玉山 AI 平臺月均 800 人變 3,600 人，模型只是其中一段

先說這篇的材料哪裡來，因為這會影響你怎麼讀後面的數字。

資料來自 iThome 2026 年 9 月的「AI 轉型實例」系列報導，內容是玉山金控自己揭露的數字與說法，受訪者是玉山的張智星與廖子慧。換句話說，這是當事人自述，不是第三方稽核過的成效驗證。我照著它寫，但我會在該提醒的地方提醒你。

兩年之間發生了什麼

先看數字本身。

最後一列的差距大到要多看一眼：報導數字如此，但同系列上篇只說 Token 用量是「數倍」成長，口徑待確認。每人每月從 400 多個 token 變成 40 萬個以上。報導沒寫這 400 多個怎麼算。我用報導數字粗估：半年呼叫次數除以月均人數、再除以 6 個月，每人每月呼叫大約從 21 次變 25 次，只多兩三成。如果 400 多個這個數字成立，變多的就是每次用量；但那等於 2024 年每次呼叫只有約 19 個 token，也和同系列報導的「數倍」對不起來，所以這個結論我先不下。這是我的粗估，報導沒有定義「呼叫」，也沒有說明原因。

使用人數成長四倍多，每個人的 Token 用量也大幅增加（照報導數字算將近一千倍，口徑待確認）。人數和深度都要看。只看人數，可能只是活動辦得好。也要記得兩件事：起點是 GENIE 剛上線那半年，本來就低；今年使用範圍也擴大到海外子行與金控其他子公司，報導沒有拆開算。

模型只是其中一段

照報導的時間軸，GENIE 是 2023 年開始建，2024 年 1 月上線 1.0，同年 9 月推 2.0。

玉山自己對這兩版的定位講得很白：1.0 解決的是「敢不敢用」，2.0 解決的是「好不好用」。

我覺得這個分法值得每一家要導入 AI 的公司抄走，因為它精準命中了兩種完全不同的卡點，而且很多公司會把它們搞混。

「敢不敢用」是信任問題。玉山的做法是把 GENIE 部署在行內隔離環境，輸入的內容先經過個資與敏感資料過濾，再搭配雲端財務維運機制控管各部門的用量與成本。講白了就是：先讓員工知道打進去的東西不會流出去，他才會打第一個字。

「好不好用」是體驗問題。2.0 改成模組化平臺，加了檢索增強生成、多模態輸入（文字、圖片、PDF、語音、影片），還能依任務選用不同的模型。

但真正讓我停下來的，是報導裡提到的另一個動作——玉山早期辦工作坊和培訓班，把效果比較好的指令直接放上 GENIE，讓還不會下指令的員工直接套用。

這一步很少有公司做。多數公司的邏輯是「教大家寫提示詞」，然後發現只有本來就會的人學得起來。玉山的做法是反過來的：先把會的人寫出來的東西變成現成的，讓不會的人先嘗到甜頭，等他們找出自己的用法，AI 就自己長進工作流程裡了。

這是我看完整篇最想推薦給中小企業的一招，因為它幾乎不用錢。

真正難的：專家自己也說不出口的那部分

玉山 2026 年的新方向叫 Agentic Banking，技術上是把 GENIE 升級成 3.0、變成所有 AI 代理的統一入口——你提需求，系統先判斷意圖，再分派給適合的代理或知識庫去做。

但這篇報導最值錢的不是架構圖，是他們講「怎麼把專家的本事教給 AI」那一段。

玉山的做法是把專家的工作方法拆成可重複使用的 Skill，例如「依據法規檢查文件」就是一項。聽起來像是把 SOP 轉成 AI 看得懂的格式，但張智星的說明點破了這件事沒那麼簡單：

他舉的例子是檢查學生報告：一開始只想到要求 AI 檢查英文縮寫有沒有附全名、參考文獻有沒有留白；等 AI 真的開始檢查，才陸續發現其他遺漏，再一條一條補規則與例外。經過多輪修正之後，才請 AI 把整段過程整理成一份完整的 Skill。

這件事我認為是整篇報導對一般公司最有價值的部分，而且它跟公司規模無關。

你公司裡一定有一位「他看一眼就知道這份報價有問題」的人。你請他寫 SOP，他寫得出來的永遠是那套大家都知道的流程；真正值錢的判斷，他自己也講不出來，因為那已經內化成直覺了。

把那種直覺挖出來的唯一辦法，就是玉山說的這個笨方法：讓 AI 先做一次，做錯了，專家自然會指出來。指出來的那一句，就是你原本永遠寫不進 SOP 的東西。

而這些東西——用報導裡的說法——「不是外部大模型原本就會知道的，卻可能正是銀行最難複製、也最需要留下來的能力」。

兩個實例，和一個被低估的阻力

報導給了兩個落地例子。

第一個是法人徵信報告。以前法金同仁跑完實地訪查，回辦公室還要對著空白文件從第一個字寫起；現在生成式 AI 先整理資料產初稿，再由專業人員檢查判斷。廖子慧的說法很誠實：「開發者非常仰賴第一線的人直接告訴我們，現在生成的報告到底準不準，因為我們沒有那個 know-how。」

