2026 年金融穩定委員會(FSB)發布人工智慧在銀行業系統性風險報告
這三道傳導並非線性,而是具有回饋迴路。例如,市場波動會改變模型輸入的資料分布,導致模型輸出行為改變,進而引發更多機構的相似反應,再進一步加劇波動。報告將這種現象稱為「演算法驅動的順周期性」(algorithmically driven procyclicality),並認為這是 2026 年最需要被量化與監控的新興風險之一。
四個被點名的關鍵脆弱點
報告歸納出四個特別值得關注的脆弱點。第一是「第三方集中度」:少數雲端業者與基礎模型供應商掌握了多數銀行的關鍵基礎設施。第二是「模型同質化」:銀行若採用相似的開源模型或同一家供應商的解決方案,其行為模式將高度趨同。第三是「資料依賴與資料品質」:AI 的表現高度依賴訓練與推論資料,而金融資料本身具有非靜態、易受操縱的特性。第四是「治理與問責的模糊化」:當決策由模型輔助甚至主導時,責任歸屬變得難以界定。
值得注意的是,報告並未將 AI 描繪成洪水猛獸。它明確指出,AI 在風險管理、詐欺偵測、法遵效率上具有實質效益,問題不在於「要不要用」,而在於「怎麼用、誰來監督、出事時誰負責」。這種務實的基調,也讓報告更具可操作性。
三、第三方集中度:真正的系統性風險溫床
如果要在報告中挑出一個最被強調的風險,第三方集中度大概會是答案。原因很簡單:模型可以自己開發,資料可以自己累積,但支撐 AI 運算的雲端基礎設施與前沿基礎模型,絕大多數銀行都只能外購。這使得少數供應商在金融體系中取得了類似「公用事業」的地位,卻未必受到同等級的監理約束。
雲端、模型與資料的三重依賴
報告將第三方依賴拆解為三個層面。其一是「運算基礎設施依賴」,也就是雲端服務供應商(CSP)提供的算力與儲存。其二是「模型依賴」,包括直接採用供應商提供的基礎模型 API,或採用其微調後的金融專用模型。其三是「資料與工具鏈依賴」,例如信用資料供應商、風險評分服務、模型監控工具等。
這三重依賴的問題在於「相關性」。當多家銀行使用同一家雲端業者、同一套模型、同一批資料來源時,它們的系統韌性實際上是綁在一起的。供應商若發生服務中斷、模型版本更新失誤、定價策略驟變,或遭遇網路攻擊,受影響的將不是單一銀行,而是數十家甚至上百家機構。報告提醒,這種「共同依賴」在平時不易察覺,但在壓力情境下會迅速轉化為「共同脆弱」。
集中度風險如何演變成傳染風險
更棘手的是,集中度風險會透過「替代困難」被放大。當一家銀行高度依賴某個模型進行授信決策時,一旦該模型因故停用,銀行很難在短時間內切換到替代方案,因為內部流程、人員訓練與系統整合都已圍繞該模型設計。這種「轉換成本」使得銀行在與供應商談判時處於弱勢,也使得監理機關在要求改善時面臨投鼠忌器的困境。
報告因此建議,監理機關應要求金融機構建立「第三方集中度地圖」,清楚標示關鍵 AI 服務的供應商、替代方案、退出策略與應變預案。同時,監理機關之間應建立跨境資訊共享機制,以避免出現「每家銀行都符合個別監理要求,但整體體系仍高度集中」的盲點。
四、模型同質化與羊群效應:當所有銀行都問同一個 AI
若說第三方集中度是「硬體」層面的風險,那麼模型同質化就是「軟體」層面的風險。報告用了一個很傳神的比喻:如果市場上所有船隻都使用同一套導航系統,那麼當這套系統出現偏差時,所有船隻會同時駛向同一片淺灘。
演算法趨同的機制
模型同質化的成因有三。第一是「技術擴散」:開源模型與標準化工具的普及,讓銀行能以低成本取得相似的技術能力。第二是「人才流動」:量化研究人員與資料科學家在機構間流動,帶來相似的建模思維。第三是「監理誘因」:當監理機關偏好某些可解釋、可驗證的模型架構時,銀行會傾向採用「監理友善」的模型,無形中壓縮了模型多樣性。
