從 20 天到 20 分鐘：AI 正在改寫銀行核貸的劇本
全球 AI 授信市場 2037 年預估 2.01 兆，年複合成長率 25.1%。中信銀行、Cash App、Newity 用幾分鐘完成過去要 20 天的核貸；Wells Fargo 的種族差距風暴與 Lehigh 大學 GPT-4 實驗，揭露黑盒子裡的系統性歧視。對銀行來說必須同時跑兩場馬拉松，核貸速度的爆發競賽，與治理透明度的耐力賽。
AI 授信革命一分鐘速讀
市場規模： 全球 AI 放貸市場 2024 年達 1,097 億美元，預估 2037 年衝上 2.01 兆，CAGR 25.1%；89% 金融機構高層認定 AI 將主宰整個放貸生命週期。
速度革命： 中信銀行數位申貸 2 分鐘填單、2 個營業日核貸；Newity 10 分鐘預核、21 天放款;Banco Covalto 信審響應時間縮減 90% 以上。
維度突破： Cash App 的行為信用評分讓 FICO 580 分以下用戶維持 97% 還款率，比傳統承保多核准 38% 貸款；非傳統數據涵蓋現金流、租金、APP 使用、零工平台派單紀錄。
偏見幽靈： Wells Fargo 在 2020 再融資繁榮期黑人核准率僅 47%（白人 72%），訴訟指控其演算法系統性歧視；Lehigh 大學實驗證明 GPT-4 Turbo 等主流 LLM 對黑人申請者要求多 120 分信用分數，才能換得與白人相同核准率。
監管夾擊： 歐盟 AI 法案 2026 年 8 月 2 日生效，信用評分這類高風險不合規最高罰 1,500 萬歐元或全球營收 3%；台灣金管會 AI 指引明確點名「拒絕貸款」需提供可解釋理由。
20 天 vs 20 分鐘：AI 授信如何改寫銀行核貸劇本
過去十年，一筆中小企業貸款的標準週期是 20 到 30 天。客戶遞交申請後，貸款官手動審查紙本資料、電話聯繫雇主進行在職確認、調閱靜態信用報告、安排不動產鑑價。整個流程串列推進，任何一個環節卡關都會導致整體停滯。根據 Blend Labs 在 2025 年公布的數據，光是抵押貸款這一項業務，每筆處理成本就高達 11,000 美元。
這個劇本正在被徹底改寫。中信銀行的中小企業數位申貸平台讓客戶 2 分鐘完成填單、最快 2 個營業日撥款，Cash App 的信用評分系統每週重新校準，FICO 580 分以下的次貸客戶維持 97% 還款率，摩根大通用 AI 把支付帳戶驗證的拒絕率降低了 15% 到 20%。根據 Research Nester 的市場研究，全球 AI 放貸平台 2024 年估值已達 1,097 億美元，2037 年將衝上 2.01 兆美元，年複合成長率 25.1%。
這場革命不只是流程加速。當核貸決策從 20 天的人工審核壓縮到 20 分鐘的演算法判斷，整個風險定價邏輯、數據維度與商業模式都在重組。傳統信用評分依賴的是 FICO 分數這類靜態歷史資料。新一代的 AI 核貸系統能夠同時吞吐數百個甚至數千個非傳統數據點，從交易現金流到 APP 使用習慣，從租金繳交紀錄到零工平台派單軌跡，全部納入即時演算。
但同樣的演算法也帶來新的問題。當核貸決策從人類交給機器，黑盒子裡發生了什麼？2022 年富國銀行被指控的演算法種族差異，2024 年 Lehigh 大學針對 GPT-4 Turbo 的種族測試，都指向同一個結論。演算法不僅會繼承歷史偏見，還可能以更隱蔽的速度自動放大。這構成了 AI 授信革命的核心張力：速度紅利與治理債務同時加速累積。
AI 放貸市場動能：為什麼變革發生在此刻
AI 在金融授信的滲透並非新鮮事，但讓它從實驗室走向決策核心的，是過去三年的三股結構性力量。第一股是生成式 AI 的能力跳躍，讓非結構化資料的解析變得可規模化。第二股是代理人工智慧 (Agentic AI) 架構的成熟，讓並行處理與多步驟決策成為可能。第三股是算力成本的持續下降，讓銀行第一次能夠在毫秒級完成過去需要分鐘級的模型推論。
從輔助工具到主要決策引擎
根據 Experian 在 2026 年 1 月公布的調查，84% 的金融高階決策者明確將 AI 視為其組織未來兩年商業策略中的關鍵或高優先項目。更具產業指標意義的是，89% 的決策者認為 AI 將在整個放貸生命週期中扮演關鍵角色，涵蓋從前端獲客、信用承保、撥款到後端催收。這意味著在未來三年內，AI 模型在中大型金融機構的多數貸款流程中，將從次要參考意見的輔助層，徹底轉變為掌握核心權限的主要決策引擎。
