金融業導入 Agentic AI：為什麼治理速度跟不上部署速度？從四位真實高管的座談看落差
在一場由印度財經媒體 Mint 主持的座談節目中，來自 Salesforce、Mirae Asset Investment Managers、Godrej Capital、Nivara Housing Finance 四家金融與科技公司的高管一致點出一個問題：金融業導入 Agentic AI 目前卡住的地方，不是「AI 好不好用」，而是「治理跟不上部署的速度」。 Godrej Capital 的 CTO Jyotirlata B 在座談中直言，企業目前普遍缺乏成熟的 GRC（治理、風險、合規）框架去回答一個具體問題：AI Agent 在跟客戶對話、幫忙核貸的過程中，到底洩漏了什麼資料、給出的答案是否真的符合公司政策與法規？這篇文章整理這場座談裡三個真實的金融業 Agentic AI 導入案例，以及這幾位高管自己攤開來講的治理缺口，談的不是「AI 趨勢展望」，而是幾家真的已經在用 Agentic AI 處理核貸、投資與客戶服務的公司，正在面對什麼問題。
這場座談在談什麼：一群真的在部署 Agentic AI 的金融業高管
這場座談由 Mint 旗下節目 *All About AI* 第 19 集製作，主持人 Abhishek Singh 邀請了四位來賓：Salesforce India 的 VP Sales Sonali Kalyanpur、Mirae Asset Investment Managers 的 Head of Information Technology Vijay Rao、Godrej Capital 的 CTO Jyotirlata B，以及 Nivara Housing Finance 的 CEO Shijit Menon。四家機構所屬領域各不相同——Salesforce 是提供技術架構給金融機構的平台方，Mirae Asset 是資產管理公司，Godrej Capital 是消費金融放貸機構，Nivara Housing Finance 則專攻住房貸款——但四位來賓的共通點是，他們談的都不是「AI 未來會怎樣」，而是自己公司現在正在跑的 Agentic AI 專案。
座談一開始，Sonali Kalyanpur 先點出這幾年最大的變化：兩三年前企業導入 AI 還停留在冗長的需求訪談（BRD）流程，而現在的期待已經是「我的 Agent 會直接跟銀行或 NBFC（非銀行金融公司）的 Agent 對話」——換句話說，Agentic AI 已經從「一問一答的對話工具」變成「系統對系統」的自動化層。這個轉變，正是後面三個真實案例與治理落差討論的背景。
案例一：Nivara Housing Finance——用多語音對文字，讓核貸聽得懂酪農戶的方言
Nivara Housing Finance 服務的客群是印度非正式部門（informal segment）的客戶，Shijit Menon 在座談中舉例，公司最典型的客戶樣貌，是安得拉邦（AP）半城鎮地區一位經營小型酪農場的貸款人。這群客戶的共通問題是「文件稀少」——傳統核貸高度依賴書面文件佐證收入與信用狀況，但這類客戶往往拿不出這些文件，只能靠實地評估。
Shijit Menon 指出，公司先從銷售漏斗（sales funnel）的前端流程開始自動化，接著才把重心放到核貸（underwriting）這一段。其中一項具體變化，是與合作夥伴一起導入多語音對文字轉換技術，支援印度南方多種語言。這項技術的意義在於：客戶可以用自己熟悉的方言跟系統對話，AI 負責把這段對話轉換、詮釋成文件，交給核貸人員作為放貸判斷的依據。Shijit Menon 特別強調，技術必須做到「對客戶來說簡單易懂」，因為這群客戶原本就不擅長使用複雜的數位工具，語言與文件是他們同時要面對的兩道門檻。他也提到，這只是其中一個例子，公司還在多個環節嘗試其他用例，去解決「如何觸及這群客戶、並服務他們的貸款需求」這個核心問題。
案例二：Godrej Capital——「重新定義但不重塑」，聽起來像是徹底改造了核貸流程
座談中，主持人以「重新定義，但不重塑」（redefine but don't reshape）這句話，回應 Godrej Capital 的 CTO Jyotirlata B 剛才對技術角色轉變的描述，並請她舉例說明。Jyotirlata B 先解釋，傳統上技術在企業裡被視為支撐業務規模化的後端骨幹，而不是用來改變業務本身；但在 Godrej Capital，技術已經不只是支援部門，而是「本身就是業務的一部分」。
她以核貸流程為例說明這個轉變究竟是什麼樣子：傳統流程是把文件資料手動輸入系統、跑完處理程序後，最終的放貸判斷高度仰賴信用核貸人員的個人判斷——而這中間免不了摻入人為偏見。相對地，在現在的模式裡，客戶上傳文件之後，包括讀取文件內容、自動填寫欄位在內的流程都應該被自動化，把人為介入降到最低；而核貸人員最終拿到的，是一份「完全由數據驅動的決策」，讓他能更快速、也更不帶偏見地做出判斷。Jyotirlata B 也指出，這種轉變不只發生在核貸這一段，公司的後端流程也正在被重新想像——過去的技術只能做到「自動化」，現在則可以進一步帶入「智能」。