報告特別提醒,模型同質化在平時可能帶來效率與穩定性,但在壓力情境下會產生「同步行動」的問題。例如,當市場出現突發事件時,若多數銀行的風險模型同時觸發降低曝險的訊號,賣壓會在極短時間內集中湧現,導致流動性急速枯竭。這種現象並非假設,過去幾次市場閃崩事件中已可見類似端倪。
從「多樣性緩衝」到「同步行動」
金融體系過去之所以具有一定韌性,很大程度來自「多樣性」:不同的銀行有不同的風險偏好、不同的客戶結構、不同的決策邏輯,這些差異在壓力時形成了天然的緩衝。但 AI 的普及可能侵蝕這種多樣性。當銀行的決策越來越依賴相似的模型輸出,體系的「行為多樣性」就會下降,緩衝能力也隨之減弱。
報告建議,監理機關應將「模型多樣性」納入系統性風險評估指標,並鼓勵金融機構在模型開發上保留一定程度的差異化。同時,銀行內部應建立「模型組合管理」的概念,避免所有關鍵決策都依賴單一模型或單一建模方法。這聽起來有點反直覺——畢竟多樣化通常意味著較低的效率——但報告認為,在系統層面,適度的冗餘與差異化是值得付出的成本。
五、可解釋性、治理與責任歸屬
報告用相當篇幅討論「治理」問題,因為技術風險最終都要回到「誰做決定、誰負責任」這個根本問題。當 AI 系統的輸出越來越複雜,傳統的「模型驗證」與「人工复核」機制是否仍然足夠,成為監理機關與金融機構共同面對的難題。
黑箱模型與監理穿透
報告指出,可解釋性(explainability)不只是技術問題,更是監理穿透力的問題。如果監理機關無法理解銀行模型的決策邏輯,就難以判斷其風險是否被適當管理。對銀行而言,這意味著「因為模型太複雜所以無法解釋」將越來越難成為合理答辯。報告建議,金融機構應針對關鍵 AI 系統建立「分層解釋機制」:對董事會提供決策邏輯摘要,對風險管理部門提供特徵重要性與敏感度分析,對監理機關提供可驗證的模型文件與測試結果。
同時,報告也提醒「可解釋性」有其極限。過度追求完全可解釋,可能導致銀行退回使用較簡單但預測力較弱的模型,反而犧牲了風險管理的品質。因此,報告主張的是「適度可解釋」與「可問責」的平衡,而非要求所有模型都變成白箱。
董事會與高階管理層的責任
報告明確指出,AI 治理不能只停留在技術部門。董事會應對 AI 相關風險承擔最終責任,並確保風險偏好架構中納入 AI 風險項目。高階管理層則應建立跨部門的 AI 治理委員會,整合風險管理、法遵、資訊安全、業務與資料科學等單位,避免各部門各自為政。
在責任歸屬方面,報告建議金融機構明確界定「模型輸出」與「人類決策」之間的界線。例如,哪些決策可以由模型自動執行、哪些必須經人工核准、哪些需要雙人复核,都應有書面規範。當發生爭議或損失時,能夠清楚追溯決策鏈,這不僅是法遵要求,也是維持客戶信任的基礎。
六、報告提出的監管建議與政策工具箱
在政策建議層面,報告並未提出一套「放諸四海皆準」的統一規則,而是提供一個模組化的工具箱,讓各國監理機關依其市場結構與法制環境選用。這樣的設計反映了 FSB 一貫的務實立場:與其追求全球一致的硬性標準,不如建立共同的風險語言與最低限度的協調框架。
對金融機構的期待
報告對金融機構提出幾項核心期待。第一,將 AI 風險納入現有的風險管理架構,而非另立一套平行制度。第二,建立 AI 系統清冊,清楚記錄每個系統的用途、資料來源、供應商、風險等級與負責人。第三,針對高風險 AI 系統實施獨立的模型驗證與定期壓力測試。第四,制定第三方退出策略與業務持續計畫,確保關鍵 AI 服務中斷時仍能維持營運。第五,強化董事會與高階管理層的 AI 素養,確保治理層具備判斷風險的能力。
對監管機關與跨境協調的建議
對監理機關,報告建議採取「風險導向」的監理方式,將資源集中於高風險、高影響力的 AI 應用,而非對所有 AI 系統一視同仁。同時,監理機關應提升自身的技術能力,包括招聘資料科學人才、建立模型測試實驗室、發展監理科技(SupTech)工具等。