預算面的轉向同樣劇烈。Celent 的研究指出，83% 的放貸機構計畫在 2026 年顯著增加生成式 AI 的預算配置。更值得注意的是，這股預算擴編並非僅限於前台業務部門。根據 Hawk and Chartis 的專項研究，82% 的銀行合規與風險領導者預計其 AI 系統投資將在接下來的兩到三年內成長超過 25%，僅有不到 10% 的機構預期預算持平，沒有人預期會縮減。這顯示 AI 已經從前台的獲客工具，深度嵌入到風控與合規這類傳統上最為保守的銀行職能中。
美國的激進領先與全球差距
在實際導入步伐上，區域間的不對稱性正在拉大。根據 Finastra 在 2026 年初發布的「金融服務國家狀況調查」，美國金融機構在 AI 部署率達到 65%，領先全球的 61%；有 42% 的美國金融機構計畫在 2026 年將 AI 相關投資增加超過 50%。在「信用承保與決策」這個具體環節，美國的即時 AI 應用比例達 35%，同樣高於全球平均的 31%。
這種不對稱投資將在未來五年產生深遠的第二階效應。率先成功部署 AI 承保系統的領先機構，能夠透過幾乎零摩擦的核貸體驗與更精準的長尾風險定價，迅速吸走優質客戶。未能跟上的傳統機構，則會面臨「逆向選擇」危機：優質借款人被 AI 銀行用分鐘級體驗吸走，留在門外排隊等待人工審核的，往往是 AI 系統精準拒絕的較高風險族群。當這個正向循環啟動，先發者的數據優勢會持續擴大，後發者追趕的成本會指數級上升。
AI 核貸案例矩陣：六種角色，看清這場革命的多元面貌
AI 授信革命的版圖橫跨不同陣營、不同策略、不同風險偏好，難以用單線敘事概括。以下六組案例，涵蓋了從速度標竿、維度顛覆者、AI 原生新創、企業基礎設施供應商、警世案例到新興市場實證的完整光譜。
中信銀行與國泰世華：台灣市場的速度標竿
中信銀行在 2022 年推出的「中小企業數位申貸平台」，是台灣金融業最早的 AI 核貸大規模實證。該平台針對中小企業籌資時面臨的文件繁複、傳輸不易與申貸時間冗長等結構性問題，結合光學字元辨識、臉部辨識、遠距視訊與經緯度定位技術進行無接觸實地訪查。企業客戶最快 2 分鐘完成線上填單，文件齊備時最快 2 個營業日核貸、1 個營業日撥款。
對於個人信用貸款業務，中信銀行的 Online 貸更進一步壓縮體驗。客戶最快 3 分鐘完成線上申請，在營業時間內可實現最快 30 分鐘核准、1 小時撥款入帳。這個速度已經逼近數位純網銀的標準，但中信是傳統銀行體系內的玩家，意味著它必須在既有的合規框架下重構整個流程，難度比新創更高。
國泰世華銀行則選擇了另一條路徑。針對深度往來客戶推出的「全數位房屋貸款服務」，核心不在於前端的填單體驗，而在於後端的風險評估深化。系統運用大數據分析與 AI 模型，深度整合客戶的信用卡消費軌跡、存款穩定度與理財偏好等多維度數據來精準評估還款能力。這種「對既有關係的深度挖掘」策略，本質上是在做 Cash App 那種行為評分的銀行版，只是資料源來自客戶在銀行體系內已經產生的長期足跡。
兩家銀行的策略選擇折射出傳統金融機構面對 AI 的兩種路線。中信走的是「全流程數位化」，目標是把每一個環節都搬到線上，讓速度成為差異化武器。國泰走的是「深度資料化」，目標是把已有的客戶關係轉化為更精準的風險定價。兩條路線都有效，但前者壓力來自新創競爭，後者瓶頸來自跨部門資料孤島。
Block 旗下 Cash App：用行為數據重寫信用評分
如果說中信和國泰把速度做快，那麼真正讓信用評分模型升維的，是大西洋彼岸一家從支付出發、徹底繞過 FICO 的公司。
Block (前身為 Square) 旗下 Cash App 在 2025 年 11 月啟動的「Cash App Score」pilot 試點計畫，完全揚棄了傳統信用局的靜態評分模式。該系統依賴用戶在 Cash App 生態系統內的即時金融活動，透過 AI 演算法全天候動態分析四大行為支柱：賺錢的頻率與穩定性、儲蓄的帳戶餘額維持、日常消費的軌跡，以及過往 Cash App Borrow 的還款歷史。基於這些行為數據，系統每週為客戶重新校準信用分數，並透過 AI 把模型參數翻譯成消費者能理解的可行動建議，例如「設定薪資轉帳即可提高額度」。
這個模型的風險預測力在 Block 的內部數據中得到了極其有力的驗證。超過 70% 的 Cash App Borrow 活躍用戶，即使其傳統 FICO 分數低於 580 分(在傳統銀行眼中屬於極高風險的次貸等級),依然維持 97% 的還款率。透過這套基於即時行為的基礎設施,Block 在維持相同低損失率的嚴格標準下，比傳統承保模式多核准了 38% 的貸款申請。這個 38% 的差距，代表的是傳統 FICO 系統長期忽略的優質借款人，在新模型下重新被市場接住。
