利用「複雜度×效益」九宮格對POC進行優先排序，確保資源投入的最大效益。
銀行在部署AI投資時，究竟要將多少比例的年度資本性支出與營運預算，長期鎖定在AI與資料基礎建設上？以摩根大通為例，該行每年約投入20億美元於AI，約占其年度技術預算的10%出頭、約占年收入1％。在國際同業已經用實際資本比例表態的此刻，台灣銀行真正要回應的關鍵選擇是：在其資本支出結構中，願意為AI與資料基礎建設預留多少資金、投資維持多久，來決定自己將只是這一波AI浪潮的追隨者，還是有機會成為下一輪遊戲規則的制定者。
近來，「POC疲勞」在金融業已經變成一個被頻繁點名的現象。國際管顧公司多次觀察到，銀行對生成式AI的想像一開始都非常樂觀，但實際上能從概念驗證（POC）走到正式上線的案例並不多，導致大量資源卡在「實驗」階段。許多高階主管私下坦言，雖然POC眾多，但真正算得出明確財務回報的案例並不多。當POC做了一輪又一輪、簡報華麗、媒體曝光頻繁，財報數字卻毫無起色時，「POC疲勞」就會迅速蔓延。這時，銀行需要的不是再多一個案例展示，而是一套能把AI從「實驗」拉回「經營決策」的投資邏輯：哪些項目值得投、該投多少、什麼時點看得到回報？
實務上，許多銀行提出的POC，多半仍停留在實驗室與簡報階段，環境與核心系統僅部分或暫時串接，流程控管與第二道防線暫時先簡化處理，KPI也偏重技術指標或主觀回饋。這種作法適合驗證概念，卻很難支撐後續的資本配置決策。要讓AI真正走出實驗室，關鍵在於從一開始就把專案當成「準備上線的系統」，而不是「做完Demo再說的玩具」來設計。也就是說，即便只是在小範圍導入，也要用正式上線的標準來看待，同時績效指標也必須回到硬指標，如單案處理時間縮短多少、人工覆核比例下降多少、警示命中率與誤報率如何變化、營運風險事件是否減少等，而不是停留在「使用者反饋良好」、「模型準確率提高了幾個百分點」的層次。
這種作法，本質上是把每一個AI專案視為真正的投資案來管理。成案時即明確設定擴大與終止的條件，若資料品質、風險控管或效益不如預期，就在小範圍內果斷停損，把資源轉向更值得投資的案例；若成效符合預期，就意味著在既有風險可控的前提下，可進一步擴大範圍。這種設計不只是技術方法的差異，更直接牽動到一個關鍵問題：當我們談論投資AI，到底應該將哪些項目算進「成本」，又期待獲得哪些層次的「回報」？
談論成本時，若只看模型授權費或雲端算力，幾乎注定低估真正的成本。對銀行而言，AI技術的總持有成本從來不僅限於一個模型，而是包括整個可被金檢追問、可長期維運的技術與治理架構。粗略來看，銀行的AI成本至少可分四層。第一層是算力與基礎平台：訓練與運行AI所需的運算資源、儲存空間、網路與備援，無論是自建機房或採雲端按量計費，實務上都形成結構性、無法輕易縮減的持續開銷。第二層是資料與整合：從資料盤點、清洗、欄位標準化與權限控管，到與核心系統及周邊系統的介接開發，往往才是預算黑洞。第三層是安全與風險：資安防護、個資與機敏資料遮罩、弱點掃描與修補、事件通報與應變、第三方供應商風險管理，以及對外服務的壓力測試與韌性演練。第四層，也是最常被漏算的一層：治理與法遵，包括模型驗證、偏誤與公平性檢測、持續性監控、版本管理、完整記錄與稽核軌跡、模型變更審查，以及與內稽內控、多道防線溝通的時間與人力成本。
進一步看，真正拉開差距的，不在於單一AI專案表現多「亮眼」，而在於銀行是否有決心投資一套完善的AI平台，把零散的POC串成具綜效的共用能力基礎。這套平台應涵蓋以資料中台為核心的資料底層、標準化的機器學習營運（MLOps）與模型風險治理機制，以及支援生成式AI的控制介面與Agent編排層，讓後續各式應用都能在同一套架構上快速疊加，避免每次都從頭開始。這類基礎建設的投入應被視為跨專案共用的資本性投資，而不應全部壓在第一個案例的ROI上，這種AI平台一旦建起來，就能被後續數十個案例重複使用。同樣一筆成本，從單一專案角度看可能偏重，從平台與投資組合角度看，卻是可以多年攤提、跨案分攤的基礎設施。
