2026 國泰金控技術年會七場重點全解讀：從 Cloud First 到 Agent First，三位 AI 數位同事正式上工

2026 國泰金控技術年會在 9 月 15 日於台北 101 辦完，近 7,000 人報名，線上加現場同步觀看突破 3,500 人。

這個數字放在台灣的科技活動裡，已經很誇張了。

但真正讓我把七場影片全部看完的，不是人數。是它在會上講的那句定調：國泰要從 Cloud First 走向 Agent First。

你知道這句話的份量在哪嗎？

Cloud First 是國泰喊了五年的口號，背後是一個「五年百套系統上雲」的硬工程。現在他們說，那個階段結束了，下一個階段叫 Agent First。今年剛好也是國泰數位轉型滿十年（2016 年啟動）。一家金控在自己數位轉型十週年的場子上，沒有花時間回顧成果，直接宣布重新換檔。

我沒有去現場。這篇是把國泰金控官方 YouTube 目前釋出的七場完整演講全部看完之後整理的，七場都免費公開，文中的人名、數字與外部事件我都附了可查的來源連結。

先講結論：

這場年會最值錢的部分，不在他們用了什麼模型。在於他們被監理逼著，先把「AI 的人事制度」想清楚了。

一般公司導入 AI，是先用起來再說，出事再補治理。金融業不行。金融業的每一個動作都有主管機關在看，所以他們被迫在第一天就回答：這個 AI 是誰？它歸誰管？它做錯事算誰的？

這些問題你早晚也要回答。差別只在於，你是自己慢慢撞，還是先看別人怎麼撞。

2026 國泰金控技術年會三大主軸：Agent First、IT 升級、數位資產

國泰把這次年會分成三個主軸：Agentic AI 與數位同事、AI 驅動 IT 升級、數位資產與 Web3，另外加一場 OpenAI 的國際視角。

七場演講對應下來是這樣：

一場一場來。

場次 1｜三位數位同事，有名字、有信箱、有主管、有 token 預算

這是整場年會最搶戲的一場，由國泰金控副總經理暨國泰世華銀行數據長梁明喬，與國泰金控數據暨人工智慧發展部副總經理劉浩翔共同主講。

國泰這次首度公開三位「數位同事」的實驗成果，三位都有正式名字（後綴統一加 .AI）：

• Vanessa.ai：專案管理助手
• Sherlock.ai：科技治理審查專員
• Lawrence.ai：法務合約初審專員

（名字與職務依國泰金控官方新聞稿與 CIO Taiwan 報導。）

數位同事跟一般 AI Agent 差在哪？

國泰自己給了三個判準，我覺得抓得很準：

第一，跨 session 的長期記憶。一般 Agent 活在單一對話框裡，關掉視窗就忘了你是誰。數位同事要跟你一起工作好幾個月，它得記得你是誰、記得這個專案上週卡在哪。

第二，主動性。不是你說一動它做一動。它自己知道下一步要做什麼，然後自己把自己叫醒。

第三，能識別組織裡的不同角色。過去 Agent 只面對一個使用者。但在公司裡有主管、有同事、有跨部門窗口，同一件事對不同人的回應方式不一樣。

第三點是我覺得最少人想到、但最現實的一點。

技術底層：GAIA 2.0 加三層架構

底層框架是國泰 2025 年發表的 GAIA 2.0。往上長出來的數位同事架構分三層：

• Agent Profile 層：用 agent.md 管行為準則、identity 管身分角色、soul.md 管人格與風格，再加上技能與記憶
• Runtime 執行環境：除了協調層，特別做了「喚醒排程／心跳機制」，還有喚醒之後怎麼回復上一次的任務狀態
• Learning Loop 學習迴圈：session 結束時，它要知道該寫下哪些記憶、怎麼分類、下次何時叫醒自己、該讀哪些記憶

如果你對 Agent 的骨架怎麼搭有興趣，我之前寫過一篇〈Agent Harness 是什麼？〉，講的就是這層「模型之外的東西」。國泰這個架構基本上就是企業版的 Harness。

最有意思的是管理機制，不是技術

技術大家都在做。真正讓我停下來的是這段：

國泰把數位同事比照真人員工在管。

• 像員工有員工編號 → 數位同事有獨立帳號與編號
• 像員工有辦公室 → 給 Agent 一個受控邊界的運行環境
• 像員工有員工守則 → 用 agent.md 定義它是誰、該做什麼
• 像員工要打卡 → Agent 的上班時間就是排程

