「林先生，根據您的風險屬性、現有資產配置與退休需求，我建議將投資組合中的30%配置於⋯⋯」一位剛進銀行3個月的年輕理專，在短短幾分鐘內完成了一份過去可能需要資深理專花上半天才能準備好的財富管理建議書。產品比較完整、風險分析清楚，甚至連下一次與客戶溝通時應該如何說明，都由AI整理得井然有序。
主管看完報告，只問了一個問題：「你真的了解這位客戶嗎？」年輕理專回答：「他的KYC、資產資料、投資偏好與過去交易紀錄，我都已經交給AI分析了。」
主管接著問：「那你知道他談到退休金時為什麼突然陷入沉思嗎？你有聽出他沒有說出口的擔憂與需求嗎？」年輕理專愣了一下。
然而，這些弦外之音，雖然沒有出現在KYC，也沒有存在銀行的資料庫裡，卻可能是整份投資建議中最重要的資訊。
AI正以前所未有的速度改變金融業。從研究報告、授信分析、投資建議，到客戶服務與法規遵循，過去需要數小時甚至數天完成的工作，如今透過生成式AI與AI Agent，可能只需要幾分鐘。然而，當AI讓每一位金融從業人員都能快速產出一份「看起來很專業」的報告時，另一個更值得思考的問題也開始浮現：能夠產出專業的答案，是否代表真正具備專業的判斷？這正是近年科技圈興起的「Vibe Coding」（氛圍編程）帶給金融業的重要啟示。
「Vibe Coding」是指使用者透過自然語言描述需求與AI互動，讓AI直接產生程式碼，使用者再根據執行結果持續調整，直到成果「感覺對了」。當這樣的工作模式延伸至金融業，則稱為「Vibe Banking」（氛圍金融）：金融從業人員透過AI快速產生投資分析、授信報告、產品建議，甚至客戶溝通內容；然而，當使用者逐漸以「AI產出的結果看起來合理」，取代自己對金融產品、客戶需求與風險本質的深入理解時，也可能形成新的金融專業風險，而這樣的改變其實已經發生。
舉例而言，2026年美林財富管理（Merrill Wealth Management）與美國銀行（Bank of America）私人銀行全面推出「AI-Powered Meeting Journey」。在客戶會議前，AI可以整合客戶資料與近期活動；會議進行時，在客戶同意下協助記錄與摘要；會議結束後，則整理決策、後續行動及相關文件。
依照銀行公布的導入經驗，每場會議最高可以替理財顧問節省四個小時。然而，更值得注意的是，美國銀行自己對這項科技的定位：AI可以大幅提升效率，卻不能取代理財顧問所提供的判斷、同理、理解與人際連結。其目的不是把「人」從財富管理中移除，而是讓理專把更多時間重新投入深度客戶對話與長期關係。
過去金融專業的形成，大致遵循一條相對漫長的路徑。舉例而言，一位授信人員需先學會閱讀財務報表，再經歷不同產業與企業個案，逐漸知道哪些財務比率值得相信、哪些漂亮數字背後可能隱藏問題；一位理專需先理解產品，再經歷不同市場循環與客戶互動，才逐漸形成風險判斷與客戶敏感度。
換言之，過去一份高品質的建議報告，往往是知識、經驗與決策判斷長期累積後的結果。但生成式AI正在改變這條路徑，中間原本需要多年形成的知識、經驗與判斷，可能被部分跳過。
因此，AI真正帶來的人才風險，不只是「AI幻覺」（AI Hallucination），而是另一種值得注意的現象：AI專業能力錯覺（AI-induced Competence Illusion）。也就是當AI讓一個人可以產生超過自身專業能力的成果時，本人、主管甚至客戶，都可能誤以為他已經具備與成果相對應的專業判斷能力。
AI幻覺，是AI不知道，卻表現得好像知道；AI專業能力錯覺，則是人不知道，卻因為AI讓他看起來知道，而以為自己真的知道。當AI讓「專業的外觀」比「專業的形成」更早出現，金融機構可能高估員工的能力，而員工也可能高估自己。換言之，AI縮短了金融工作的產出曲線，卻不一定縮短金融專業的學習曲線。
