從玉山徵信到Quest診斷:AI落地要看流程與把關

|產業案例與產品

玉山銀行把AI嵌入授信徵信流程,預估一年省8.4萬人時。美國Quest Diagnostics的AI案例有成效,但自報數字也有限制。恩智浦則推出實體AI機器人平台。三則消息都指向同一件事:AI要嵌進流程,並保留人工把關。

本文重點

  • 玉山以4項AI工具拆解徵信流程,預估年省8.4萬人時
  • Quest案例顯示,廠商或企業自報成效需看方法與限制
  • 恩智浦機器人平台把安全與控制先整合,縮短實體AI開發

近期有三則案例,分別來自金融、醫療檢驗與機器人開發。玉山銀行把生成式AI嵌入企業授信的徵信流程,預估一年可省約8.4萬人時。美國檢驗業者Quest Diagnostics的AI應用有成效,但成效數字多半是自行揭露。半導體廠恩智浦(NXP)推出整合式機器人平台,主打縮短實體AI的開發時間。這三則放在一起看,重點不在模型多強,而在AI有沒有被放進流程,以及誰來把關。

重點整理

一、玉山銀行:把徵信流程拆開,再讓AI接手耗時的環節

根據iThome 2026年9月6日的報導,玉山銀行企業放款餘額超過1兆元。數百名客戶關係經理(RM)一年要寫四、五千份徵信報告,每月約4成工時花在蒐集資料。

玉山花了約一年自行開發工具,並把徵信作業拆成6個階段,搭配4項AI工具:

  • iCatcher:蒐集外部資料,約5分鐘可彙整一家企業的外部資訊。
  • OCR財務報表自動引入:取代人工登打財報。
  • 智捷通:約7分鐘依授信5P原則產出報告初稿。
  • AI提示家:提供案件撰寫建議。

報導指出,RM拿到初稿後仍要審閱,對異常或不足之處人工訪查與修正,約2至3小時完稿。報告也會經過品質檢查,並由真人法金專家判斷LLM(大型語言模型)的檢查結果是否正確。玉山預估每月支援3千次資料辨識、產製1千份初版報告,一年約省8.4萬個人時。這些是預估值,不是已驗證的結果。

二、Quest Diagnostics:成效有數字,但要看是誰量的

Emerj在2026年11月9日整理了Quest Diagnostics的兩個AI應用。

第一個是子宮頸抹片的數位細胞學。Hologic Genius系統把玻片數位化,由深度學習模型挑出細胞影像,供細胞檢驗師與病理醫師複核,診斷責任仍在人身上。在一項涵蓋1,960張玻片的四站點研究中,高度病變以上的敏感度為81.5%,人工複核為74.0%。但特異度從97.2%降到94.8%,差異具統計顯著性。另一項單一實驗室的回溯研究顯示,每位檢驗師每日處理案例數從74.5增至94.7。Emerj提醒,這項研究由Hologic出資,也沒有用切片資料確認偵測是否真的增加,無法單獨歸因於AI。

第二個是客服。Quest用虛擬代理處理例行的物流來電,並用AI分流電子郵件。Quest自行表示,虛擬代理讓例行物流來電最多減少50%,這是「最多」,不是平均值。AI郵件分流在2026年第一季帶來40%的生產力提升,但沒有公布計算方法或對照組。Emerj也指出,Quest沒有公開工具供應商、涵蓋的來電類型、使用比例與成本。

三、恩智浦:先把安全與控制整合,縮短實體AI開發

商傳媒報導,恩智浦推出「整合式機器人平台(Unified Robotics Platform)」,以「神經軸架構(Neural Axis Architecture)」為核心,把資安、功能安全與即時控制放進同一套軟硬體環境。平台整合PX4、Zephyr、ROS 2等開源技術,並提供開源、模組化的SDK。依報導,開發人員30分鐘內可開箱跑出自主無人機的初步功能,原本動輒數月的子系統整合週期,可縮短到數天或數週。這是廠商自述,實際成效仍要看各家導入的狀況。