Cash App 的故事說明了一件事：傳統信用評分的邊界，不在於風險本身，而在於資料的覆蓋面。當 AI 能夠捕捉到 FICO 看不到的真實財務行為，普惠金融就從口號變成了商業上的競爭優勢。
Newity：AI 原生承保平台的速度極限
Newity 是另一條路線的代表。這家專注於美國中小企業市場的數位放貸服務商，目標解決每年高達 3,500 億美元的 SME 資金缺口。它沒有傳統銀行的歷史包袱，從零開始構建了「AI 優先承保平台」，瞬間分析數百個資料點，涵蓋信用檢查、身分動態驗證與稅務文件摘要。
該平台的速度數據在 SME 領域是顛覆性的。企業借款人在 10 分鐘內可以拿到預先核准的貸款額度，最短 21 天內獲得實體資金注入。對比傳統銀行的 SME 貸款動輒需要 12 週以上的冗長時程,Newity 把整個週期壓縮了三分之二以上。Newity 在 2025 年 12 月完成了 1,100 萬美元的首輪融資（由 CMT Digital 領投），投資方明確表示看好其將小企業貸款搬上鏈的長期路徑，這意味著未來 SME 貸款不只是數位化，還會與穩定幣與鏈上結算融合。
Highradius 與 Blend Labs：企業級基礎設施的雙雄
支撐這些前端體驗的，是一批專注在企業級核貸基礎設施的供應商。其中 Highradius 與 Blend Labs 是兩個值得拆解的代表。
Highradius 的信用管理平台是這場革命中最具代表性的代理人工智慧落地。整個平台部署了 13 個專業的 AI 代理，覆蓋從文件抓取、信用評分、風險監控到決策編排的完整流程，能夠自動完成 80% 至 90% 的低風險信用決策，並將整體審批速度提升 90% 以上。架構中的「編排代理」精準地將最高風險的 20% 案件路由給適當的人工審核員，而「監控代理」則在核貸後持續追蹤風險訊號的變化，防止不良債務暴露。這種「機器處理常規、人類處理例外」的分工模式，是目前可規模化部署的最佳實踐。
Blend Labs 在 2025 年 10 月推出的「Intelligent Origination」系統，則代表了另一種思維。Blend 強調 AI 必須超越傳統的「外掛式輔助工具」，將代理智能深植於放貸決策的核心，實現從「輔助」到「執行」的營運模式轉變。Blend 的客戶包括美國多家大型銀行，它的角色更接近核貸引擎的作業系統供應商，讓銀行可以在不重寫底層架構的前提下，把 AI 嵌入到既有流程中。
Wells Fargo 與 Lehigh 實驗：演算法偏見的警世錄
效率紅利的另一面，是治理債務。在所有 AI 放貸的案例中，Wells Fargo 的故事是最深刻的警世錄。
2022 年 3 月，Bloomberg 投資調查率先揭露：在 2020 年再融資繁榮期，富國銀行是唯一拒絕黑人申請者多於批准的大型銀行（黑人核准率僅 47%，白人為 72%），是所有大型放貸機構中種族差距最大的一家。同年 2 月集體訴訟（Williams et al v. Wells Fargo）正式提起。後續訴訟文件指控其內部「Enhanced Credit Score」演算法在面對具備相同財務背景的申請者時，把黑人與拉丁裔系統性地分到較高風險等級。即使在客觀資格上與成功獲貸的白人申請者毫無二致，他們的拒貸率仍異常飆高。富國銀行強烈否認指控、訴訟仍在進行，至今沒有法院判決確認演算法歧視。但這個案例已經成為銀行業演算法治理的經典警示。
Lehigh 大學在 2024 年發表的一項實驗，把這個問題推到了大型語言模型的層次。研究團隊使用 OpenAI 的 GPT-4 Turbo 模型（同時測試了 Anthropic 的 Claude 3 Sonnet/Opus、Meta 的 Llama 3 等多款主流 LLM），並導入 2022 年《房屋抵押貸款披露法》(HMDA) 數據庫中的真實申請資料，生成了 6,000 份實驗性的貸款申請。在實驗設計中，研究人員刻意且唯一地操縱了申請人的種族與信用評分變數。結果顯示，在財務特徵與背景完全相同的情況下，大型語言模型始終傾向於建議拒絕更多黑人申請者的貸款，或者對其施加更為嚴苛的利率條件。最令人震驚的是具體數字：為了能獲得與白人申請者相同的系統批准率，黑人申請者必須具備比白人高出約 120 分的信用分數；為了拿到相同利率，也需要高出約 30 分。這是 LLM 在號稱中立的決策中複製出的系統性歧視結構。
