重新想像 AI 時代的銀行業

TL;DR

• 從 cognitive scarcity 到 cognitive abundance:2022 年 11 月之前,要做一個 App 你得雇有那個技能的人或組織;現在你只要在 Claude 或 ChatGPT 上把想要的東西講出來。智慧本身不再是瓶頸。
• 銀行史就是一部介面史:1960 年代 ATM、1980 年代電話銀行、2000 年代網頁、2010 年代 App(「我保證這房間裡每個人至少有一個銀行 App,不然就是十個」)。每一次轉換都造成大位移,而今年是新一輪的開始:銀行體驗會從 agent 裡面開始——人們去問 Claude 或 ChatGPT「我的 529 大學儲蓄計畫該怎麼辦」、「我剛換工作要搬家,怎麼安排最好」。他甚至認為未來可能不再需要 App。
• 這已經不是 demo:Wells Fargo 的 AI assistant 剛突破 10 億次以上客戶互動、3,300 萬以上活躍用戶;凡是客戶或行員有在用這些工具的地方,存款帳戶與信用卡開戶都高出約 25%。
• 差距不在模型:「我們會用的模型和其他銀行、和你們的組織會用的是同一個。我們有 Opus 5.0、有 Fable、有 GPT 5.5——我們的模型跟你們拿得到的沒有任何不同。」差異在 agentic harness、資料、安全輪廓、以及文化與用例優先順序。他點名一個創業機會:agent 一旦做長時間任務就表現不佳。
• 三階段路線圖:AI as a tool(今天,個人生產力)→ AI as a teammate(明年起,系統性工作流;把 AI 當新進員工來 onboard、給 context、給回饋)→ autonomous AI(他個人認為 2028 年起主導;AI 主動告訴你該做什麼、什麼時候做)。他預期組織圖上會出現 AI。
• 四大支柱:hub and spoke(中央團隊的工作是賦能而非獨佔建置)、聚焦高價值用例、在監管紀律下快速前進、以及全員 upskilling(「adoption 不等於 impact,但要有規模化的 impact 就必須有 adoption」)。

重點整理

認知稀缺 → 認知充裕(約 02:18–02:19)

他開場的框架是:我們過去活在一個由 cognitive scarcity(認知稀缺) 定義的世界。想想 2022 年 11 月之前——要做一個 mobile app,你得去雇有那個特殊技能的人或組織;再往前,要做一個網站也需要專門的技能與團隊。

AI 讓我們進入 cognitive abundance(認知充裕)的世界:智慧不再是問題。 要做一個 App?去 Claude 或 ChatGPT 或其他幾十種應用,把你要的東西講出來就好。

銀行業的介面史,以及這次的轉折(約 02:19–02:22)

銀行業存在幾百年了,但介面的更替有清楚的節奏:

他強調的模式是:每一次轉換都造成大位移,但不是取代,而是分流——電話出現後有些人改打電話、有些人還是去 ATM 或分行;網頁能做的就上網做,還是得進分行的就進分行。

而今年是另一個時代的開始:介面正在被重新設計,銀行體驗會從 agent 裡面開始。人們現在是去 Claude 或 ChatGPT 問「我的 529 大學儲蓄計畫該怎麼處理」、「我剛拿到新工作要我搬到某個地方,怎麼安排最好」。資訊、智慧、特別是使用者介面本身正在變成 agent——「我們甚至認為未來你可能不需要 App 了,因為有 agent 幫你處理。」

這不是假設,規模已經在那裡(約 02:22–02:23)

• Wells Fargo 的 AI assistant 剛突破 10 億次以上的客戶互動。
• 平台上有 3,300 萬以上活躍用戶。
• 凡是客戶或行員有在使用這些工具的地方,存款帳戶與信用卡的開戶量都高出約 25%。
• 行員花在草擬紀錄、研究客戶關係上的時間,大部分已經變成基本盤——「其實只要幾分鐘就搞定」。

為什麼多數專案失敗,而差距不在模型(約 02:23–02:25)

他說一直困擾他的一件事是:只有一小群公司拿走了 AI 創造的絕大部分價值。市面上有大量研究說只有 10% 的專案成功,或 95% 的專案失敗;他認為未來至少幾年這件事還會繼續成立。

但關鍵判斷是:

差距不是模型。模型強得不可思議,但我們會用的模型跟其他銀行、跟你們的組織用的是同一個。我們有 Opus 5.0、有 Fable、有 GPT 5.5——我們的模型跟你們拿得到的沒有任何不同。所以差異化的東西不是模型,是模型外面的那一圈。

拆開來看,「how / where 要怎麼用」取決於:

• agentic harness
• 資料
• 安全輪廓(security profile)
• 長時間任務的能力落差——「agent 很棒,但你讓它跑長時間任務時,它們其實沒那麼行。這是個問題。如果現場有創業者,請去看這一塊,這是一個巨大的機會。」
• 文化,以及如何排出正確的用例優先順序——「我一直看到的是,忽然之間所有東西都變成 AI,不管你在做什麼。那不是對的做法。」

