Guillermo Delgado Aparicio 是 Nisum 的全球 AI 領導人。
發現頂尖金融科技新聞與活動！
訂閱 FinTech Weekly 電子報
由摩根大通、Coinbase、Blackrock、Klarna 等公司高層閱讀
AI 在金融科技的應用範圍廣泛，從詐欺偵測、演算法交易，到動態信用評分與個人化產品推薦。然而，英國金融監理局（FCA）報告指出，在 75% 使用 AI 的公司中，只有 34% 知道其運作原理。
問題不僅是缺乏認知，更是對資料分析（AI 的基礎學科）能力與範疇的深刻誤解。生成式 AI 工具的廣泛採用已將這個議題帶進高層會議室，但許多決定如何導入 AI 的人，並不了解其背後微積分、統計學與進階演算法的基本原理。
以 Benford 定律為例，這項簡單的統計原則透過數字模式來偵測詐欺。AI 正是建立在同樣的數學基礎上，只是規模擴大到一次處理數百萬筆交易。去掉炒作的外衣，核心仍是統計學與演算法。
這正是 C 層級 AI 素養重要的原因。無法區分分析極限的領導者，可能過度信任自己不了解的系統，或因恐懼而未能充分運用。歷史證明，當決策者誤解科技時會發生什麼：監管機構曾試圖禁止國際 IP 電話，結果技術快速超越法規。同樣的情況正在 AI 領域上演。你不能一味封鎖或盲目採用，而是需要判斷力、情境脈絡與負責任引導的能力。
金融科技領導者必須縮小這些差距，才能負責任且有效地使用 AI。這意味著要了解分析在哪裡結束、AI 從哪裡開始，培養引導這些系統的技能，並運用正確的判斷力來決定何時以及如何信任其產出。
分析是分析過去與現在的資料，來解釋發生了什麼以及原因。AI 則從此基礎出發，利用進階分析來預測接下來會發生什麼，並且越來越能自動決策或採取行動。
憑藉其卓越的資料處理能力，金融科技領導者很容易將 AI 視為靈丹妙藥。但 AI 無法解決所有問題。人類在模式識別上仍具先天優勢，特別是在資料不完整或「髒亂」時。AI 難以解讀人類能迅速掌握的脈絡細微差別。
然而，認為不完美的資料就讓 AI 無用武之地，也是錯誤的。分析模型可以在不完整資料下運作。但真正的挑戰在於知道何時部署 AI、何時倚賴人類判斷來填補空白。缺乏審慎監督，AI 可能帶來重大風險。
其中一個問題是偏誤。當金融科技公司用舊資料訓練 AI 時，往往繼承了其中的包袱。例如，客戶的名字可能無意中成為性別的代理變數，或姓氏暗示種族線索，從而扭曲信用評分，導致監管機構無法接受。這些偏誤容易隱藏在數學中，通常需要人類監督來發現並修正。
當 AI 模型暴露於未經訓練的情境時，可能導致 模型偏移。市場波動、法規變更、客戶行為演變與總體經濟變化，若無人為監控與重新校準，都會影響模型有效性。
當金融科技公司使用不允許檢視變數間關係的黑箱模型時，重新校準演算法的難度會急劇上升。在這種情況下，他們無法將知識傳遞給管理層的決策者。此外，錯誤與偏誤仍隱藏在不透明的模型中，削弱信任與合規性。
Deloitte 調查發現，80% 的董事會表示對 AI 幾乎沒有經驗。但 C 層級高階主管不能把 AI 視為「技術團隊的問題」。AI 的課責歸屬於領導層，意即金融科技領導者需要提升技能。
跨分析流暢度
在導入 AI 之前，金融科技領導者需要能夠切換視角──檢視數字、商業案例、營運與倫理──並了解這些因素如何重疊並影響 AI 結果。他們需要掌握模型的統計準確性如何與信用風險暴露相關。也要能辨識出，一個看似財務穩健的變數（如還款歷史）是否可能因與受保護類別（如年齡或種族）相關聯，而引入社會或監管風險。
這種 AI 流暢度來自與合規官員一起釐清法規、與產品經理討論使用者體驗、以及與資料科學家共同審查模型結果以發現偏移或偏誤的跡象。