值得留意的是，這個轉變雖然被主持人框在「重新定義但不重塑」這個相對溫和的說法裡，但 Jyotirlata B 具體描述的內容——把人工判斷變成自動讀取文件、自動填欄位、把核貸人員的角色從「做判斷」變成「執行機器給出的數據驅動決策」——其實已經是流程本質上的重新設計，而不只是效率上的微調。
案例三：Mirae Asset——兩年前就成立獨立 AI 部門，用 Snowflake 建 agent
相較於前兩個案例聚焦在核貸流程，Mirae Asset Investment Managers 的 Head of Information Technology Vijay Rao 談的是組織層級的佈局。他表示，Mirae Asset 是跨資產類別、跨市場提供金融服務的全球性機構，在金融服務這個高度受監理的領域，公司對導入 AI 抱持審慎但積極的態度——公司是少數已經成立獨立 AI 部門的資產管理公司（AMC）之一，這個部門大約在兩年前成立。
Vijay Rao 提到，公司以 Snowflake 作為資料湖（data lake），並在此基礎上建構 agent。他也強調一項組織層面的要求：公司管理層期待每個部門的員工都具備一定程度的 AI 素養，並接受相應的訓練，讓他們懂得「輸入對的 prompt 才能取得需要的資料」。他同時補充，由於公司處理的是客戶資料，在採用任何新技術之前，都必須確保「把信任放在技術之前」（trust before technology），在充分運用 AI 效益的同時，也要在信任與技術之間取得平衡。
這三個案例放在一起看，指向同一件事：這場座談討論的不是「金融業要不要導入 Agentic AI」的假設性問題，而是三家型態各異的機構——住房貸款、消費金融、資產管理——已經真的把 Agentic AI 放進核貸、資料建構與組織能力養成的實際流程裡。
治理跟不上部署：Jyotirlata B 說出的那句「GRC 框架還沒成熟」
案例講完之後，座談轉向了整場最關鍵的段落。主持人問到企業在部署 Agentic AI 過程中遇到的最大挑戰，Jyotirlata B 給出的答案不是技術限制，而是治理缺口。她指出，如今企業當前面對的最大挑戰是「AI 的安全架構（security architecture）」——AI Agent 正在被大量部署，這件事本身沒有問題，問題是企業還沒有一套強健的 GRC（Governance, Risk, Compliance，治理、風險、合規）框架去支撐這件事：這套框架應該具備什麼樣的治理機制？一旦出現風險，該用什麼方式去緩解？她直言，這套 GRC 框架目前並不成熟。
她進一步指出，雖然每家企業目前都在建立某種形式的護欄（guardrail），但「guardrail 只是第一步」，後面還有大量工作要做。她舉了一個具體情境：在客戶 onboarding（開戶／導入）的對話過程中，AI Agent 正在跟客戶互動，但企業能保證這個過程不會出現什麼樣的資料洩漏？又能保證 AI 給出的回答，真的符合公司自身的政策、乃至於相關法規的要求嗎？Jyotirlata B 給出的答案是否定的——目前沒有這樣的保證機制。她把問題歸結成一句話：這項技術每天都在變化，但企業的安全護欄與安全框架，演進的速度跟不上技術本身演進的速度。
主持人追問，這是不是所有產業都會遇到的「監理永遠落後於技術」的老問題，為什麼在 Agentic AI 這件事上顯得特別嚴重？這個提問把座談帶到了下一段——由 Sonali Kalyanpur 給出的補充。
為什麼金融業特別不能接受幻覺：Sonali Kalyanpur 的補充
Sonali Kalyanpur（Salesforce India VP Sales）接續 Jyotirlata B 的說法補充，她認為在受監理的實體（regulated entities）當中，尤其是金融服務業，監理機關比其他產業嚴格得多。她表示，這也是 Salesforce 在與金融服務業客戶合作時，「合規」始終是一個非常重要的考量角度。
她特別點出金融業與其他產業導入 Agentic AI 最本質的差異：在 Agentic AI 這件事上，你不能出現幻覺（hallucinate），因為你談的是數字，談的是回應客戶的真實金錢（real money）。正因如此，平台本身必須足夠穩健、不能產生幻覺——尤其是當你處理的是真實金錢的時候。換句話說，在其他產業，AI 給出一個似是而非的答案，代價可能是使用體驗打折扣；但在金融業，同樣的幻覺問題，代價可能直接反映在客戶的帳戶餘額或放貸決策上。
把 Jyotirlata B 與 Sonali Kalyanpur 的兩段發言放在一起看，可以拼出這場座談最重要的訊息：治理落後於部署，在任何產業都是老問題；但金融業特殊的地方在於，這個落差沒有太多容錯空間——GRC 框架沒跟上，不是「體驗不夠好」的問題，而是直接關係到客戶的真實資產與監理合規。這也是為什麼四位來賓雖然都在分享自己導入 Agentic AI 的成果，卻沒有一個人迴避「我們現在還做不到什麼」這個問題。
給正在導入 Agentic AI 的企業的一個問題
