1. 前言：從 30 天的混亂到一套「可管理」的系統

在金融科技的浪潮中，許多組織最常踩到的坑，就是讓 AI 助理如野草般散落在各個業務流程，卻缺乏統一的監控、驗收與管理機制。三十天前，銀保營運系統（BAIOS）面對的是一個典型的難題：「零散的 AI 助理，怎麼變成一套可管理的營運系統？」

這是一段充滿挑戰的旅程。身為一名長期觀察 AI 治理的專家，我見證了這套系統從最初的混亂，透過不斷的實測與修正，最終收官成為具備「四層架構、五個執行模組、四項核心 AI 任務」的營運中台。支撐這套架構的是 250 個扎實的測試案例。這種從 30 天實戰中留下的「傷疤」，才是 AI 落地實務中最珍貴的資產。在金融業，透明度與治理從來不只是流行語，而是生存的本能。

2. 核心界線：可以自動化的，與必須由人決定的

在 BAIOS 的治理哲學中，自動化與人工介入的邊界絕非模糊地帶，而是基於風險權衡的精確切割。

可以自動化 (Automation)：

• 具體項目： 分類建議、摘要草稿、檢核報告草稿、差異分析、依據問答、進件建案、留痕、逾時警示。
• 共同特點： 這些任務的核心在於「可驗證性」（程式閘門可以攔截低級錯誤）與「可逆性」（後端仍有專人審核，出錯時具備修正空間）。

仍須由人決定 (Human Decision)：

• 具體項目： 核准與退回、失敗任務（Failed）重啟、知識採納、任務上線、急迫度最終判定，以及最重要的——對外的每一個字。
• 共同特點： 這些決策具備「不可逆性」或直接「涉及使用者權益」。

> 所有的治理機制，本質上都在守住這條線。

當 AI 處理的是內部分析與草稿生成時，我們可以依賴技術提升效率；但當決策涉及對外的最終承諾或權益變更時，人類的責任絕不能缺席。

3. 證據說話：拒絕「自我感覺良好」的驗收哲學

在 AI 專案中，開發者最容易陷入「自我感覺良好」的陷阱。為了打破這種幻覺，BAIOS 堅持一項硬派的原則：不用記憶背書，要用程式走查。

這正是 程式化總驗收 (final_acceptance.py) 的價值所在。在金融業的營運邏輯下，宣稱具備功能是沒用的，你必須提供「grep 得到的證據」。驗收腳本會直接讀取資料庫與紀錄檔，針對 12 項關鍵指標進行無情的勾稽，包括：

1. 登錄台生效任務數
2. 已結案件數
3. 知識庫文件數量
4. 塊庫 (Chunks) 總量
5. 決策紀錄筆數
6. 四份軌跡 (Traces) 的完整紀錄
7. 各項服務在測試中的覆蓋率
8. 複審時程是否逾期 （以及其他確保系統運行的關鍵數據點）

這種以程式為準的驗收方式，確保了 AI 系統的每一項輸出都是有跡可循的，而非僅憑開發者的口頭承諾。

4. 誠實的價值：總驗收的目的不在滿分

在 BAIOS 的最後一哩路中，我們誠實地紀錄了兩個失敗案例，這才是專業治理的表現。

首先是基礎環境的疏失：總驗收腳本在第一次執行時就因為路徑錯誤（ModuleNotFoundError: No module named 'app'）而崩潰。這再次證明了為何「程式化驗收」比人工檢查更可靠——它不會因為你寫了三十天腳本的經驗就對錯誤產生免疫。

其次是更深層的治理透明度：在編寫「AI 可解釋性報告」時，我們在 第 20.7 節 關於 Prompt Injection 測試的欄位中，誠實地填上了「未實施」。儘管系統在輸入端已設有閘門、掃描與遮罩，但尚未完成對抗面測試。

「總驗收的價值不在滿分，在於缺口有名字。」 透過不迴避、不假裝的透明度，將已知限制明確列入未來的 v1.1 路線圖，這才是 AI 專案能真正被企業信任的關鍵。

5. AI 導入檢核表：從 30 天踩坑提煉的精華

為了讓這 30 天的經驗能夠被複製，我們提煉出一份包含 28 條規則的「AI 導入檢核表」。這不是憑空想像的理論，而是每一條都標註了 「Origin Day」 出處的實戰紀錄。

這份清單揭示了 AI 系統生命週期管理的重要性，特別是：

• 複審機制： 設定明確的時程與規則，定期審視 AI 的決策品質。
• 退場計畫： 定義觸發退場的事件、變更管理流程與退場程序。 這套機制確保了當 AI 表現不如預期或環境變遷時，組織有條理地進行撤退或更新，而非讓系統淪為無法維護的技術債。

6. 結語：AI 營運的核心不是技術，是紀律

AI 進入金融營運領域，本質上是一個「紀律」問題而非「技術」問題。BAIOS v1.0 留給讀者最核心的觀點是：「每個 0 都說得出自己是哪一種 0」。

這句話的背後，代表的是一種極致的透明度——即便是失敗的紀錄、空缺的數值，都必須有明確的原因與日誌支撐。AI 的角色應該是「先找到依據，再執行任務」，並在低風險領域極大化效率，在高風險領域保留人類決策的最終防線。

當 AI 帶來的效率與人類應負的責任發生衝突時，你的組織是否已經準備好那條「不可跨越的線」？

回顧：BAIOS 營運中台的核心啟示

• 先定義任務，再串接流程：利用四層任務邊界鎖定 AI 範圍，並透過狀態機與雙車道分流消除無人認領的等待與重工。
• 確定性計算交給程式：計算、數數、比對與正規表達式掃描由 Python 執行，語意摘要與說明才交給 LLM。
• 先找到依據，再交由 AI 執行：建立帶有身分證的作業依據中心，落實現行有效過濾與引用義務，堅守「找不到依據就說找不到」。
• 低風險提升效率，高風險保留人類決策：透過資料分級、E2 掃描、具名名冊與人工決策站，確保每一筆高風險輸出都有具名人類的簽核與留痕。