事件
劍橋大學與 BIS、IMF、WEF 聯合發布的《2026 全球金融服務業 AI 報告》揭示一個驚人的數據反差：81% 的金融機構已部署 AI（從傳統機器學習進化到生成式 AI 再到代理式 AI），但同時卻普遍面臨三大結構性痛點——資料品質不佳、老舊 IT 架構、人才嚴重短缺。報告涵蓋全球 151 個司法管轄區、628 個組織，規模足夠代表全球金融業的真實狀況。
表象 vs 真相
表面現象看起來令人欣喜：金融機構報告營運效率和生產力有明顯提升。但掀開蓋子，赫然發現一個「執行落差」（execution gap）正在擴大。AI 導入的速度，已經遠遠超過組織消化、整備、治理的能力。
這不是新鮮事。銀行的 legacy 系統往往有 20-30 年歷史、用 COBOL 寫的，底層資料架構是以穩定性而非靈活性設計。現在要往上疊 AI 層，就像在古羅馬廢墟上蓋玻璃高樓——結構本身沒有為這種負載設計。
三層風險
第一層：資料層脆弱性 資料品質不佳意味著 AI 模型訓練在骯髒的基礎上。金融決策涉及風險定價、合規判斷，垃圾進垃圾出（GIGO）的後果不只是精度下降，而是系統性風險累積。
第二層：架構層債務 老舊 IT 系統無法承載 AI 的迭代速度。每次 AI 模型更新都需要重新驗證、重新整合，等待週期可能長達數月。在市場瞬息萬變的金融業，這種延遲本身就是風險。
第三層：監管層空白 而最致命的是：監管機關還沒有框架來審視金融 AI 系統。誰負責當 AI 做出一個虧損 100 億的決策？誰來審計一個自主決策的「代理式 AI」系統的邏輯？法律框架滯後最少 2-3 年，在此之前金融業正在無人監督的灰色地帶奔跑。
歷史教訓
這個模式在金融業反覆上演。2008 年次貸危機的根本原因之一，就是風險模型的「知識落差」——機構採納了複雜的衍生品定價模型，但沒有人真正理解其內部邏輯，風險委員會無法審視。現在的 AI 系統風險，可能比衍生品更難被審計。
關鍵問題
AI 採納速度與治理成熟度的距離有多遠？報告沒有量化，但從人才短缺這個指標可窺一斑——如果連招到懂 AI 的人都困難，整個組織的集體理解能力更加堪憂。這意味著很多決策是在「黑箱」下做的。