人才與組織成本同樣不可忽視，模型要真正落地，不只需要資料工程、資料科學、資安與模型風險等專業，也需要一個橫跨資訊、風控與業務的AI平台團隊，負責維運資料中台與模型治理，對各事業單位提供共用服務。若AI長期被當成零散的一次性專案、每個POC自成一體，一旦關鍵人才流動或更換外包廠商，組織就得不斷重學內部規範與資料脈絡，知識難以積累，成本一再重複支出。反之，若有穩定的AI平台與治理框架，人才可以在同一套平台與架構上累積經驗，流動帶來的衝擊較可控，過去投入也比較有機會沉澱為銀行的長期資產。
談論回報時，最常被問到的問題是：「AI可以節省多少人力？」這個問題本身沒有錯，但若只用人力節省來衡量AI投資，很容易變狹隘，也可能做出錯誤決策。對多數銀行而言，人力通常是「不再增人」，而非直接裁減，重點在於能否把被釋放出來的時間與產能，轉去更高價值的業務開發與風險管理。也因此，評估回報時，與其只盯著少了幾個人，更需要把眼光拉高，看清楚AI在效率、風險與收入三個層次，分別改變了什麼。
第一層回報為效率與成本。智能客服、內部Copilot與流程自動化，最直接的效果是減少進線、縮短平均處理時間、降低後送與重工，最後反映在單筆作業成本與整體營運成本上。若能以作業基礎成本制（Activity-Based Costing, ABC）的方式計算，把流程拆成一個個具體步驟，估算每一步的處理成本與錯誤成本，AI導入後的效益就能更清楚對接管理會計與財務報表。
第二層回報是風險管理與資本運用效率。AI若能協助銀行更細緻地分辨「哪些客群較安全、哪些案件風險較高」，更早偵測還款異常或可疑交易，實務上的效果是在不額外拉高風險的前提下，可以承作更多優質放款；或在放款規模不變的情況下，壓低呆帳與信用損失。這些改善，最後會反映在資產品質、放款利潤與整體獲利率上，也讓每一單位資本可以支撐更多健康的業務量。
第三層回報是收入成長與客戶體驗，這一層最難精準歸因，但最有機會拉開結構性差距。透過整合交易、行為與互動資料，AI能協助客戶關係經理在企金端更掌握客戶的資金流與供應鏈關係，在個金與財管端更貼近客戶的階段需求與風險偏好，提升交叉銷售與產品滲透率。在數位通路上，則可透過客戶分群與即時內容調整，拉高每一次廣告投放、每一次行銷活動的轉換率。因此，若要把「收入與體驗」這一層回報真正納入AI投資邏輯，就需要同步建立實驗設計與成效追蹤能力，把「多賣多少」、「少流失多少」、「數位互動多帶來多少收入」拆成具體KPI，並連結到客戶長期貢獻與在本行的資產占比。
實務上可以進一步用「複雜度×效益」的九宮格，作為所有POC的共同評估座標。即每一個被提出的POC，不論大小、新舊技術，一開始都要先在九宮格中找到自己的位置，當多個專案同時競逐有限的預算與人力時，這個九宮格就能成為排序與取捨的基礎。位在「低/中複雜×高效益」區塊的專案，優先順序自然較高，因為它們更有機會在合理投入下，快速取得實際成效；位在「高複雜×高效益」的案子，則多半會被定位為策略性投資，需要分階段切割範圍，並與平台建設一併規劃；至於落在「高複雜×低效益」的提案，則應在投資審議時被嚴格檢視，非得明確調整設計、提高效益或降低複雜度，否則不宜輕易投入；銀行決策者在決定年度要在AI投入多少資源時，是否具戰略性的眼光來權衡優先順序和預算大小，將是AI降臨時代所有決策者重中之重的考量。（作者為台灣金融研訓院金融研究所助理研究員）