第二個是法遵 Agent。一名工程師搭配一名法律專家，把法遵工作中可以標準化的部分整理成 Skill，約一周就做出初步版本。報導同時註明：功能還不全面。

但整篇最該被拿出來講的，是這一段：要請專家交出累積多年的經驗，得先回答一個很現實的問題——如果把 AI 教會了，自己會不會被取代？

玉山的解法是讓原本負責審核的專家，轉去學習優化、測試與監督 AI，替他們找到新角色。廖子慧的判斷是：得先讓員工相信 AI 是來幫他的，他們才有安全感參與轉型，也才願意把真正重要的經驗教出來。

我想強調這一點，因為這是企業導入 AI 最被低估的阻力，而且它完全不是技術問題。你可以把平臺建得很漂亮，但只要第一線覺得「教會它我就沒價值了」，你拿到的就永遠只有那份寫給稽核看的 SOP。

誠實踩煞車

• 這些數字是玉山自己揭露的。透過 iThome 報導呈現，沒有第三方稽核。我沒有理由懷疑，但你引用時要連立場一起講。
• 起點本來就低，範圍也變大了。2024 上半年是剛上線的半年；今年使用範圍也擴大到海外子行與金控其他子公司。報導沒有拆開算，所以四倍多裡有多少來自新開放的單位，我不知道。
• 使用量不等於效益。月均人數、呼叫次數、token 用量都是「用了多少」，不是「賺回多少」。報導自己就寫了，玉山 2026 年開始思考的正是「這些技術到底能產生多大的 ROI 效益」——連他們都還在問這題。
• GENIE 3.0 在報導當下是「即將上線」（2026 年 9 月底），還沒有任何成效數據。本文提到 3.0 的一切都是規劃與架構，不是已驗證的結果。
• 玉山的條件你多半沒有。報導說他們布局 AI 二十年，有自建平臺、專職團隊、金融業的資本與法遵壓力。照抄架構會死，可以抄的是方法。
• 模型費用很低，但那不是全部的帳。iThome 同系列上篇寫，每月約 14 億 token、單月模型調用成本不到臺幣 5 萬元；平臺建置與人力沒有揭露，所以我不評論划不划算。
• 「一周做出法遵 Agent」不等於一周上線。報導明確寫了功能還不全面，只是初步版本。看到這種數字要先問「做到哪一步」。
• 我沒有玉山的內部資訊。本文所有事實都來自公開報導，判斷與建議是我自己的。

三種角色，三件不同的事

如果你是一般上班族：不要等公司給你平臺。你手上一定有一件每週都要做、而且做法固定的事——把你做這件事的判斷標準寫下來，愈細愈好，然後讓 AI 照著做一次。它做錯的地方，就是你原本沒意識到自己有在用的專業。那份清單是你的，不是公司的。

如果你要在部門裡推動 AI：抄玉山那招最便宜的——先蒐集部門裡效果最好的幾個指令，做成現成的範本發下去。不要一開始就教大家寫提示詞，那會篩掉八成的人。先讓他們用現成的嘗到甜頭，再教怎麼改。順序反了，成效差非常多。

如果你是主管：你有兩件事要做，而且都不是技術。第一，分清楚現在卡的是「敢不敢用」還是「好不好用」——前者要解決的是資料邊界與信任，後者才是工具與體驗，這兩題的解法完全不同，用錯了錢會白花。第二，先處理專家的安全感。你要他把二十年的判斷教給 AI，就得先告訴他教完之後他做什麼。這句話沒說清楚之前，後面所有的導入計畫都會卡在同一個地方。

回到機長那句話

我上課常說：你是機長，AI 是機組人員。

玉山對 GENIE 的目標講得更具體——讓每位員工未來都能帶領一位數位員工。這跟機長那句話是同一件事。

但這篇讓我想補一句更實際的：機組人員不是招募來就會飛的，是被帶出來的。而願不願意把本事教出去，取決於老機長相不相信自己教完之後還坐在駕駛艙裡。

玉山花了兩年、從 800 人走到 3,600 人，技術只佔其中一部分。剩下的都是人的問題，而人的問題向來比較慢，也比較貴。

常見問題 FAQ

Q：玉山這些數字可信嗎？
這是玉山金控自己揭露、由 iThome 報導的數字，不是第三方稽核結果。當事人自述通常會挑好的講，但也是唯一拿得到的內部數據。引用時記得連來源與立場一起說。