這場座談沒有給出一套現成的 GRC 框架範本，但它示範了一件更重要的事：這幾位高管願意在鏡頭前承認「guardrail 只是第一步」「安全框架跟不上技術演進速度」，本身就是一種誠實。對於任何正在評估或已經在部署 Agentic AI 的企業，這場座談留下的問題或許不是「我們的 Agent 夠不夠聰明」，而是「如果稽核人員今天問我們，某個 Agent 在跟客戶對話的過程中存取了哪些資料、給出的回答是否符合公司政策，我們能不能拿出證據回答？」——這是任何 GRC 框架成熟之前，都得先具備的基本可追溯性。
FAQ
Q1：這場座談討論的核心問題是什麼？
座談邀請了 Salesforce India、Mirae Asset Investment Managers、Godrej Capital、Nivara Housing Finance 四位高管，分享金融業實際導入 Agentic AI 的案例，並集中討論一個問題：企業部署 Agentic AI 的速度，已經超過治理與合規框架能跟上的速度，尤其在 GRC（治理、風險、合規）與資料外洩風險方面存在明顯落差。
Q2：座談中提到哪些真實的金融業 Agentic AI 應用案例？
三個具體案例：Nivara Housing Finance 用多語音對文字轉換技術，讓非正式部門客戶（例如小型酪農戶）能用自己的方言完成核貸對話；Godrej Capital 把核貸流程從人工判斷改為自動讀取文件、自動填欄位、交給核貸人員完全數據驅動的決策；Mirae Asset Investment Managers 在約兩年前成立獨立 AI 部門，並以 Snowflake 作為資料湖建構 agent。
Q3：為什麼金融業高管特別強調「不能有幻覺」？
Salesforce India 的 Sonali Kalyanpur 在座談中指出，金融服務業受到的監理比其他產業嚴格，而 Agentic AI 處理的是數字、是回應客戶的真實金錢——一旦模型產生幻覺、給出不正確的資訊，後果可能直接反映在客戶資產或放貸決策上，這與其他產業「體驗打折扣」層級的風險不同。
Q4：什麼是座談中提到的 GRC 框架？為什麼說它還不成熟？
GRC 是 Governance（治理）、Risk（風險）、Compliance（合規）的縮寫。Godrej Capital 的 CTO Jyotirlata B 在座談中指出，多數企業目前只做到建立護欄（guardrail），但缺乏一套完整的治理框架去回答「AI Agent 在對話中洩漏了什麼資料」「回答內容是否符合公司政策與法規」這類具體問題，且安全框架的演進速度跟不上 AI 技術本身的演進速度。
Q5：企業導入 Agentic AI 時，可以從哪裡開始補上治理缺口？
座談中沒有提供具體的框架範本，但從幾位來賓的發言可以歸納出方向：優先確保客戶資料（PII）不會在 Agent 互動過程中外洩、建立可稽核的資料存取與回應紀錄、並在導入前確保組織上下對「AI 該用在哪裡、不該用在哪裡」有一致的認知——這些都是任何正式 GRC 框架成形之前，企業自己就能先做的基礎工作。
資料來源聲明
本文整理改寫自 YouTube 頻道 Mint 於 2026 年 8 月 17 日發布的座談節目《Agentic AI & Money: How Smart Agents Are Rewriting Finance | #AllAboutAI EP 19》，由主持人 Abhishek Singh 主持，與談人為 Sonali Kalyanpur（VP Sales, Salesforce India）、Vijay Rao（Head Information Technology, Mirae Asset Investment Managers）、Jyotirlata B（CTO, Godrej Capital）、Shijit Menon（CEO, Nivara Housing Finance）。文中案例描述、觀點引述均為該節目對談內容之重新整理與論述，非逐字翻譯；三個導入案例（Nivara Housing Finance 的多語音對文字技術、Godrej Capital 的核貸流程自動化、Mirae Asset 的 AI 部門與資料湖）僅呈現節目中各自公開描述的內容與方向，未包含節目未提及之量化成效數字；治理落差段落之引述已逐一標明發言人歸屬，供讀者對照原始節目內容查證。
延伸閱讀
治理不能只靠事後補救，先讓每一次 AI 呼叫都留下可查的軌跡
這場座談留下的最大提醒是：guardrail 只是第一步，真正的治理需要企業能回答「AI Agent 這次對話存取了什麼資料、給出的回答是否有據可查」。在 GRC 框架真正成熟之前，你能先做的不是等出事才回頭翻日誌，而是讓每一次跨模型的呼叫，從一開始就留下可查證的軌跡——用了哪個模型、耗用多少量、花費多少，都有紀錄可循。AI Token King 目前能提供的，是這條路徑上的第一層軌跡：把企業使用的多個 AI 模型統一在同一把金鑰之下，讓每一次呼叫的模型、用量與費用都留下可稽核的紀錄——這還不等於能逐次還原對話內容或資料存取明細，但沒有這一層基礎紀錄，「這次對話發生了什麼」這個問題，連查證的起點都沒有。
留言