這兩個案例的可怕之處在於，當監管要求金融機構不得使用種族、性別等受保護屬性時，演算法依然能夠透過郵遞區號、消費地理位置、教育機構背景等替代變數，精準推導出這些敏感屬性。表面上系統做的是中立的客觀運算，實際上卻在黑盒子內部偷偷複製了歷史的歧視結構。
摩根大通、Banco Covalto、Banco Macro 與印尼 MSME：全球版圖的補完
除了上述五組核心案例，全球各地還有更多實證在持續累積。摩根大通透過 AI 輔助處理機制，把支付帳戶驗證的拒絕率降低了 15% 到 20%，顯著減少了營運錯誤。墨西哥的 Banco Covalto 採用 Google Cloud Document AI，把信用審批的響應時間縮減了 90% 以上，並且把過去要 3 天的財務報表處理壓縮到幾小時內完成。阿根廷的 Banco Macro 則基於 BigQuery、Vertex AI 與 Gemini 打造了敏捷數據平台，讓 30 多個業務領域能夠自主生成與分享數據產品，把數據查詢時間從數小時壓縮到分鐘級，極大化組織內的決策速度。
新興市場的故事更具有結構性意義。在印尼，微型、小型與中型企業 (MSMEs) 長期面臨缺乏實體抵押品或傳統銀行信用歷史的困境。根據 IFC 的研究，印尼 MSMEs 透過傳統金融體系取得正規融資的比例僅約 17%，遠低於已開發市場水準。專注於「創新信用評分」技術的金融科技公司，運用機器學習演算法分析數位交易流水、行動電話通訊與網路使用狀況、稅收與水電帳單繳納軌跡。這些另類資料，讓大量過去被傳統系統視為高風險的微型企業，得以獲得擴大業務所需的資金。這種維度擴張，在開發中經濟體的普惠金融意義遠超過已開發市場。
AI 授信供應商格局：三大陣營與決策邏輯
在這場 2 兆美元的市場爭奪中，供應商生態正在分化成三個明確陣營。理解每個陣營的定位、優勢與適用場景，是金融機構決策時最關鍵的判斷。
企業級核貸決策平台陣營
第一個陣營是企業級核貸決策平台。代表玩家包括 Blend Labs、Highradius、TIMVERO 等。這個陣營的共同特徵是把 AI 深度整合到核貸引擎的核心，提供從文件解析、信用評估、決策路由到後續監控的全流程平台。客戶以中大型銀行為主，商業模式偏向訂閱制加上實際使用量的階梯定價。這個陣營的優勢在於合規包袱重的傳統銀行可以在不重寫底層系統的前提下完成 AI 升級，劣勢則是平台的標準化程度高，難以滿足某些客戶的高度客製需求。
資料與評分服務陣營
第二個陣營是資料與評分服務。代表玩家包括 Experian、Zest AI 等。這個陣營不直接提供核貸引擎，而是透過 API 提供另類數據、信用評分模型或反詐騙服務，讓銀行把這些能力嵌入到自己的核貸流程中。Experian 的優勢在於本身就是傳統信用局的巨頭，擁有大量的傳統與另類數據資產；Zest AI 的優勢則是聚焦在中小型銀行與信用合作社市場，提供開箱即用的 AI 評分模型。這個陣營的適用場景是地區性銀行與信用合作社，它們無力自建完整核貸平台，但需要一兩個關鍵模組來提升風控能力。
AI 原生新創陣營
第三個陣營是 AI 原生新創。代表玩家包括 Newity、HES FinTech 等。這個陣營不為傳統銀行提供工具，而是直接以放貸主體的身份出現在市場上，用 AI 原生的承保流程繞過傳統銀行的服務缺口。它們的客戶往往是傳統銀行不願意服務或服務不好的族群，例如缺乏信用歷史的小企業主、零工經濟工作者、新興市場的微型企業。商業模式是直接賺取利差，風險自擔。這個陣營的優勢在於沒有歷史包袱，可以從零設計最適合 AI 的流程；劣勢則是規模化挑戰大，監管風險也更集中。
銀行的決策邏輯
對銀行決策層而言，選擇哪個陣營取決於三個變數：現有 IT 基礎設施的成熟度、客戶分層的差異化需求，以及合規團隊對 AI 系統的接受度。大型銀行通常傾向決策平台陣營，因為它們需要處理的合規複雜度最高，需要供應商提供完整的審計軌跡與可解釋性報告。地區性銀行則傾向資料服務陣營，因為它們的核心競爭力在於本地關係，只需要在風控與評分上補齊能力即可。AI 原生新創則更多是傳統銀行的競爭者而非供應商，但雙方的合作模式也在出現，例如傳統銀行透過白標形式採用 AI 新創的承保引擎，共同服務原本服務不到的客戶。
值得關注的趨勢是，這三個陣營正在出現邊界模糊。Highradius 開始提供更多資料服務模組;Experian 開始投資自家的核貸引擎；Newity 開始與傳統銀行合作。這意味著未來幾年的市場格局，可能會從三足鼎立走向多元競合，銀行的選型決策也會更加複雜。
技術深潛：AI 授信的三層底層架構
要理解這場革命的可持續性，必須拆解它的底層技術架構。整個 AI 核貸系統可以分成三個層次：作為決策引擎的 Agentic AI、作為輸入維度的非傳統數據、作為合規橋樑的可解釋性 AI。三層缺一不可，任何一層的瑕疵都會讓整個系統失效。
第一層：Agentic AI 與並行處理機制
傳統的貸款承保是一個高度依賴人力、防禦性極強且串列執行的流程。客戶提交申請後，信用檢查、產權搜索、資產評估往往依序進行，任何一個環節卡關都會導致全流程停滯。Agentic AI 從根本上改變了這個邏輯。
以 Highradius 的 13 代理人架構為例，當客戶提交申請的瞬間，系統會同時平行啟動多個專業代理。其中一個代理負責收入與就業狀態的驗證，透過 NLP 與 OCR 解析薪資單與稅表，並透過 API 即時交叉比對 LinkedIn 專業檔案與雲端薪資發放系統。另一個代理負責不動產估值，透過自動估價模型 (AVMs) 拉取數百個空間與時間維度的數據點。第三個代理負責反詐騙檢測。最後由編排代理彙整所有輸出，根據預設規則決定是否路由給人工審核員。整個流程從串列推進變成並行處理，過去需要數週的等待期被壓縮到數分鐘內完成。
這種架構的關鍵不只是速度，還在於監控的持續性。傳統核貸是「審完就結束」，但 Agentic AI 系統的監控代理會在核貸後持續追蹤借款人的信用訊號變化，例如薪資中斷、現金流異常、產業景氣訊號等，提前預警潛在的不良債務暴露。這把核貸從一次性決策變成了動態關係管理，徹底重構了銀行對信用風險的時間維度認知。
第二層：四大類非傳統數據
Agentic AI 之所以能做出比傳統系統更精準的決策，關鍵在於它能吃進的數據維度遠超過傳統演算法所能處理。根據 McKinsey 與 Bridgeforce 的研究整理，當前 AI 核貸系統使用的非傳統數據可以歸納為四大類別。
四大類數據的整合，讓 AI 系統能夠處理傳統 FICO 模型完全無法觸及的客群。在美國，根據 CFPB 2025 年 6 月發布的最新統計，仍有約 700 萬名「信用隱形人」（佔成年人口 2.7%）因完全缺乏信用紀錄被排除在主流信貸體系之外，加上「不可評分」（thin file）的客群，合計約佔成年人口 12.5%。雖然這個比例自 2010 年的 18.4% 已顯著下降，仍代表千萬級別的潛在客戶被傳統評分模型錯失。這些人不是因為信用不好，而是因為沒有資料。當 AI 能夠透過上述四類數據重新建構他們的財務畫像，普惠金融就從理論走向了商業現實。
第三層：破除黑盒子的可解釋性 AI（XAI）三大技術
現代 AI 核貸系統大量使用梯度提升決策樹 (XGBoost、LightGBM) 或深度神經網路。這些模型在預測準確率上取得了跨時代的飛躍，但其內部數以百萬計的參數與特徵交互作用，使得決策過程變成一個人類無法直覺理解的黑盒子。當監管要求銀行必須向被拒貸的消費者具體說明拒絕理由，黑盒子與透明度之間的矛盾就成了必須解決的工程難題。可解釋性人工智慧 (Explainable AI, XAI) 因此成為 AI 授信的合規橋樑。
SHAP：基於博弈論的特徵歸因
SHAP (Shapley Additive Explanations) 演算法奠基於經濟學中的合作博弈論，特別是其中的夏普利值概念。它提供了一種具備嚴格數學一致性的方法，精確計算出每個單一輸入特徵對最終模型預測結果的絕對邊際貢獻度。在授信場景中，SHAP 同時滿足兩種解釋需求。對外，面對監管機構或內部稽核時，SHAP 可以透過特徵重要性熱力圖展示在整個貸款組合中，究竟是哪些變數扮演了最具決定性的影響力，例如公用事業繳費歷史、現金流穩定度等。對內，面對單一被拒貸客戶時，SHAP 能夠生成專屬的瀑布圖，精確量化每個特徵對該客戶最終評分的正向或負向貢獻。
LIME：局部代理模型的快速逼近
LIME (Local Interpretable Model-agnostic Explanations) 採取了不同的策略。它不試圖計算全域精確的邊際貢獻，而是在黑盒子模型的局部決策邊界周圍，訓練一個極度簡單、人類可完全理解的代理模型 (例如線性迴歸)。當某位客戶提出貸款申請，LIME 會稍微擾動該客戶的輸入數據，例如假裝微調月收入減少 10% 或將信用卡餘額增加 5%，然後觀察黑盒子模型對這些微小變化的預測結果反應。透過這種探測，LIME 能夠逼近並解釋在該客戶資料點的附近區域，黑盒子模型究竟基於哪些權重做出決策。LIME 最大的優勢在於計算效率通常遠高於 SHAP，因此適合部署在需要毫秒級即時回應的線上數位核貸場景。