三階段路線圖:tool → teammate → autonomous(約 02:25–02:29)

Wells Fargo 是一家 174 年的公司,他強調推進 AI 要有意義、要分階段。

第一階段:AI as a tool(短期,今天) 把 AI 當成工具,和 Excel、Word 一樣。人用 AI,重點在個人層次的用例——你打開 ChatGPT、你下 prompt、你拿到資訊、你再拿那個資訊去做事。

第二階段:AI as a teammate(他說明年開始是他們的焦點) 重點從個人生產力轉到系統性的工作流。他最愛用的類比是把 AI 當成一位新進的資淺員工:

就像你雇了一個新人進組織,你要給他資料、幫他 ramp up、給他系統權限。AI 完全一樣——你 onboard AI、給它正確的 context、給它資訊,而更重要的是給它回饋,告訴它什麼才是正確的做法。

以房貸為例:這是一個非常複雜、非常仰賴人力、大量手動作業的流程。AI as a teammate 意味著客戶送出房貸申請時,承辦人可以直接觸發一個 AI agent,那個 agent 自動開始看核貸條件、看還缺什麼(收入證明等等)。AI 被整合進工作流裡,不是坐在別的地方,也不限於某一個人使用——它是團隊的一部分。

我相信很快我們的組織圖上就會出現 AI。房貸這條線下面有領導團隊、有產品管理,而每一塊裡面都會坐著一個或多個 AI agent。

第三階段:autonomous AI(他個人認為 2028 年起主導) 前兩個階段仍然由人驅動——人下 prompt、人定義什麼時候該觸發。自主 AI 則是 AI 告訴我們該做什麼、什麼時候做。 類比從資淺員工換成資深員工:能存取整個客戶資料庫、整個網際網路,熟悉你的組織與流程,「會比人更一致、更可靠,大體上也更準確」。他給的參照點是:即使是人,在流程一致的情況下成功率也就 95–97%,而這是很容易被超越的。

具體場景不是等一個觸發事件(有人來申請房貸),而是:

AI 直接發一則 Slack 訊息給你:「嘿,我看到聯準會把市場利率調降了,我們要不要為某個客群做一個新的產品?」而我的工作理想上就是回一個「好」。或者更好的情況是,它告訴我:「市場利率確實降了,我因為有 99.7% 的信心所以已經改好了、已經上線了,以下是現在正在發生的事。」

他補了一句重要的但書:這不是循序的——今天他們就已經在做自主 AI 的實驗,只是組合比例會開始切換。

四大支柱(約 02:29–02:31)

他們要從根本改變銀行在 AI 時代的運作方式,策略立在四根柱子上:

1. Hub and spoke——不會有一個中央團隊包辦。AI 組織 / AI 團隊 / Chief AI Officer 的工作是賦能組織裡的其他所有人,而不是當那個孤獨的建造者;中央給工具、給合作夥伴、給策略,執行落在各條業務線裡。他對比 IT 的老恐懼:「凡是當過 CIO 或做過 IT 的人,shadow IT 這個詞非常可怕。但不會有 shadow AI,因為 AI 是給所有人的、也會被所有人使用,不管技術背景。」
2. 聚焦明確、價值驅動的用例——用例不是等價的,高影響力的用例會帶來巨大價值。
3. 快,但有紀律——「我們仍然是銀行,仍然受高度監管。我們要很安全、很可靠,要承擔正確等級的風險,所以那些保護機制絕對是關鍵。」快速前進,但用非常有紀律的方式。
4. 人才 upskilling 與 adoption——「記住,adoption 不等於 impact;但要有規模化的 impact,你就一定需要 adoption。」

收尾:如果技術不是障礙,我們要蓋什麼(約 02:31–02:32)

他說定義他們策略的問題,從來不是「技術上有什麼障礙」——「我們其實很少談技術,因為技術一直在變。」真正的問題是業務流程、是挑戰與機會。

兩個月後或三個月後出什麼新技術都無所謂。我們問的問題是:我們能不能為客戶做得更好?這個問題永遠一樣。所以我們每天都在挑戰自己——如果技術不是障礙,我們會蓋什麼?

金句

"The gap is not the model. ... We all have access to Opus 5.0 or Fable or GPT 5.5. Our model is not any different than the models that you all will have access to. So the differentiator is actually not the model — the differentiator is the stuff around the model."(約 02:23)

企業 AI 的護城河不在模型選型。

"I believe very quickly we're going to have AI in the org chart."(約 02:27)

AI as a teammate 的具體化:不是工具,是編制。

"Adoption does not mean impact. But for impact at scale, you do need adoption."(約 02:31)

對「使用率當成果」這種常見錯覺的精準修正。

"If technology is not the barrier, what will we build?"(約 02:32)

全場收尾。