在跨境協調方面,報告呼籲各國監理機關建立定期資訊交換機制,特別是在第三方集中度、重大 AI 事故與新興風險趨勢等領域。報告也建議國際組織發展共同的 AI 事故分類標準,以便跨國比較與聯合應變。這些建議看似溫和,但若落實,將實質改變目前各國「各管各的」的監理格局。
七、對台灣與華語金融市場的啟示
對台灣金融業而言,這份報告的啟示可以分為兩個層面:一是風險面的警示,二是機會面的提醒。台灣銀行業的規模與國際大型銀行相比較小,但在 AI 應用上並不落後,尤其在數位銀行、行動支付與智慧客服等領域,部分業者的導入速度甚至快於國際同業。這意味著報告點出的風險,對台灣並非遙不可及。
本地銀行業的落地挑戰
台灣銀行業面臨的第一個挑戰是「第三方集中度」。多數銀行的雲端服務與基礎模型依賴國際供應商,這在全球供應鏈波動時會形成營運風險。第二個挑戰是「人才與治理」:AI 治理需要跨領域人才,但台灣金融業在資料科學、模型風險管理與 AI 法遵方面的人才供給仍然緊張。第三個挑戰是「模型同質化」:由於市場規模較小,銀行間採用相似解決方案的情況可能更為普遍,無形中提高了同步行動的風險。
金融監理的回應路徑
在監理層面,台灣的金管會近年已逐步強化對 AI 應用的規範,包括要求金融機構建立 AI 治理架構、落實模型風險管理、保障消費者權益等。面對 FSB 這份報告,監理機關可考慮幾個方向:第一,將第三方集中度納入系統性風險監控指標;第二,要求金融機構定期申報關鍵 AI 系統清冊;第三,推動跨機構的 AI 事故通報機制;第四,在壓力測試中加入 AI 相關情境,例如模型失效、供應商中斷或資料污染等。
值得注意的是,台灣的金融市場規模較小,監理資源有限,因此「風險導向」的監理策略格外重要。與其對所有 AI 應用訂定細瑣規則,不如聚焦於高影響力的核心系統,並透過原則性規範引導業者建立自律機制。這樣既能維持監理的有效性,也能避免扼殺創新。
八、金融機構的實務行動清單
綜合報告內容,金融機構可將因應策略歸納為以下幾個可執行方向。第一,盤點現有 AI 系統,建立完整清冊,並依風險等級分類。第二,針對高風險系統進行第三方依賴分析,評估替代方案與退出成本。第三,強化模型驗證機制,將模型同質化風險納入評估。第四,建立 AI 事故通報與應變流程,確保事件發生時能快速反應。第五,提升董事會與高階管理層的 AI 治理能力,將 AI 風險納入風險偏好架構。第六,與監理機關保持主動溝通,參與產業自律規範的制定。
這些行動看似基礎,但真正的挑戰在於「持續性」。AI 技術演進快速,今天的風險評估可能在半年後就過時。因此,金融機構應將 AI 風險管理視為一個動態循環,而非一次性的合規專案。唯有建立常態化的監控與更新機制,才能在技術變動中維持韌性。
九、結論:AI 治理是金融穩定的下一個主戰場
FSB 這份報告的價值,不在於它提供了所有答案,而在於它把問題問對了。過去我們問的是「AI 能為銀行做什麼」,現在必須同時問「當所有銀行都依賴 AI 時,體系會變成什麼樣子」。這兩個問題的答案,將決定未來十年金融體系的樣貌。
對金融機構而言,AI 治理不再是法遵部門的附屬工作,而是董事會層級的戰略議題。對監理機關而言,AI 風險監理不能只著眼於單一機構的合規,而必須具備系統視角,關注集中度、同質化與跨境傳導。對投資人與消費者而言,理解這些風險,也有助於在 AI 驅動的金融服務中做出更明智的判斷。
2026 年的這份報告,或許不會立刻改變市場,但它很可能成為未來幾年監理政策與金融實務的重要參考座標。當演算法逐漸成為金融體系的共同交易對手,我們需要的不是對技術的恐懼,而是對治理的認真。這正是這份報告最想傳達的訊息。
(本文為基於 FSB 公開政策脈絡與國際監理討論所整理之分析性文章,旨在提供繁體中文讀者理解 AI 系統性風險趨勢的參考框架。)
💬 想說點什麼?
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →