金融服務業的人工智慧（AI）專案常因數據品質不佳、無法衡量實際業務影響，以及缺乏對整體架構與治理的考量而失敗。專家指出，解決之道在於從數據基礎、成果量化及完善治理方面著手，才能確保 AI 專案成功導入並發揮效益。
金融服務業在導入人工智慧（AI）專案時面臨諸多挑戰，導致不少專案最終未能達到預期成效。專家分析，數據品質不佳、缺乏明確的價值衡量指標，以及對整體架構與治理的忽視，是造成這些專案失敗的三大主要原因。
數據品質成 AI 應用最大阻礙
AI 系統的有效性取決於其所處理的資訊。若數據不完整、不一致，或分散於組織內部不同部門（silos），AI 所產出的結果將難以達到可信任的水準。在金融服務業這種對準確性、法規遵循（compliance）和信任度要求極高的環境中，薄弱的數據實踐會迅速導致 AI 專案偏離軌道。
大型語言模型（LLMs）等技術，尤其需要存取標準化且受控管的數據源，才能產生精準可靠的輸出。許多組織在未解決數據品質問題的情況下便急於部署，最終發現他們的 AI 試點專案無法有效擴展，且其輸出結果也不受內部信任。
為了解決這些問題，人工智慧本身能提供幫助。透過 AI 驅動的探索和標準化工具，可以簡化數據分類、提高非結構化數據的可見度，並強化治理工作。金融機構除了仍需定義清晰的「人機協同決策」（judgment-in-the-loop ownership models，意指人類與 AI 共同參與決策過程並劃分權責）模式和生命週期管理流程外，AI 技術也能支援這些現代化措施。越來越多組織將 AI 專案與更廣泛的雲端與數據轉型計畫連結，包括混合雲架構及現代分析環境。
欠缺價值衡量與整體架構考量
另一個導致 AI 專案被視為失敗的原因，是無法衡量其是否真正帶來價值。如果一個專案的價值成果無法被量化，便常被視為不存在。金融機構需要建立與營運成果直接相關的關鍵績效指標（KPIs），而非僅僅追蹤使用量。專案目標必須包含將 AI 活動與具體可量化的業務影響連結的能力；如果組織無法衡量成果，便難以判斷是否值得進一步投資。
此外，在確定成果、衡量標準和數據來源後，金融機構在 AI 的選擇與實施上，仍需要建立「防護措施」（guardrails）和具適應性的架構決策。成功的組織會全面評估 AI 架構，將安全與隱私要求、現有技術投資、營運流程以及長期的營運可擴展性納入考量。在金融服務業中，由於面臨嚴格的監管審查和聲譽風險，這點更顯得特別重要。
總體而言，成功的 AI 導入在於建立一套紀律嚴明的策略，此策略應以業務成果為核心、依賴可信任的數據，並透過永續的治理來選擇正確的 AI 方案，而非盲目追求最新模型或部署最多工具。