打卡這段講者講得很妙。他說可以讓它朝九晚五，也可以要求它 7x24 不間斷工作而且不違反勞基法。

但下一句才是重點：工時越長，算力與 token 費用越高，所以會依職級與能力分配不同的 token 額度與可呼叫的模型。

你看懂這個設計沒有？

他們把「薪水」這件事，翻譯成了 token 預算。

這就像一家公司決定要不要請正職還是工讀生，看的是這個職位創造的價值撐不撐得起那個薪資帶。國泰現在對 AI 做的是同一件事：這個 Agent 值不值得給它用貴的模型、跑滿 24 小時。

每個數位同事還有自己的 email、有 reporting line，知道誰是 mentor、誰是老闆、誰是同事。互動方式就像跟一個遠端辦公室的同仁協作。

三階段職等發展

國泰把數位同事的能力發展分三級：

• Level 1：像剛進職場的新鮮人，執行特定單一任務，跟 mentor 一對一協作
• Level 2：有主動性，能主動喚醒、主動追蹤任務、觸類旁通自我學習，能跟同部門多位同事協作
• Level 3：具備完整的企業世界觀、成熟的自我學習機制，能對企業內所有跨單位角色做出對應回應

目前的公開實驗成果落在 Level 1 到 Level 2 之間。這點國泰自己講得很誠實，他們說這仍在「實驗與前沿探索階段」。

順帶一提，如果你想對照國外同一時間點的做法，我上個月寫過〈Dreamforce 2026 七大重點全解讀〉，Salesforce 也端出了六隻數位員工。兩邊放一起看很有意思：Salesforce 賣的是產品，國泰做的是自己內部的人事制度。

場次 2｜治理對談：踩過的坑比成功案例誠實

第二場是高峰對談，陣容是四位：國泰金控副總經理陳冠學、國泰金控數據暨人工智慧發展部副總經理劉浩翔、台灣微軟大型企業商務事業群總經理李倩，以及國立政治大學金融科技研究中心主任王儷玲。

這場的價值在於，它是七場裡面最集中談導入失敗與治理摩擦的。

國泰的做法：不做實驗室，直接派拓荒隊

陳冠學說，面對大型金融組織 AI 滲透率不足的問題，國泰沒有選漸進式導入。

他們的做法是：用約原本三分之一規模的最小團隊，直接組成與 AI 協作的「Agent Team」，投入真實的產品需求，不做實驗室專案。

結果是這種「拓荒者」模式更快看到技術天花板，近期上線的產品裡，已經有部分功能是由這個 AI 團隊產出的。

我個人非常認同這個做法。

你派一支正規軍去做 POC，做出來的是簡報。你派三分之一的人去扛真需求，做出來的是能力。

三個我覺得最該抄下來的坑

劉浩翔分享實作面踩過的雷，有兩個詞我建議你記起來：

第一個叫「記憶污染」。

如果 Agent 的記憶儲存沒有精密設計，它會什麼都記，結果記太多反而產出變差。國泰內部就叫這個現象記憶污染。

這件事我在〈你的 AI 客服為什麼越用越蠢？〉裡寫過，問題不在它記太少，在它不會「忘」。看到一家金控在正式場合用同樣的詞描述同樣的問題，說實話有點爽。

第二個叫「over-skill」。

Skill 設計不要貪多。功能重複、或者一個 Agent 背了太多 skill，會讓它繞圈圈，看起來很忙但沒有效果。

這跟我之前解碼 Stripe 內部 AI 助理時看到的現象一模一樣，他們的技能裝到 150 個左右就到頂了，可以參考〈企業 AI 治理怎麼做？Stripe 內部 AI 助理解碼〉。

第三個坑最痛：做 80 分等於 zero adoption。

陳冠學講了一段我覺得全場最實在的話。他說真正的塞車點不在技術，在於數位化不完整、API 缺乏、知識散落在一堆 silo 裡，員工要登入幾百套系統。如果你只串一個系統給 Agent，是沒有用的。