Counterfactual Explanations：消費者導向的行動建議
如果說 SHAP 和 LIME 是從技術歸因的角度拆解模型，那麼反事實解釋 (Counterfactual Explanations) 則是完全從消費者行動導向出發。它不向客戶解釋複雜的內部數學權重，而是直接告訴客戶一個假設性的情境：如果你的某些條件發生了何種改變，我們的決策結果就會從拒絕反轉為核准。在實務應用中，當客戶被 AI 拒絕時，系統會自動運算出反事實路徑並反饋給客戶。例如：「如果您能將目前的信用卡未繳餘額降低 2,000 美元，或者提供證明讓系統認定的月收入增加 500 美元，您的這筆貸款申請就會越過核准線。」這種解釋方式不僅對缺乏技術背景的消費者極度友善，還賦予了客戶一條清晰可操作的信用改善路徑，大幅緩解了機器冷酷決策所帶來的挫敗感。
XAI 的角色不只是合規應付。根據 ICCMETS 2025 與 CFA Institute 在 2025 年的多篇研究，將 SHAP、LIME 與 Counterfactual 深度整合至信用風險模型的金融機構，在通過 GDPR 與歐盟 AI 法案稽核時，審查週期平均縮短 40% 以上。換句話說，XAI 不只是道德資產，還是合規效率的競爭優勢。
治理債務：演算法偏見、AI 監管夾擊與資料赤字
效率紅利只是這場革命的一面，另一面是同樣加速累積的治理債務。當銀行擁抱 AI 的速度越快，它欠下的合規與道德債務就越深。這節要拆解三個必須正視的核心挑戰。
演算法偏見的三條暗渠
演算法偏見不是單一現象，而是透過至少三條不同的暗渠進入 AI 核貸系統。
第一條暗渠是歷史偏見的繼承。 機器學習模型的本質，是透過數學統計方法在歷史訓練數據中尋找特徵間的關聯性。如果用來訓練模型的歷史貸款數據，本身就深深刻印著數十年來的系統性歧視 (例如美國歷史上的紅線化政策)，AI 不僅會「學習」這些偏見，還可能以更隱蔽、運算速度更快的方式自動放大。Wells Fargo 案例的根源，就在於它的訓練數據反映了過去數十年的不平等核貸結果。
第二條暗渠是代理變數的推導。 即便監管已明確禁止使用種族、性別、宗教等受保護屬性,AI 演算法仍能透過分析數百個非傳統數據中的替代變數，精準推導出這些敏感屬性。例如，演算法可能透過借款人的居住郵遞區號、日常消費的地理位置、就讀的教育機構背景，反向推斷其族裔或社會階層，進而在黑盒子內部給予較低的評分。這種偏見最難偵測，因為表面上系統做的是中立的客觀運算。Lehigh 大學的 GPT-4 Turbo 實驗，正是揭露這種代理變數推導的實證研究。
第三條暗渠是代表性偏差的懲罰效應。 史丹佛大學跨學科研究指出，許多時候演算法的數學設計本身或許並未帶有惡意。但低收入階層與少數族裔在傳統金融體系中留下的數據軌跡往往是稀疏或嘈雜的，模型在針對這些群體進行風險預測時，準確率會出現結構性下降。對於數據豐富的中產階級，偶發的遲繳會被海量的正向數據稀釋。但對數據稀疏的申請人，一次小額遲交就可能對整體評分造成不成比例的毀滅性打擊。這形成了 AI 放貸領域的一個核心張力：導入 AI 的初衷本應是擴大普惠，但缺乏校準的模型反而可能築起一道更隱蔽的數位紅線。
監管雙箭頭：歐盟 AI 法案與台灣金管會指引
面對演算法偏見的系統性風險，全球監管機構正以前所未有的力度劃定 AI 應用的邊界。
歐盟 AI 法案 (Regulation (EU) 2024/1689) 預計 2026 年 8 月 2 日全面適用。在這份法案中，信用評分與信用風險評估被附件 III 明確歸類為「高風險 AI」系統。一旦被歸類，金融機構必須履行極其繁重的法遵義務：全生命週期風險管理系統、最高規格的資料治理、不可竄改的決策日誌、鉅細靡遺的技術文件、對消費者的高透明度告知。最關鍵的是，法規強制要求必須具備「人工監督」機制，即 Human-in-the-loop 原則，意味著金融機構不得將攸關客戶權益的放貸決策百分之百委由 AI 系統自主決定。罰款分為三層：信用評分這類高風險 AI 不合規最高罰款達 1,500 萬歐元或全球年營收 3%（以較高者為準），若違反禁止實踐條款（如社會評分系統）最高罰款達 3,500 萬歐元或全球年營收 7%。