分析

第一,成功案例的共通點是「拆流程」。 玉山沒有只買一個聊天機器人,而是先找出最耗時的環節(找資料、寫初稿),再把工具嵌進行員原本使用的系統。Quest的客服案例也一樣,只處理例行物流來電,沒有把所有來電交給AI。台灣企業常見的問題是從「要用哪個模型」開始,而不是從「哪一段流程最耗人力」開始。

第二,人工把關是設計的一部分。 玉山的RM要審閱初稿,Quest的病理人員仍負診斷責任。這對金融業、醫療機構與公部門特別重要,因為責任無法交給系統。

第三,成效數字要分清楚「預估」與「實測」。 玉山的8.4萬人時是預估值,Quest的部分數字是自報,恩智浦的30分鐘是廠商說法。Quest的案例還顯示,效率提升可能伴隨特異度下降,也就是偽陽性可能變多。評估時除了看省多少時間,也要看品質指標有沒有退步。

第四,AI正往實體世界延伸。 恩智浦的平台說明,機器人要進入真實場域,安全、資安與即時控制必須一開始就設計。製造業若想導入機器人或邊緣AI,也要把這些要求寫進採購與驗收條件。

給企業的建議

  1. 從耗時的文書流程開始。 先盤點哪些工作有大量資料蒐集、整理與初稿撰寫,例如徵信、公文、標案文件與客服紀錄。這類工作容易衡量前後差異。
  2. 先把人工審閱寫進流程。 事先定義誰審、審什麼、錯了誰負責,並保留使用者回饋機制。
  3. 同時設定效率與品質兩組指標。 例如處理時間之外,還要追蹤錯誤率、重工率與使用者滿意度,避免只看省了多少時間。
  4. 要求供應商說明數字的來源。 問清楚樣本、期間、有沒有對照組,以及成本是否包含維運與資料整理。
  5. 用小範圍試點取得自己的數據。 先挑一個單位、一類案件,累積數個月的實測資料,再決定要不要擴大。
  6. 把資料與知識整合列為前置工作。 玉山的工具要有用,前提是外部資料與內部歷史資料都能被串接。源智匯在農業部的跨單位資料整合案例,以及數位發展部的網站UCD智慧檢核工具,都是先把資料與知識放進同一個問答入口,再讓使用者用口語提問。這類做法同樣適用於企業內部的文件與制度查詢。

整體來看,AI落地的差別在於是否嵌入流程、是否保留責任歸屬,以及是否用實測資料驗證。

名詞解釋

徵信報告
銀行在放款前,評估企業信用與財務狀況所撰寫的報告,用來判斷風險與是否核貸。
LLM
大型語言模型,能理解與生成文字的AI模型,常用於摘要、問答與撰寫初稿。
特異度
檢驗方法把沒有病變的樣本正確判為正常的比例,下降代表偽陽性可能增加。
敏感度
檢驗方法把確實有病變的樣本正確找出來的比例。
實體AI
讓AI控制機器人、無人機等實體裝置,在真實環境中感知、判斷並行動的技術。
SDK
軟體開發套件,內含程式庫、範例與工具,讓開發人員更快做出應用。

常見問題

玉山銀行的AI徵信工具會取代客戶關係經理嗎?

依iThome報導,AI只產出報告初稿,RM仍要審閱、人工訪查並完成最終版本,真人專家也會判斷LLM品質檢查的結果是否正確。

Quest的AI成效數字可以直接當作標竿嗎?

不建議。Emerj指出部分數字是自行揭露、缺乏方法說明,研究也有廠商出資與無法單獨歸因於AI的限制,只適合當參考。

企業導入AI第一步應該做什麼?

先挑一段耗時、規則較清楚的流程,如資料蒐集與初稿撰寫,設好人工審閱與品質指標,再用小範圍試點累積實測數據。

參考來源