有人或許會問：既然AI可以提高效率，只要最後的答案正確，又何必在意它是不是由新人完成？問題在於，金融決策與一般知識工作存在根本差異。金融決策具有「延遲驗證」（Delayed Feedback）的特性。最典型的例子，就是2008年全球金融海嘯。危機爆發之前，美國次級房貸、房貸抵押證券（MBS）與擔保債權憑證（CDO）在多年房價上漲與低違約率的環境下，持續創造可觀收益。
對當時的銀行、投資人甚至風險模型而言，這些商品在相當長的一段時間內，看起來都是「正確」的決策。然而，當房價反轉、房貸違約率上升，原本建立在歷史資料上的違約相關性、資產流動性與信用評等假設陸續失效，累積多年的風險才迅速暴露。
一筆錯誤的授信，可能直到2年後景氣反轉才成為呆帳；一項不適合客戶的投資建議，也可能直到下一次市場危機才真正暴露風險。也就是說，金融決策的「正確」，往往無法在決策當下立即驗證。甚至一個錯誤的決策，還可能因為短期持續獲利，而反過來強化決策者對原有模型與判斷的信心。這也是Vibe Banking比一般AI應用更值得警惕之處。
再讓我們回到文章開頭那位陷入沉思的客戶。假設一位有經驗的理專注意到，客戶談到退休時突然停頓，接著看向配偶，又補了一句：「如果3年後我就要退休，但最近又被診斷出重大疾病呢？」真正的專業，不只是「注意到他的停頓」，而是知道停頓之後，下一個應該問什麼問題。
理專可能進一步追問：「這筆資產是否需要支應退休後前5年的生活及醫療支出？」如果答案是肯定的，原本的問題便不再只是客戶心理上願意承受多少風險（Risk Tolerance），而是他的財務條件實際能夠承受多少風險。一個在KYC上看似積極型的投資人，未必真的適合承擔高度波動的資產配置。
因此，當AI越來越擅長整理資訊與產生答案，金融人才真正需要建立的能力，反而必須往更高層次移動。筆者認為，至少包括以下兩層專業。
第一層，金融因果推理與判斷力：從「知道答案」進一步到「理解答案為什麼成立」。例如，AI告訴理專：「預期降息，因此可以增加長天期債券配置。」這只是一個表面的答案。
真正的金融專業還必須追問：降息是因為通膨下降，還是經濟快速衰退？如果是衰退，信用利差是否可能同步擴大？如果投資的是美元債券，台灣客戶承擔的匯率風險有多大？債券價格因存續期間帶來的資本利得，是否可能被匯率損失抵銷？金融專業的核心，不是記住「降息、債券上漲」這個答案，而是理解利率、信用、匯率、流動性與資產價格之間的因果鏈，並知道當其中一項假設改變時，原本的結論是否仍然成立。
第二層，情境智慧（Con textual Intelligence）：從「看懂資料」進一步到「看懂資料背後的人」。AI可以知道客戶55歲、年收入500萬元、金融資產3,000萬元，也可以根據KYC將他歸類為積極型投資人。但如果這3,000萬元中的2,000萬元，是客戶3年後退休所需要的主要生活與醫療來源，同樣的資產數字，就具有完全不同的金融意義。
因此，真正的金融專業不能只分析顧客資料，更必須理解實際需求，最後做出正確的建議判斷。客戶的家庭責任、退休時程、現金流需求、過去投資經驗，以及面對損失時真正的心理反應，都可能改變一項金融商品是否「適合」他的判斷。這也是為什麼客戶的風險偏好（Risk Tolerance）與實際風險承擔能力（Risk Capacity）不能混為一談。
回顧金融業過去20年的數位轉型，網路銀行降低交易成本、行動銀行改變服務通路、大數據提高客戶分析能力，而AI則可能進一步大幅降低「取得答案」的成本。
然而，當取得答案變得越來越容易，判斷答案是否值得相信，反而變得越來越重要。因此，金融機構未來真正需要重新思考的，不只是如何讓新人更快學會使用AI，而是如何在善用AI提高效率的同時，仍讓新人經歷形成專業判斷不可或缺的學習過程。
AI可以成為金融人才強大的能力放大器，但前提是被放大的必須是專業，而不是專業的外觀。未來最優秀的金融人才，是能夠理解金融因果、讀懂客戶情境、判斷真正的需求，並在AI給出一個「感覺對了」的答案時，仍有能力再追問一句：「它真的對嗎？」
（本文由台灣銀行家雜誌提供，作者為陽明交通大學資訊管理與財務金融學系專任教授、華南金控獨立董事）