Q：中小企業可以照抄嗎？
架構不行，方法可以。自建平臺、隔離環境、FinOps 管控這些需要規模與預算。但「把好指令做成範本發下去」「依職務設計不同的培訓」「讓 AI 做錯後請專家指正，把指正變成標準」這三件，沒有預算也做得起來。

Q：為什麼強調「敢不敢用」和「好不好用」要分開？
因為解法完全不同。員工不敢用，是怕打進去的東西流出去、怕做錯被罵——你買再好的工具都沒用，要處理的是規則與資料邊界。員工覺得不好用，才是工具與體驗的問題。診斷錯了，錢就會花在沒用的地方。

Q：把專家經驗變成 AI 的能力，第一步該做什麼？
不要先寫 SOP。先讓 AI 做一次真實的任務，然後請專家挑錯。挑出來的每一條就是原本寫不進 SOP 的隱性知識。玉山的做法是多輪修正之後，再請 AI 把整段過程整理成一份可重複使用的能力。

Q：專家不願意教 AI 怎麼辦？
這通常不是態度問題，是安全感問題。玉山的做法是讓原本負責審核的專家轉去優化、測試與監督 AI，先給新角色再要求他教。沒有先回答「我教完之後做什麼」，抗拒是合理的。

Q：導入 AI 有沒有一個可靠的成功指標？
我認為玉山那句話就是最好的指標：從「叫大家用，大家覺得還好」變成「不用不行」。在這之前，使用人數、上線功能數都只是活動成效。要補一句：這是行為指標，不是財務指標，ROI 要另外算——玉山自己也還在算。

資料來源

本文事實部分取自以下公開報導，除另註明外，於 2026 年 9 月 27 日讀取全文：

• iThome「AI 轉型實例」系列報導（ithome.com.tw/news/179148）：玉山銀行 Agentic Banking 方向與 GENIE 平臺演進。內含 GENIE 建置時程（2023 年開始建、2024 年 1 月上線 1.0、2024 年 9 月推 2.0、2026 年 9 月底預計上線 3.0）、使用數據（2024 上半年月均 800 多人／使用率超過十分之一／半年呼叫超過 10 萬次；2026 上半年月均超過 3,600 人／使用率超過三分之一／半年呼叫超過 55 萬次；每人每月平均 token 用量由 400 多個增至 40 萬個以上）、GENIE 3.0 架構（Root Agent、模型平臺、記憶庫、Skill 與 Tool Registry、MCP 閘道、Policy Engine、稽核日誌、FinOps）、四大痛點（功能孤島、知識分散、API 異構、體驗落差）、法人徵信報告與法遵 Agent 兩個實例、人才分層培訓方向與 AI Academy／GAI 工作坊。
• iThome 同系列上篇（ithome.com.tw/news/179111，2026 年 11 月再讀）：Token 用量「數倍」成長的說法、每月約 14 億 token、單月模型調用成本不到臺幣 5 萬元。
• 同篇報導中的具名發言：張智星（顯性與隱性知識的區分、檢查學生報告的舉例、「以前，我們想找很會寫程式的人，現在懂領域知識的人才更重要」、「一個很懂 AI 的人，還有一個很了解 Domain Know-how 的人，要互相合作，才有辦法實踐出來」）；廖子慧（「以前是叫大家用，大家覺得還好；現在則是反過來，不用不行」、「如果還是照原本的流程把它自動化，可能沒有辦法改變太多」、「開發者非常仰賴第一線的人直接告訴我們，現在生成的報告到底準不準，因為我們沒有那個 know-how」、專家轉任優化與監督 AI 的角色安排）。

查證說明（誠實揭露）：① 除我的粗估與另註明處外，數字與引述都來自 iThome 報導，內容為玉山金控自行揭露，沒有經過第三方稽核。這是當事人自述，我照實引用並在文中多次標明立場，但無法獨立驗證。② 我沒有玉山的內部資訊，玉山不是我的客戶，我也不是玉山的顧問或供應商。每人每月呼叫次數是我依報導數字粗估的，不是報導寫的。③ 報導中引號內的發言我保留原文用字，未改寫語意。④ GENIE 3.0 在報導當下是「即將上線」，本文所述 3.0 的一切皆為規劃與架構，不是已驗證的成效。⑤ 使用人數、呼叫次數、token 用量都是使用量指標，不能當成效益或 ROI 的證明——報導本身就寫了玉山 2026 年才開始思考 ROI 這題。⑥ 導入成本、平臺建置費用，報導未揭露，我查不到；單月模型調用成本不到 5 萬元出自 iThome 同系列上篇（news/179111），不含平臺與人力，因此全文不做划算與否的評論。⑦ 文中所有建議、判斷與對中小企業的翻譯，是我作為企業培訓顧問的意見，不是玉山的說法，兩者請分開看。

關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、電通、城邦媒體等。聯絡方式：ai@autolab.cloud