在金融科技中，完全避免風險是不可能的，但具備跨分析流暢度的領導者能精準判斷哪些風險值得承擔，哪些會侵蝕股東價值。這項技能也能強化領導者發現並應對偏誤的能力，不僅從合規角度，也從策略與倫理角度。
例如，假設一個 AI 驅動的信用評分模型嚴重偏向某一客戶群。修正這個失衡不僅是資料科學的工作，更能保護公司聲譽。對於致力於金融包容性或面臨 ESG 審查的金融科技公司來說，僅有法律合規是不夠的。判斷力意味著知道什麼是對的，而不只是什麼是被允許的。
可解釋性素養
可解釋性是信任的基礎。沒有它，決策者、客戶與監管機構都無法理解模型為何得出特定結論。
這意味著高階管理者必須能區分可解釋的模型與需要事後解釋（如 SHAP 值或 LIME）的模型。當模型邏輯不明確時，他們需要提出問題，並認識到單靠「準確性」無法證明黑箱決策的正當性。
偏誤不會憑空出現，而是在模型訓練與部署缺乏充分監督時產生。可解釋性能讓領導者及早發現這些問題，並在造成損害前採取行動。
AI 就像飛機上的自動駕駛。大多數時候它平穩運行，但當風暴來臨時，飛行員必須接手控制。在金融領域也適用同樣原則。團隊需要能在條件改變時停止交易、調整策略，甚至中止產品上市。可解釋性與覆寫準備相輔相成，確保 C 層級領導者了解 AI 並保持掌控，即使 AI 在大規模運作時也是如此。
機率模型思維
高階管理者習慣於確定性決策，例如，如果信用分數低於 650，則拒絕申請。但 AI 並非如此運作，這是一個重大的思維模式轉變。
對於領導者而言，機率思維需要三種能力：
* 解讀風險區間，而非二元結果。 * 將預測的信心水準與其他業務或監管考量進行權衡。 * 知道何時應覆寫自動化並應用人工判斷。
例如，金融科技公司的機率 AI 模型可能將某客戶標記為高風險，但這不一定意味著「拒絕」。它可能意味著「進一步調查」或「調整貸款條件」。若缺乏這種細微差別，自動化可能成為粗暴的工具，侵蝕客戶信任，同時讓公司面臨監管反彈。
金融科技的未來不會由誰擁有最強大的 AI 模型來決定，而是誰能以最敏銳的判斷力使用它們。隨著 AI 商品化，效率提升成為基本門檻。真正的區別在於當演算法遭遇不確定性、風險與倫理灰色地帶時，介入的能力。
判斷層並非抽象概念。它體現在高階管理者決定暫停自動交易、延後產品上市、或覆寫一個不反映現實情境的風險評分時。這些時刻不是 AI 的失敗，而是人類監督是價值創造最終防線的證明。
策略一致性是判斷制度化之處。一個強大的 AI 策略不僅設定技術路線圖，更確保組織重新檢視各項倡議、提升團隊的 AI 能力、確保公司具備所需的資料架構，並將每次部署與明確的業務成果連結。就此而言，判斷不是偶發的，而是融入營運模式，讓高階管理者能夠推動以價值為基礎的領導方法。
金融科技需要懂得平衡 AI 的速度與規模、以及人類的脈絡、細微差別與長期視野的領導者。AI 能在幾秒內發現異常，但只有人能決定何時要對數學提出異議、重新思考假設、或冒一個大膽的風險來開啟成長之門。這個判斷層正是將 AI 從工具轉化為優勢的關鍵。
Guillermo Delgado 是 Nisum 的全球 AI 領導人，也是 Deep Space Biology 的營運長。擁有超過 25 年的生物化學、人工智慧、太空生物學與創業經驗，他為地球與太空的人類福祉開發創新解決方案。
作為企業策略顧問，他曾為 NASA 的太空生物學 AI 願景做出貢獻，並獲得創新獎項。他擁有喬治亞理工學院的人工智慧碩士學位，以優異成績畢業。此外，他也曾在大學教授機器學習、大數據與基因組科學課程。
77.92萬 熱度
19.5萬 熱度
138.7萬 熱度
94.23萬 熱度
8.92萬 熱度
判斷層：為何在領導者變得更聰明之前，AI並不聰明
Guillermo Delgado Aparicio 是 Nisum 的全球 AI 領導人。
發現頂尖金融科技新聞與活動！
訂閱 FinTech Weekly 電子報
由摩根大通、Coinbase、Blackrock、Klarna 等公司高層閱讀
AI 在金融科技的應用範圍廣泛，從詐欺偵測、演算法交易，到動態信用評分與個人化產品推薦。然而，英國金融監理局（FCA）報告指出，在 75% 使用 AI 的公司中，只有 34% 知道其運作原理。
問題不僅是缺乏認知，更是對資料分析（AI 的基礎學科）能力與範疇的深刻誤解。生成式 AI 工具的廣泛採用已將這個議題帶進高層會議室，但許多決定如何導入 AI 的人，並不了解其背後微積分、統計學與進階演算法的基本原理。
以 Benford 定律為例，這項簡單的統計原則透過數字模式來偵測詐欺。AI 正是建立在同樣的數學基礎上，只是規模擴大到一次處理數百萬筆交易。去掉炒作的外衣，核心仍是統計學與演算法。
這正是 C 層級 AI 素養重要的原因。無法區分分析極限的領導者，可能過度信任自己不了解的系統，或因恐懼而未能充分運用。歷史證明，當決策者誤解科技時會發生什麼：監管機構曾試圖禁止國際 IP 電話，結果技術快速超越法規。同樣的情況正在 AI 領域上演。你不能一味封鎖或盲目採用，而是需要判斷力、情境脈絡與負責任引導的能力。
金融科技領導者必須縮小這些差距，才能負責任且有效地使用 AI。這意味著要了解分析在哪裡結束、AI 從哪裡開始，培養引導這些系統的技能，並運用正確的判斷力來決定何時以及如何信任其產出。
AI 的限制、盲點與幻覺
分析是分析過去與現在的資料，來解釋發生了什麼以及原因。AI 則從此基礎出發，利用進階分析來預測接下來會發生什麼，並且越來越能自動決策或採取行動。
憑藉其卓越的資料處理能力，金融科技領導者很容易將 AI 視為靈丹妙藥。但 AI 無法解決所有問題。人類在模式識別上仍具先天優勢，特別是在資料不完整或「髒亂」時。AI 難以解讀人類能迅速掌握的脈絡細微差別。
然而，認為不完美的資料就讓 AI 無用武之地，也是錯誤的。分析模型可以在不完整資料下運作。但真正的挑戰在於知道何時部署 AI、何時倚賴人類判斷來填補空白。缺乏審慎監督，AI 可能帶來重大風險。
其中一個問題是偏誤。當金融科技公司用舊資料訓練 AI 時，往往繼承了其中的包袱。例如，客戶的名字可能無意中成為性別的代理變數，或姓氏暗示種族線索，從而扭曲信用評分，導致監管機構無法接受。這些偏誤容易隱藏在數學中，通常需要人類監督來發現並修正。
當 AI 模型暴露於未經訓練的情境時，可能導致 模型偏移。市場波動、法規變更、客戶行為演變與總體經濟變化，若無人為監控與重新校準，都會影響模型有效性。
當金融科技公司使用不允許檢視變數間關係的黑箱模型時，重新校準演算法的難度會急劇上升。在這種情況下，他們無法將知識傳遞給管理層的決策者。此外，錯誤與偏誤仍隱藏在不透明的模型中，削弱信任與合規性。
金融科技領導者需要知道的事
Deloitte 調查發現，80% 的董事會表示對 AI 幾乎沒有經驗。但 C 層級高階主管不能把 AI 視為「技術團隊的問題」。AI 的課責歸屬於領導層，意即金融科技領導者需要提升技能。
跨分析流暢度
在導入 AI 之前，金融科技領導者需要能夠切換視角──檢視數字、商業案例、營運與倫理──並了解這些因素如何重疊並影響 AI 結果。他們需要掌握模型的統計準確性如何與信用風險暴露相關。也要能辨識出，一個看似財務穩健的變數（如還款歷史）是否可能因與受保護類別（如年齡或種族）相關聯，而引入社會或監管風險。
這種 AI 流暢度來自與合規官員一起釐清法規、與產品經理討論使用者體驗、以及與資料科學家共同審查模型結果以發現偏移或偏誤的跡象。
在金融科技中，完全避免風險是不可能的，但具備跨分析流暢度的領導者能精準判斷哪些風險值得承擔，哪些會侵蝕股東價值。這項技能也能強化領導者發現並應對偏誤的能力，不僅從合規角度，也從策略與倫理角度。
例如，假設一個 AI 驅動的信用評分模型嚴重偏向某一客戶群。修正這個失衡不僅是資料科學的工作，更能保護公司聲譽。對於致力於金融包容性或面臨 ESG 審查的金融科技公司來說，僅有法律合規是不夠的。判斷力意味著知道什麼是對的，而不只是什麼是被允許的。
可解釋性素養
可解釋性是信任的基礎。沒有它，決策者、客戶與監管機構都無法理解模型為何得出特定結論。
這意味著高階管理者必須能區分可解釋的模型與需要事後解釋（如 SHAP 值或 LIME）的模型。當模型邏輯不明確時，他們需要提出問題，並認識到單靠「準確性」無法證明黑箱決策的正當性。
偏誤不會憑空出現，而是在模型訓練與部署缺乏充分監督時產生。可解釋性能讓領導者及早發現這些問題，並在造成損害前採取行動。
AI 就像飛機上的自動駕駛。大多數時候它平穩運行，但當風暴來臨時，飛行員必須接手控制。在金融領域也適用同樣原則。團隊需要能在條件改變時停止交易、調整策略，甚至中止產品上市。可解釋性與覆寫準備相輔相成，確保 C 層級領導者了解 AI 並保持掌控，即使 AI 在大規模運作時也是如此。
機率模型思維
高階管理者習慣於確定性決策，例如，如果信用分數低於 650，則拒絕申請。但 AI 並非如此運作，這是一個重大的思維模式轉變。
對於領導者而言，機率思維需要三種能力：
例如，金融科技公司的機率 AI 模型可能將某客戶標記為高風險，但這不一定意味著「拒絕」。它可能意味著「進一步調查」或「調整貸款條件」。若缺乏這種細微差別，自動化可能成為粗暴的工具，侵蝕客戶信任，同時讓公司面臨監管反彈。
為何判斷層將決定金融科技贏家
金融科技的未來不會由誰擁有最強大的 AI 模型來決定，而是誰能以最敏銳的判斷力使用它們。隨著 AI 商品化，效率提升成為基本門檻。真正的區別在於當演算法遭遇不確定性、風險與倫理灰色地帶時，介入的能力。
判斷層並非抽象概念。它體現在高階管理者決定暫停自動交易、延後產品上市、或覆寫一個不反映現實情境的風險評分時。這些時刻不是 AI 的失敗，而是人類監督是價值創造最終防線的證明。
策略一致性是判斷制度化之處。一個強大的 AI 策略不僅設定技術路線圖，更確保組織重新檢視各項倡議、提升團隊的 AI 能力、確保公司具備所需的資料架構，並將每次部署與明確的業務成果連結。就此而言，判斷不是偶發的，而是融入營運模式，讓高階管理者能夠推動以價值為基礎的領導方法。
金融科技需要懂得平衡 AI 的速度與規模、以及人類的脈絡、細微差別與長期視野的領導者。AI 能在幾秒內發現異常，但只有人能決定何時要對數學提出異議、重新思考假設、或冒一個大膽的風險來開啟成長之門。這個判斷層正是將 AI 從工具轉化為優勢的關鍵。
關於作者：
Guillermo Delgado 是 Nisum 的全球 AI 領導人，也是 Deep Space Biology 的營運長。擁有超過 25 年的生物化學、人工智慧、太空生物學與創業經驗，他為地球與太空的人類福祉開發創新解決方案。
作為企業策略顧問，他曾為 NASA 的太空生物學 AI 願景做出貢獻，並獲得創新獎項。他擁有喬治亞理工學院的人工智慧碩士學位，以優異成績畢業。此外，他也曾在大學教授機器學習、大數據與基因組科學課程。