值得業界警惕的是，根據歐洲銀行管理局 (EBA) 的分析報告，EU AI Act 的框架與現有歐盟銀行業法規之間並不存在無法調和的矛盾，合規工作可建構於既有基礎上。但調查同時發現，高達 40% 的歐盟銀行已經在內部常規營運中使用了通用型 AI。產業界實際部署 AI 的速度，已經遠遠超前於自身合規框架的準備進度。
台灣金管會 在 2024 年發布的《金融業運用人工智慧 (AI) 指引》，雖然法律位階上屬於行政指導，但在台灣的金融監理實務中被視為必須嚴格遵守的準法規。指引提出六大核心原則：治理與問責、公平與以人為本、隱私與客戶權益保護、系統穩健與安全、透明與可解釋性、永續發展。其中對信用評分模型衝擊最大的是「透明與可解釋性」原則。指引明確點名「拒絕貸款」是高影響力決策，金融機構必須能夠向客戶提供具體且可解釋的理由，不能再以商業機密為由推託。台灣於 2025 年 12 月通過的《人工智慧基本法》，進一步為金融業的 AI 應用提供了上位的國家級法律框架。
資料赤字：被低估的基礎建設危機
監管要求落地的前提，是底層資料的品質與流動性。這是目前許多金融機構最低估的瓶頸。根據 Experian 的權威調查，儘管高階主管對 AI 充滿熱情，但有 73% 的金融機構對 AI 複雜的監管環境感到憂慮，有 65% 的機構坦承「缺乏具備 AI 就緒標準的數據」是目前推動轉型所面臨的最大技術挑戰。
許多傳統銀行深陷於「數據民主化赤字」之中。這些擁有數十年歷史的機構內部沉澱了海量的客戶交易與行為數據，但這些寶貴資產卻被困在各個部門獨立運作、互不相通的系統孤島中。資料格式不一致，無法進行實時的大規模關聯分析。根據 Cornerstone Advisors 的研究，如果沒有率先解決這些基礎的資料架構挑戰，超過 50% 的銀行承認資料孤島將直接阻礙它們做出即時決策。當營運團隊為了一個基礎洞察報告必須依賴 IT 部門耗費數天甚至數週撈取資料時，競爭對手早已透過民主化的資料平台與 AI 模型在幾分鐘內完成市場搶佔。
這種基礎設施的落後，將導致任何天價的 AI 投資最終都無法轉化為實質的市場競爭優勢。資料赤字才是這場革命中最被低估的隱形殺手。
AI 授信未來展望：三層時間尺度的演進路徑
展望未來，AI 授信革命會在三個不同的時間尺度上展開。
短期（1-2 年）：XAI 內建化的合規衝刺。 隨著歐盟 AI 法案 2026 年 8 月強制適用，以及台灣金管會 AI 指引的逐步落地，SHAP、LIME 與 Counterfactual 將從學術界走向核貸引擎的標準配置。所有不能在 30 秒內向消費者說明拒貸理由的銀行，都會在合規審查中失分。XAI 會從加分項變成基本配備。
中期（3-5 年）：人機協同治理機制的成熟。 在這個階段，Agentic AI 將被授權處理 80% 至 90% 的標準化中低風險決策。但對於最高風險的評估、涉及重大權益邊緣案例的裁量，以及系統性風險訊號的最終判定，仍必須交由具備專業經驗的信貸審查員與風險控管專家進行最終裁決。如何設計一套能夠讓人類與 AI 持續學習、相互修正的治理機制，會是這個階段的核心課題。
長期（5 年以上）：信用評分的典範轉移。 Cash App 已經證明了行為信用評分的商業可行性。當這套模型擴散到主流銀行，FICO 這類靜態歷史評分系統的重要性會持續下降，取而代之的是基於即時行為的動態信用畫像。這不只是評分模型的更新，更是整個金融體系如何看待「信用」這個概念的根本重構。當信用從「歷史紀錄」變成「即時行為」，銀行與借款人的關係也會從「年度審視」變成「持續對話」。
馬克碎念：當核貸從 20 天壓縮到 20 分鐘，我們失去了什麼
人工審核流程裡，有一種東西是演算法很難捕捉的。一位資深的貸款審查員看到借款人剛失業，但有家族企業背景、有親屬擔保意願、有過往穩定的還款紀錄，可能會酌情通過。一位熟悉本地產業生態的信合社主管，看到一家剛遭遇短期衝擊的小型製造廠，可能會基於對該產業景氣循環的判斷，選擇在這個時點給予貸款，而不是抽銀根。這些決策往往在統計上是「異常但合理」的個案，在標準化的演算法裡很難留下空間。當核貸全面演算法化，這些人類審查員幾十年累積的「酌情判斷」，有可能被定義為合規風險而徹底消失。
