金融服務業者正積極導入人工智慧（AI）技術以提升營運效率，然而在實踐過程中面臨策略與執行落差，特別是資料整備度不足、資料碎片化，以及現有資料治理模式無法滿足 AI 訓練需求等挑戰，使得 AI 專案難以從實驗室走向實際應用。
金融服務業正積極部署人工智慧（AI）技術，以提升營運效率，但在實際推動過程中，許多企業面臨策略與實踐之間的巨大落差。根據《Technology Solutions That Drive Business》報導，AI 專案往往止步於實驗階段，難以順利進入生產環境，主因在於缺乏所需的歸屬權結構、治理模式、資金、資料整備度及營運流程。
業界觀察指出，當 AI 仍被視為一項技術倡議而非全面的業務轉型時，其發展便會停滯。大型銀行雖有雄心勃勃的 AI 策略藍圖，但普遍缺乏能夠支撐大規模 AI 運作的「AI 工廠」（AI factory），也就是整合的資料與完善的治理架構，而這些是處理每日數十億筆交易量不可或缺的基礎。
一項在測試環境（sandbox）中表現優異的模型，在面臨即時反應速度要求、模型風險管控機制、歷經半世紀累積的核心系統，以及如何讓多達二十萬名員工實際運用等挑戰時，往往難以存活。弗雷斯特研究公司（Forrester）首席分析師 Indranil Bandyopadhyay 指出，金融機構的現有資料過去是為人類閱讀所準備，而非為仰賴向量資料庫（vector databases）和多模態資料平台（multimodal data platforms）等技術的 AI 系統設計。
報導引述業界人士 Blanco 的說法，多達近半數的金融機構認為，確保資料安全、資料量不足、整合困難、資料品質以及對產出結果的信任度，都是 AI 專案資料準備的重大障礙。儘管金融機構擁有龐大的資料量，但這些資料通常散佈在各自獨立的系統中，難以協同運作。常見問題包括資料標示不一致、資料溯源不完整，以及側重合規報告而非 AI 模型訓練的治理框架。許多企業高估了自身資料環境對 AI 的準備程度，尤其在生成式 AI 導入後，對內容、語義和非結構化資料的需求更增加了挑戰。
此外，AI 系統具有機率性質，容易產生模型漂移（model drift）和資料漂移（data drift）等風險，因此需要持續的監管，組織無法僅憑一次建置就一勞永逸。