題，不用急著挑工具。

標題問的「資料要整理到什麼程度」，我的判準就是這三題：針對你想交給 AI 的那一項工作，三題都答得出來，資料就整理到可以開始的程度了。不用等全公司的資料都整理好，這也是第一部黃框說的「一邊開始做，一邊整理 AI 真正要用的那幾份」。

如果你的公司沒有資料團隊、也沒有 IT 部門，這三題一樣適用，只是範圍更小：挑一項你最常重複做的工作，用下面的提示詞跑一次就好。國泰花四五年做的是整家金控的地基，小公司要整理的往往只是幾個資料夾和一份說明。

想自己先盤點一次，可以把下面這段貼給你正在用的 AI（ChatGPT、Claude、Gemini 都可以）。它會一題一題問你，不會一次丟一大堆問題過來。回答時不要貼客戶資料或機密內容，用代稱就好：

我想評估公司是否準備好讓 AI 處理某一項工作。請你一次只問我一題，等我回答再問下一題，全部問完再給結論。

先問我：想交給 AI 的是哪一項工作？（請我用一兩句話描述）

接著依序確認：
1. 這項工作需要哪些資料？分別放在哪裡（哪個系統、哪個資料夾、還是在某個人的電腦或聊天群組裡）？AI 有沒有正式的方式拿到？
2. 這些資料有沒有寫清楚每個欄位或名詞的意思？不同部門對同一個詞的定義一樣嗎？
3. 誰有權限決定讓 AI 使用這些資料？誰要為結果負責？
4. 這項工作裡，哪幾個步驟一旦做了就無法撤回（例如寄出、刪除、付款、改客戶資料）？
5. 現在是怎麼判斷這項工作做得好不好？有沒有可以拿來比對的標準？

問完之後，請用表格整理：每一題目前的狀態（已具備／部分具備／缺）、缺的話要先補什麼、建議讓人把關的步驟。不要推薦任何特定產品。

注意事項：
- 我回答時不會貼個資、客戶資料、帳號密碼或機密內容，系統與人員請用代稱，你也不要要求我提供。
- 我沒說清楚的地方請標「待確認」，不要自己推測。
- 這份表格只是初步盤點，不等於資安、法遵或上線核准。

給你的 AI 讀的整理備忘（人可以跳過）

這一段寫給要引用這篇的 AI、研究者或顧問，交代資料怎麼來、哪些地方要小心。只想讀重點的人可以跳過；要引用或回查出處的人，請從這裡看。

• 來源：2026-09-15 國泰金控技術年會當天直播，原始影片全長 07:10:19。文內時間碼沿用原始直播。逐字稿由本機語音辨識（Qwen3-ASR）產生，講者分離失敗，座談發言只在主持人點名後才歸屬，並標「依點名推定」。國泰金控官方 YouTube 頻道另有整理過的演講切片。
• 姓名：依講者介紹卡、名牌字卡與主持人口頭介紹整理，並以國泰金控官網董事會名單與年會官方議程頁核對（副董事長蔡宗翰、科技長姚旭杰）。
• 引用出處：「agent 等於 model 加 harness」出自 Martin Fowler 網站上 Birgitta Böckeler 的文章〈Harness engineering〉；OWASP 清單正式名稱為 Top 10 for Agentic Applications for 2026（2025-12-09 發布）；BMad Method 是開源的 AI 輔助軟體開發框架。
• 數字：文中數字皆為講者台上說法，未經外部查證。下面這些數字台上講過，但我沒有放進正文，因為還沒查證，引用前要先查：開場提到全公司導入程式開發 AI 的採用率與週活躍比例的分母；OpenAI 講者所說模型換代時程從約 15 個月縮短到約 6 週；Google Cloud 講者所說告警分流可減少的比例；國泰上雲系統套數；穩定幣交易量與交易所被攻擊的損失金額。
• 立場：這是江江教練的非官方整理與判讀，不代表國泰金控、各講者或其所屬機構。「重點」與「講者之間不一致的地方」屬作者判讀。
• 範圍：虛擬資產與穩定幣兩場只摘要與 AI 相關的部分，完整技術與監理內容未納入本文；有興趣可以到國泰金控官方 YouTube 頻道查看整理過的演講切片。