這種損失是不可逆性，當銀行把核貸決策權交給 AI，它的人才結構也會跟著重組。資深審查員的角色會被壓縮到只剩下「處理 AI 路由過來的最高風險案件」，他們不再需要培養對普通案件的判斷力。十年之後，當某種演算法無法處理的新型情境出現，銀行可能已經沒有足夠的人類專業可以接手。這個議題的核心不在「人類 vs AI」的二元選擇，而在專業判斷力的代際傳承斷裂。
這不是說我們應該回到 20 天的人工審核，那種倒退既不現實也不可取。但這場革命最值得思考的問題，是在追求極致速度的同時，如何刻意設計一套機制，讓人類審查員的判斷力得以持續存在、持續演化。Highradius 的「機器處理 80%、人類處理 20%」是好的開始，但那 20% 的案件分配機制需要刻意保留足夠的多樣性。如果讓人類審查員只看到極端風險，卻看不到那些「異常但合理」的中間案例，我們會培養出一代只會處理 AI 拒絕案件的審查員，失去真正能跟 AI 互補的金融專業人才。
對於想要使用 AI 核貸的金融業者來說，真正的挑戰是當合規從「速度」轉向「治理」。第一，內部是否有足夠的 AI 人才去理解黑盒子裡發生了什麼。第二，是否有足夠的審查員去判斷 AI 的決策邊界。第三，是否有足夠的監管科技 工具去稽核演算法的公平性。
從 20 天到 20 分鐘的速度跳躍只用了 5 年，但從「核貸效率」到「核貸治理」的成熟，恐怕還要再走 10 年。在這 10 年裡，真正的贏家不會單純取決於核貸速度，而會取決於誰同時把速度與治理都做到頂尖。這是一場拉得更長的耐力賽，序幕才剛剛拉開。
延伸知識快答：AI 授信常見問題
Q1：什麼是 AI 授信？跟傳統信用評分有什麼不同？
AI 授信指的是用機器學習模型取代人工審核流程，分析借款人信用風險並做出核貸決策。與傳統 FICO 信用評分相比，AI 授信能同時處理數百個非傳統數據點（交易現金流、租金繳交紀錄、APP 使用習慣、零工平台派單軌跡），核貸時間從 20 天壓縮至 20 分鐘，且能服務傳統信用局沒有覆蓋的「信用隱形人」。
Q2：Cash App Score 為什麼能讓 FICO 580 分以下用戶維持 97% 還款率？
Cash App Score 完全揚棄傳統靜態信用報告，改用四大行為支柱即時動態評分：賺錢頻率與穩定性、儲蓄餘額維持、日常消費軌跡、過往 Cash App Borrow 還款歷史。這套即時行為數據的預測力遠勝過 FICO 那種年度靜態快照，所以即使是 FICO 眼中的次貸客戶，在行為模型下仍能被識別為優質借款人。Block 內部資料顯示，這套系統比傳統承保多核准 38% 的貸款申請，但維持相同低損失率。
Q3：什麼是 SHAP、LIME 與反事實解釋？金融業為什麼需要 XAI？
SHAP、LIME 與反事實解釋（Counterfactual Explanations）是三大可解釋性 AI（XAI）技術。SHAP 基於博弈論，計算每個特徵的邊際貢獻；LIME 透過數據擾動建立局部代理模型；反事實解釋則告訴客戶「如果做了什麼改變就能獲得核准」。歐盟 AI 法案 2026 年 8 月生效後將信用評分列為高風險 AI，台灣金管會 AI 指引也明確要求「拒絕貸款」必須提供可解釋理由。XAI 是金融機構同時保住模型預測精度與監管透明度的唯一橋樑。
Q4：歐盟 AI 法案對信用評分有什麼具體規定？
歐盟 AI 法案（Regulation (EU) 2024/1689）將信用評分與信用風險評估明確歸類為「高風險 AI」系統。金融機構必須建立全生命週期風險管理、最高規格資料治理、不可竄改決策日誌、技術文件，並強制具備人工監督（Human-in-the-loop）機制，不得 100% 委由 AI 自主決定核貸。罰款分為三層：信用評分這類高風險 AI 不合規最高罰款達 1,500 萬歐元或全球年營收 3%；若違反禁止實踐條款（如社會評分系統）最高罰款達 3,500 萬歐元或全球年營收 7%（以較高者為準）。預計 2026 年 8 月 2 日全面適用。
Q5：台灣金管會 AI 指引對銀行核貸有什麼影響？
台灣金管會 2024 年發布的《金融業運用人工智慧（AI）指引》提出六大原則：治理與問責、公平與以人為本、隱私保護、系統穩健安全、透明與可解釋性、永續發展。其中對核貸衝擊最大的是「透明與可解釋性」原則，明確點名「拒絕貸款」是高影響力決策，銀行必須能向客戶提供具體可解釋理由，不能再以商業機密為由推託。台灣 2025 年 12 月通過的《人工智慧基本法》進一步提供了上位的國家級法律框架。配合 2026 年 4 月啟動的 FinLLM 16 家銀行聯手專案，台灣金融業正在「產官學共建」的路徑上落實 AI 治理。
好文 謝謝整理