一個AI不夠！多Agent分工做投資研究　從財報、法人到籌碼一次整合

理專近4成時間耗在合規　AI Agent盼減少跨系統查核

IBM台灣目標市場暨生態系總經理陳孝綸表示，金融業導入AI Agent，大致可從員工賦能、共通性需求及專用領域等方向切入，其中財富管理涉及敏感客戶資料、專業金融知識與複雜內部流程，是專用型Agent的重要應用場景。

她指出，目前理專約有35%至40%的工作時間，用於合規檢測、KYC（了解您的客戶）、風險識別等行政作業，尤其面對高資產客戶時，往往需要在不同系統間反覆確認最終受益人及財源背景。

若透過AI Agent串接不同資料來源及工作流程，部分重複性的檢核工作可望自動化，縮短服務前置時間，讓理專將更多時間投入資產配置、投資建議及客戶溝通。

金融AI不只靠大模型　「資料底座」成準確度關鍵

不過，AI能否做出可靠的金融分析，除了模型本身，資料品質也是關鍵。MDBS董事長張立元表示，如果AI取得的個股基礎資訊出現錯誤，後續分析及決策就可能受到影響，因此金融AI的實際應用，數據的完整性、正確性及更新效率都會直接影響應用成效。

MDBS此次展示的「貓頭鷹AI（OWL AI）」即以結構化金融數據作為AI應用的資料基礎，內容涵蓋即時價量、KD、RSI、MACD、資金流，以及營收、EPS、ROE、ROA、本益比等技術面與基本面資料，並可透過API供AI系統調用。

0050回測案例　結構化數據讓Token用量大減

現場以元大台灣50（0050）過去15年定期定額還原報酬率計算進行測試。主辦單位表示，若採AI推理搭配網路爬蟲方式蒐集資料，需使用約76.6萬個Tokens，資料涵蓋率約73.3%；改採結構化金融數據API後，Token使用量降至約4.6萬個，較前者減少逾94%，並取得完整180個月資料。

這項測試也凸顯金融AI與一般生成式AI應用的差異：當任務涉及長期歷史行情、財報及技術指標等大量結構化資訊時，資料能否被系統直接、完整且有效率地調用，可能比單純提升模型推理能力更為重要。

多Agent分工投研　企業可把自身Know-how導入流程

除了數據供應，MDBS也展示多Agent協作的投資研究流程。以台積電（2330）為例，系統可依研究需求分派任務，由「法人分析Agent」、「財報分析Agent」及「籌碼分析Agent」分別處理不同面向，再交由「總分析師Agent」整合法人動向、財報、技術分析及存股等資訊，形成完整研究報告。

這類架構的另一個應用方向，是讓金融機構把自身既有的研究方法、分析規則及Know-how導入AI流程，讓AI不只是回答問題，而是按照企業既定的方法拆解任務、調用資料並完成分析。

此外，MDBS也將「雪鴞」納入金融AI產品布局，與貓頭鷹AI、龍蝦山莊共同形成金融AI應用架構。

隨著生成式AI逐漸從「能回答」走向「能執行」，金融業導入AI的競爭也開始從模型能力延伸至資料、算力、企業流程及專業知識整合。對銀行、券商及財富管理業者而言，如何在確保資料安全與合規的前提下，將AI真正嵌入日常業務流程，將成為下一階段金融數位轉型的重要課題。