做到 80 分會導致零採用，因為同仁會覺得「那我自己做還比較快」。必須做到 100 分，大家才願意用。

這句話值得每個正在導入 AI 的人抄在白板上。

我之前寫過 MIT 那份「95% 生成式 AI 專案零回報」的研究，講的是同一堵牆。國泰這段等於是從第一線給了那份研究一個註腳。

治理框架：AI 員工也要有身分、職權、權限、主管、工作記錄

王儷玲主任（政大金融科技研究中心主任，也是前金管會主委）給了一個很清楚的框架：AI 治理可以直接對應真人的五件事。

身分、職權、權限、主管、工作記錄。

然後把金融監理裡「絕對不能犯錯」的部分放進去。

她特別提醒一點：human-in-the-loop 不需要每個點都設。要放在不可逆、會影響消費者保護與風險的關鍵點。

這跟我自己的做法一樣。我在〈AI 自動化的界線怎麼畫？〉裡寫過，我有三個 AI 幕僚整天跑，但就是不准它們按下送出鍵。關卡要設在對的地方，設太多等於沒設。

台灣微軟李倩補了一個我很喜歡的說法：

「大家不是在 deploy 一個 agent，而是在 onboarding 一個 agent。」

對真實員工怎麼做，就對數位員工怎麼做：識別證、access control、資料保護、監控它看過哪些資料。而且要在 build 之前就想清楚，不是 build 完才補限制。

她也給了組織上的解法：中央設定標準與安全框架，部門設定場景。這樣才不會因為治理而拖垮速度。

場次 3｜AI in IT：一句「AI 是放大器」，打醒很多人

這場由國泰金控數數發中心（全名數位數據暨科技發展中心，2016 年設立，正好就是國泰數位轉型的起點）雲端策略發展部協理主講，是七場裡技術含量最高、但金句也最多的一場。

開場他先播了一段影片，內容是同仁因為做出一個失控的 Agent 而被要求寫「悔過書」。影片裡的 AI 只檢查了最低層級的權限，誤判了政策繼承關係，得出一個「區域正確、但全域錯誤」的結論。

這個開場方式我給滿分。用自家人出的包當開場，比放十張成長曲線圖有說服力。

他從這裡帶出四條原則：

• 控制點必須放在行動之前，不是之後
• 只給任務所需的最小權限
• 在不會傷及正式專案的隔離環境測試
• 不可逆的行動，最後一顆按鈕由人按，並保留證據與回復路徑

AI = Model + Harness

這場最值得記的定義是這個：

AI Agent = Model + Harness。Model 是靜態的、不帶任何狀態，所有的狀態與控制都落在 Harness 上。

所以他的結論是：治理與控制機制才是關鍵，不是模型。

延伸出來的判斷更實用：個人級 Agent 與企業級 Agent 的差別，不在模型，在控制機制、治理能力與處理規模。企業級 Agent 仍然要靠既有的驗證授權、知識庫、API 閘道、工作流、DevSecOps 這些核心 IT 能力。這些沒做好，你買再貴的平台也沒用。

上雲不是為了 AI，但剛好幫 AI 鋪好了路

國泰的雲端轉型 2021 年啟動，今年 4 月成果展達成「五年 100 套系統上雲」，目前已經超過 150 套。

講者講了一段我覺得很誠實的話：當年上雲是為了系統現代化，跟 AI 一點關係都沒有。但走到今年回頭看，上雲同時也幫 AI 準備好了兩件事：啟動實驗專案變快，而且雲端本來就是承載大量資料的好環境。

以前上雲被當成 IT 部門的成本中心專案。現在回頭看，它是 AI 的地基。

這件事對你的意義是：如果你的資料還躺在地端某台伺服器、還在用 Excel 對帳，那你現在討論要用哪個模型是沒有意義的。

AI 光團隊與「人機微笑曲線」

國泰做了一個叫「AI 光」的團隊實驗，模式是 6+1：六個人，加一組 AI 工具與獨立電腦，把原本 12 人的團隊精簡成 6 人加 1 個 AI。

目前銀行有 4 個團隊、數位營運 2 個、諮詢 2 個在跑。

驗證目標有四個：放大交付量、縮短協作路徑、角色 AI 轉化、形成可複製的企業能力。講者說前兩項已經看到成效。

過程中他們觀察到一個現象，我覺得是這場最有畫面感的一句：

人機投入呈現「微笑曲線」：開發流程的前段與後段人力投入高，中段的開發測試多由 AI 承接。

想像一下你們公司的開發流程。以前是需求、設計、開發、QA、上線，每一關都塞滿人，一關卡住下一關就停。現在中間那段被 AI 吃掉了，人力全部擠到兩端：前面把需求講清楚，後面把結果驗收好。

這代表什麼？代表「會寫規格」和「會驗收」這兩件事，身價要漲了。

他們的做法是把團隊角色重新分成 Design 與 Deliver 兩類，讓需求端寫完 PRD 或 BRD 之後就直接產出一個會動的 prototype，用可動的東西去拉高需求確定性。

全場最狠的一句話

結語只有一句，但我抄了下來：

「AI 是放大器，放大的是已經存在的東西。」

底層工程實踐沒做好，導入 AI 只會放大混亂、產生更多技術債。

如果你問我，這句話應該印出來貼在每一個「我們也要導入 AI」的會議室門口。

場次 4｜BMad Framework：讓業務單位自己把需求講清楚

這場由國泰世華銀行業務中台部協理（英文名 Louis）主講，講的是一個非常具體的痛點。

先講那個痛點，你一定有共鳴

過去專案提案階段不計成本，業務單位（BU）找 IT 談需求，一來一往可能花三個月。然後 IT 看完說「這完全是天馬行空」，直接退件。

三個月就這樣消失了。

這不叫溝通不良，這叫無效溝通與無效會議。

而且更糟的是，雙方關係還會變差。BU 有自己的 KPI，IT 還背維運責任，不可能隨時配合。

他們的解法：把 know-how 放進 Agent

他們選了開源框架 BMAD-METHOD（Breakthrough Method for Agile AI-Driven Development，GitHub 上有 4.3 萬顆星），做了一個 Requirement Management Agent。

做法是把權益平台這類系統的 domain know-how 餵進 Agent，讓 BU 自己先跟 Agent 把需求釐清，整理成 BRD 或 PRD，才進到 IT。

為什麼選 BMad 而不是 LangGraph 或 n8n？講者的比較很務實：

• LangGraph、CrewAI：工程師導向，只有特定工程師能操作，來回調整耗時
• No Code／Low Code 工具：方便，但還是要懂工具，而且底層模型一直變
• BMad：對話式引導建立 Agent、內建知識沉澱、全員可用，大約 30 分鐘就能建一個

五個核心元件是 persona（設定角色）、task（定義邊界與移交準則）、flow（引導式／對話式／自主式／混合）、output（固定 markdown 產出），以及 human（每次執行都問你要不要繼續）。

這場我最喜歡的一個設計

「把申論題變成選擇題。」

一般人不會寫 prompt。你叫一個業務單位的同仁「描述你的需求」，他會卡住。但如果 Agent 用腦力激盪加選擇題一路引導他，他就答得出來。

這是我看過對「降低 AI 使用門檻」最精準的一句翻譯。

兩個他自己說的實話

第一個，關於導入手段。他坦言同仁一開始未必愛用，是因為這是今年的 KPI、跟考核有關，所以拼命用，但用了之後就有感覺。他認為初期必須先強迫導入。

這點很有爭議，但我欣賞他敢講。

第二個，關於 AI 產出的品質控管。他們原本想人工複核 AI 的所有產出，後來覺得這樣有點蠢：

就像 code review 一樣，如果每一份都要人看，那等於沒用。所以應該先定好標準，超出例外的才人工複核，否則就該放手相信 AI，不然就不要用 AI。

品質量測他們用 SonarQube 的技術債指標讓 AI 依照 metrics 去修，資安則用原始碼掃描處理中低與中高風險。

還有一個架構上的提醒我覺得很重要：AI 要從企業層開始規劃，不要由下往上堆疊。因為資安議題必須先在底層處理好，未來只要動企業層，各部門與專案的 Agent 都能跟著連動。

場次 5｜OpenAI：ROI 別只算 token 單價，要算「完成一件事的總成本」

這場是國際場，講者是 OpenAI 國際業務主管謝家豪（Oliver Jay）。

他用三個問題貫串全場：AI 發生了什麼變化、領先企業有什麼不同、領導者怎麼把 AI 變成成長。

變化：企業的問題換了

他的第一個觀察很簡單但很到位：企業的提問已經從「AI 能做什麼」，變成「我的企業能用 AI 做什麼」。

技術層面的演進他分三階段：只會回答問題的聊天機器人 → 2024 年導入推理、會「思考」的模型 → 去年開始能實際完成任務的 Agent。

然後是 Agent 之間的協作。他提到 OpenAI 研究團隊曾經用大約 10,000 個 Agent 協作，在一到兩週內解出一道世界級的數學難題。

另外兩個數字他特別強調：模型迭代週期從大約 15 個月壓縮到大約 6 週。

這件事在年會現場本身就是活證據。GPT-6 Astra 是 2026 年 9 月 3 日發布的（根據 Axios 報導，OpenAI 總裁 Greg Brockman 稱它是「generational leap」），而這場年會是 9 月 15 日。

講者是拿著發布不到兩週的東西上台的。

領先企業差在哪：不是工具，是心態

底下這幾個數字是 OpenAI 在會上分享的內部觀察，沒有公開原始資料可以對照，你自己斟酌採信程度。

他說領先企業不從「匱乏心態」出發，不會先看預算與人力算出極限。他們先問：「如果完全不受限，我們的企圖心是什麼？」然後用 AI 去補那個落差。

他引用 OpenAI 自己的觀察：ChatGPT 前 10% 使用者的輸出 token 數，年初還不到其他使用者的三倍，到六月已經拉開到八倍。

他也提到 Agent 的使用已經從工程師擴散到財務、招募、法務與銷售，銷售部門的使用量甚至超過了工程部門（用在客戶研究、填 CRM 表單）。

全場最實用的一段：ROI 怎麼算

這段我認為是這場最該帶走的。

他說，不要只盯著每 token 的成本。領先企業真正在意的是「完成一項成功任務的總成本」。

因為便宜的模型可能更慢、要試更多次、消耗更多 token，算下來反而更貴。

這個道理你在別的地方一定聽過。就像你請一個時薪 200 的人做八小時，跟請一個時薪 600 的人做一小時，你要比的是把事情做完的總價，不是時薪。

我看太多公司在挑 AI 工具時只比 API 單價，這是典型的假省錢。

領導者的四件事

他最後收斂成四件事，我原樣抄下來：

1. 給員工廣泛的 AI 使用權限，因為創新靈感常常來自第一線，管理層看不見
2. 從業務成果出發，不要從技術出發，先問要解決什麼業務目標，而不是先花一兩年打造一個永遠不夠完美的資料湖
3. 高層以身作則，因為 AI 會徹底改變工作方式，需要變革管理
4. 讓各級主管對流程創新負責，尤其是中階主管，因為 AI 策略最常在中層因為摩擦、風險與恐懼而夭折

他給了一個很具體的問法：每位 VP、總監都應該回答「這一季，我要用哪個工作流程、靠 AI 產出什麼成果」。

這個問題，你今天就可以拿去問你的主管，或者問你自己。

前五場談的是 AI 怎麼進企業。後兩場把問題再往下推一層：當 AI 真的能自己交易，資產跟支付要怎麼被保管？

場次 6｜金融級虛擬資產：把整條交易流程保護起來

主題換到數位資產。這場由國泰金控數位架構發展部專案經理主講，分四塊：趨勢、保管、穩定幣應用、AI 支付。

先看兩個數字

第一個，穩定幣交易量。

根據多家統計，2026 年穩定幣月均轉帳量大約在 1.79 兆到 3.8 兆美元之間，全年鏈上原始交易量預計落在 40 兆到 46 兆美元。渣打銀行數位資產研究團隊 2026 年 3 月的報告說，穩定幣鏈上結算是「金融史上成長最快的支付軌道」，年增率約 55%。

對照組是這個：Visa 每月大約處理 1.3 兆美元，Mastercard 大約 8,500 億美元。

這裡要提醒一個容易被誤讀的地方：鏈上原始轉帳量不等於日常消費支付量，裡面含交易所搬磚、機器人與重複轉帳。所以正確的說法是：在鏈上原始轉帳量這個口徑下，穩定幣已經追上甚至超過卡組織的月處理量。但它還不是你我在便利商店結帳的那種支付量。

第二個，那個冷錢包事件。

講者用這個案例說明自管冷錢包的風險。出事的是 Coldcard（加拿大 Coinkite 的比特幣硬體錢包），完整的時間軸是這樣：

• 問題出在 2021 年 3 月發布的韌體 4.0.1
• 一個預處理巨集的檢查錯誤，讓種子產生繞過了 STM32 的硬體亂數產生器，改用了可預測的軟體偽亂數
• 結果熵大幅低於應有的 128 bits（公開分析依機型不同，給出約 40 至 72 bits 的估計）
• 這個洞躺了五年沒被發現，直到 2026 年 7 月底才被攻擊者分波掃走超過 1,000 個比特幣地址。被盜規模各家統計口徑不一，首波約 1,082 顆 BTC，累計統計則有 1,366 顆、1,816 顆等不同版本，損失金額從 7,000 萬到 1.16 億美元都有報導

（來源：TRM Labs、The Hacker News、Coinkite 官方技術說明）

講者要說的重點是對的：自己保管冷錢包不等於安全，重點在保管背後的原理。

但這個案例的真正教訓，比「冷錢包也會出事」更深一層：

那個洞是 2021 年埋的，2026 年才被引爆。中間五年，所有人都以為自己是安全的。

至於中心化交易所，講者提到 2024 到 2025 年間約 20 起攻擊事件、總損失約 25.5 億美元，其中 Bybit 事件的公開報導損失約 15 億美元，是近年最大的單一事件之一。

國泰的機構級保管：四大技術

根據國泰世華官方新聞稿與數位時代報導，國泰世華已經獲得金管會核准試辦虛擬資產保管業務，首波鎖定高資產個人客戶，標的是比特幣與以太幣。

補充兩個講者沒提、但我認為你該知道的公開資訊：金管會核准的是凱基、中信、國泰世華、台新、聯邦五家，試辦期六個月，而且每家銀行試辦期間最高承作量不得超過 2,000 萬美元（約新台幣 5.9 億元）。銀行公會的《虛擬資產保管實務指引》預計最快 2026 年第四季出爐。

技術上講者提了四項：

1. HSM 硬體安全模組：私鑰的產生、保存與簽章都在硬體內執行，私鑰不離開硬體，遭外力破壞就自動清除
2. Air-gap 離線隔離：核心私鑰與簽章環境採離線隔離設計，講者形容是讓保管系統完全斷網
3. 金流追蹤：引入外部系統辨識可疑交易與風險帳號
4. 多層多簽：出入金需要多層、多角色、多人審核，沒有任何一個人能獨自完成所有步驟，每一步都留紀錄

他下的結論我很喜歡：機構級保管的重點不在把私鑰藏好，在於把從私鑰生成、保存、簽章到交易的整個流程全部保護好。

順帶一提，國泰在這塊不是今年才開始的。國泰證券 2023 年 11 月發行的「陽光綠益債務型 STO」是台灣第一檔，6 年期、年利率 3.5%、募資 3,000 萬元，交易平台是跟國泰金控數數發中心區塊鏈團隊合作自建的（工商時報報導）。

穩定幣的四個應用場景

1. 數位資產交易市場：未來 RWA（真實世界資產）可以用穩定幣交易，做到原子交割，一手交證券一手交款項，降低信用風險
2. 高通膨國家的日常支付：存款變薄、換匯受限的地方，民眾轉向較容易取得的數位美元
3. 跨境支付：傳統跨境支付的金流與資訊流是分開的，金流要經過銀行體系多層結算，每多一間銀行就多一層成本與時間。穩定幣天生把資訊流與金流綁在一起，資訊到了價值就到了
4. 未來的 Commerce 時代：AI 要幫你完成交易，支付就是關鍵基礎設施

第三點我想多講一句。這就像以前寄掛號信，信件走郵局、匯票走銀行，兩條路各走各的還要對帳。現在變成信封本身就是錢。

AI 支付：那個沒人回答得出來的問題

講者引用國際卡組織的調查：近七成台灣民眾每週至少使用 AI 協助日常生活，近四成購物時會參考 AI 建議，超過六成願意讓 AI 規劃旅遊行程並完成支付。

AI 正在從「提出建議」走向「幫我完成」。

他把 Agentic Commerce 拆成五個價值層：使用者與 Agent 的互動入口、Agent 的規劃執行能力、account 代表的授權身分、payment 的安全付款與風控，以及最底層的設備與算力。

兩大核心挑戰：使用者安全性（怎麼做到不用把信用卡或私鑰交給 AI，又能確保它不亂付款）與商家的收款整合能力。

協定方面他提到 x402 Foundation 已經有 Google、AWS、Visa、Mastercard、Circle 等加入。他認為 x402 跟另一個主流協定並非競爭關係，兩者是上下堆疊：x402 以穩定幣為支付軌道，比較接近底層架構，其他支付軌道可以疊在上面。

這塊如果你想看得更完整，我寫過 Shopify UCP 的解碼，還有 UCP 治理委員會名單的拆解，講的是同一場戰爭的另一條戰線。

最後他丟了一個全場沒有人回答得出來的問題，我覺得這是整場年會最重要的一個提問：

過去是人決策、人負責。未來如果是 AI 決定跟誰買、買多少，出事的時候，是 AI 負責，還是背後的人負責？

他把這個議題叫做 know-your-agent。

想清楚這個問題之前，所有的 AI 支付都只是 demo。

場次 7｜VASP 座談：被禁了十年的銀行，跟打了十年仗的業者

最後一場是座談，主題很直白：金融機構與 VASP（虛擬資產服務提供者）是敵是友？

與談陣容包含國泰內部代表、中華民國虛擬資產服務商業同業公會理事長鄭光泰、國立臺灣大學法律系副教授楊岳平，以及 KPMG 安侯建業合夥人賴偉晏。

背景：今年台灣通過了專法

先補一個背景，這是整場座談的前提。

立法院在 2026 年 6 月 30 日三讀通過《虛擬資產服務法》，把過去只依《洗錢防制法》做登記的 VASP，全面提升為「事前許可制」，並且涵蓋穩定幣發行、投資人保護與罰則（中央社報導、資誠解析）。已完成洗錢防制登記的業者，最長有兩年緩衝期。

這場最誠實的一段話

楊岳平副教授從法理層面拆解監理邏輯，我覺得講得非常透徹：

虛擬資產監理最初的出發點是防制洗錢與犯罪，法務部是重要推手。當主管機關開始要負責，思維就會從「不管」變成「什麼都怕出事」，進而關注金融監理、消費者保護與客戶資產安全。

但下一個階段不能只有管理，必須有產業扶持與業務開放，否則政治上得不到支持。

他點出當前的痛苦：管理大於發展，成本大於效益。

然後是這句我覺得最有畫面的：

金融機構被禁止了十年，2024 年登記制才鬆綁。而 VASP 已經累積了十年的實戰經驗。

你想想這個局面。一邊是有信任、有法幣風控、有客戶基礎，但鏈上營運實戰相對少的銀行。另一邊是技術很熟、打過各種仗，但缺乏信任背書的業者。

這不是誰吃掉誰的問題，這是兩邊各缺一半。

最快能落地的合作：穩定幣交換

鄭光泰理事長給了一個很具體的時間表：

與金融機構合作最快落地的是穩定幣交換，雙方合作大約 3 到 6 個月可以完成系統整合。如果金融機構自己研究，光研究可能就要一年。

（這是與談者的實務估計，不是承諾，實際仍取決於法遵、資安與系統介接的範圍。）

賴偉晏補充國際情況：美國天才法案通過後，虛擬資產議題已經升高到國安等級。國際上 DBS、HSBC、JPMorgan 多半選擇自建系統，但台灣如果全部自建會太慢，而且可能產生安全漏洞。

他認為合作要買的是三種能力：客戶重疊性與一站式服務、技術嫁接傳統銀行系統的能力、以及人才的結合。

法律應該扮演什麼角色

楊岳平給了兩個原則，我覺得寫得很漂亮：

第一，法律最好什麼都不預設，不預設誰該做什麼角色，維持中立讓市場動態競爭。

第二，法律必須確保合作不會讓原本期待的監理強度被妥協。

他特別提到一個突破：保管業務可以委外，但受委託的對象必須是有牌照的保管商。傳統金融的核心業務是不能委外的，這次是很大的鬆綁。

三年後會是什麼樣子

座談收尾時大家各講了對三年後的期待，我挑兩個：

• 商業模式要真正發光，得靠 RWA。當所有資產都數位化，客戶體驗的摩擦力才會降到最低
• 7x24 是遲早的事。紐約證交所與美國集保中心已經在推，未來即時交易會發生。這代表金融機構的客服、IT 都要跟著調整成 7x24

最後主持人的總結我很認同：合作不是你有我沒有，是共同創造更大的餅。

看完 2026 國泰金控技術年會，我最有感的三件事

一、國泰真正的突破不是技術，是它把 AI 放進了人事制度

七場看完，如果只能留一個重點，我會選這個。

員工編號、email、reporting line、mentor、職等、token 預算當薪水、工作記錄當黑盒子。

這些東西沒有一項是 AI 技術，全部都是管理制度。

而這恰恰是大多數公司導入 AI 時完全跳過的部分。大家忙著比模型、比工具、比誰的 demo 炫，然後在某一天突然發現：這個 Agent 到底歸誰管？它做錯了誰要扛？它可以看到哪些資料？

金融業被監理逼著先回答了這些問題。你不會被監理逼，但你會被出事逼。

二、「AI 是放大器」跟「做 80 分等於 zero adoption」是同一件事的兩面

我把這兩句放在一起看，突然就通了。

底層沒做好，AI 放大的是混亂。而底層沒做好的具體症狀，就是你的 Agent 只能串一個系統、只能做到 80 分，然後同仁覺得「我自己做比較快」，於是沒人用。

AI 導入失敗，八成不是 AI 的問題，是你公司本來就有的問題，只是以前可以忍。

這點我自己很有感。我在雨傘產業做了七年，從工廠業務做到品牌、通路、行銷企劃。傳產最常見的情況就是，一個流程明明爛了很久，大家都靠「那個很熟的老鳥」硬撐過去。只要那個老鳥還在，你永遠不知道這個流程有多爛。

AI 就是那個把老鳥抽走的動作。流程一旦要交給機器跑，它爛在哪裡會一次全部現形。

三、最該擔心的不是 AI 取代你，是「會寫規格」和「會驗收」變成硬通貨

那條人機微笑曲線我看了很久。

中段的開發測試被 AI 吃掉，人力擠到前後兩端。前端是把需求講清楚，後端是把結果驗收好。

以前一個專案裡，執行能力強的人最吃香。現在執行變便宜了，定義問題的能力和判斷好壞的能力變成瓶頸。

BMad 那場講的「把申論題變成選擇題」其實就是在解這個問題：多數人根本不會定義需求，所以要有工具引導他。

如果你想知道這個轉變在別的產業長什麼樣，我寫過〈AI 正在從你去用的工具變成自己上工的同事〉，講的是同一個趨勢的另一個切面。

你現在可以做的五件事

看完七場，如果你的公司也在想「我們要不要導入 AI」，我會建議你照這個順序來：

► 第一，先回答「這個 Agent 是誰」這五個問題。身分、職權、權限、主管、工作記錄。這五個問題答不出來，先別急著挑工具。這是政大王儷玲主任給的框架，直接抄。

► 第二，把 human-in-the-loop 設在對的地方，不是每個地方。只設在不可逆、影響客戶權益、涉及法遵風險的節點。設太多等於沒設，而且會讓人覺得 AI 很難用。

► 第三，用「完成一件任務的總成本」取代「每 token 單價」來算 ROI。便宜的模型如果要試五次才對，它一點都不便宜。

► 第四，盤點你的「下水道工程」。資料在不在一起？有沒有 API？知識散落在幾個 silo？員工要登入幾套系統？如果答案很難看，那就先修這個，AI 晚三個月導入不會怎樣。

► 第五，先派三分之一的人去扛一個真需求，不要組一支正規軍去做 POC。國泰的 Agent Team 模式我認為是這次最值得抄的做法。實驗室專案做出來的是簡報，真需求做出來的是能力。

最後

我看完這七場最大的感受是，國泰很坦白。

坦白到會在開場播一段自家同仁把 Agent 玩到失控、還要寫悔過書的影片。坦白到會在台上說「做 80 分等於沒人用」「記憶污染」「over-skill」「初期是靠 KPI 逼大家用的」。

這年頭大家都在秀成果、秀 demo、秀 ROI，願意公開講自己踩過什麼坑的其實不多。

我也不是說國泰做的每一步都對。三位數位同事目前還在 Level 1 到 Level 2 之間，離他們自己畫的 Level 3 還有很長一段路。他們自己也說了，這仍然是「實驗與前沿探索階段」。

但至少方向是清楚的：先把制度想清楚，再把 AI 放進來。

2026 國泰金控技術年會的七場影片都在國泰金控官方 YouTube 頻道上，全部免費。如果你只有時間看一場，我推薦「AI in IT」那場，金句密度最高。如果你是做管理的，看第二場那個高峰對談。

也許就是這樣吧，技術的門檻一直在降，但把事情管好的門檻一直沒變過～

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。

文中觀點為作者個人立場，不代表所屬公司、客戶或合作夥伴之意見。