BBVA 的 AI 運用策略解析 - 【莫子來了】※ 一起來聊聊金融吧 !!!

當歐洲百年銀行全押 OpenAI，我們看到什麼？

2026 年 6 月，BBVA 與 OpenAI 宣布將雙方合作升級為策略聯盟。同月，OpenAI 成立獨立服務公司 DeployCo，BBVA 名列創始合夥人。7 月，《華爾街日報》的深度報導進一步揭露了這場合作的技術細節與商業邏輯。

一家 1857 年成立的西班牙百年銀行，正以前所未有的速度擁抱生成式 AI。但仔細拆解這個案例，你會發現它既是一堂企業 AI 擴展的教科書，也是一面鏡子——映照出「買 vs. 自建」這個永恆命題的當代版本。

本文內容試圖回答一個問題：BBVA 的 AI 策略，到底值得學還是值得警惕？

大綱

一、BBVA 是誰

BBVA（Banco Bilbao Vizcaya Argentaria）是西班牙第 2 大銀行、全球第 42 大銀行，業務遍及歐洲、墨西哥、南美、土耳其與美國，服務數千萬名客戶，全球員工約 100,000 人。2025 年 ROE 達 19.31%、ROA 為 1.43%，在歐洲銀行業中表現突出。

過去 10 年，BBVA 以數位與行動銀行聞名，被視為全球最具創新力的金融機構之一。如今，它宣稱要進入下一階段：以 AI 為核心重新設計銀行業。

二、「八大計劃」——AI 轉型路線圖

BBVA 的 AI 轉型路線圖稱為「八大計劃」（The Eight），結構是 6 個「機器人」+ 2 個基礎支柱，於 2025 年 12 月正式發布。

六個「機器人」——面向具體業務領域

(1) Advisor（Blue）：
BBVA 的虛擬助理 Blue 正從簡單的查詢工具進化為智慧金融助理，目標是 24/7 多模態對話、個人化理財建議、主動預判客戶需求。Blue 目前已能處理超過 150 種查詢和簡單交易，未來目標是服務數百萬客戶。BBVA 資料主管 Antonio Bravo 對西班牙《Expansión》表示：「Blue 將成為客戶關係中的關鍵角色。」

(2) AI Banker：
為商業與業務團隊打造的增強型工具套件——即時提供客戶相關資訊、個人化推薦，並釋放重複性工作，讓客戶經理把時間花在面對客戶、提供更高價值的建議上。

(3) Risks：
為風險分析師提供 AI 工具，提升生產力與決策品質，同時確保人類分析師始終處於決策核心，符合監理要求。Credit Analysis Pro GPT 即屬於此計劃的產出（詳見第六節）。

(4) Operations and Processes：
端對端流程重設計與極致自動化——不只是自動化重複性任務，而是重新設計關鍵流程本身，縮短回應時間、減少錯誤，涵蓋後台營運和客戶互動兩端。

(5) Software Development：
AI 作為開發者的 copilot——自動生成程式碼、偵測錯誤、建議改進、加速測試與部署。BBVA 已為開發團隊配備超過 15,000 個 GitHub Copilot 授權。

(6) Connected：
每位員工的個人 AI agent——BBVA 稱之為「數位分身」（alter ego），能主動處理日常行政與重複性工作，從準備文件到分析資訊、簡化內部流程。目標是讓員工成為 AI「超級使用者」。

兩個基礎支柱——跨領域支撐

(7) Data：
確保所有必要資料在 BBVA 平台上即時可用，資料品質、治理和安全達到 AI 模型與 agent 可用的標準。BBVA 的說法是「資料是 AI 的燃料」。

(8) AI Architecture：
建構技術架構與能力，讓上述六個「機器人」能整合運作、安全擴展、跨地區部署並符合監理要求。這是整個「八大計劃」的「技術基岩」。

值得注意的是，BBVA 的 AI 工具組合不只有 OpenAI，技術堆疊實際上橫跨三大雲端供應商。

BBVA 與 Google Cloud 的合作始於 2011 年——比和 OpenAI 的合作早了 13 年——採用 Google Workspace 作為全行辦公平台。
2021 年，BBVA 成為歐洲第一家部署 Google Cloud Chronicle 安全分析平台的銀行，雙方合作開發 AI 與 ML 模型來預測和防止網路攻擊。
2025 年 7 月，BBVA 進一步在全行部署 Google Workspace with Gemini，員工可使用 Gemini 在郵件、對話和文件中摘要、起草和查找資訊，也可使用獨立的 Gemini App 和 NotebookLM 進行研究與報告。此外，BBVA 已配備超過 15,000 個 GitHub Copilot 授權加速程式開發。

在資料基礎設施方面，BBVA 的全球資料平台 ADA（Analytics + Data + AI）建立在 Amazon Web Services 上，目前管理 4 PB 資料和每日 40,000 個資料庫，採用 data mesh 和 data lakehouse 混合架構。整體技術堆疊如下：

資料平台：AWS（ADA，4 PB，S3 / Redshift / Glue / EMR / Spark）
辦公協作與生成式 AI 助手：Google Workspace + Gemini + NotebookLM（2011 年起合作）
安全營運：Google Cloud Chronicle（2021 年起）
生成式 AI 核心平台：OpenAI ChatGPT Enterprise（2024 年起，底層運行於 Microsoft Azure）
程式開發：GitHub Copilot（15,000+ 授權）

換言之，BBVA 以 OpenAI 為 AI 策略主軸，Google 為辦公與安全基礎設施，AWS 為資料基礎設施，形成三朵雲並行的格局。

BBVA 董事長 Carlos Torres Vila 的說法是：「我們與 OpenAI 攜手，加速 AI 在整個銀行體系中的原生整合，打造更聰明、更主動且完全個人化的銀行體驗，預先掌握每位客戶的需求。」

筆者觀點：「八大計劃」的野心很大——6 個業務「機器人」加 2 個基礎支柱，幾乎涵蓋銀行業務的每一個角落。但值得注意的是兩件事。第一，這個路線圖的「原生整合」底層，主要建立在 OpenAI、Google 和 GitHub 三家外部供應商的平台上，BBVA 自身的 AI Factory 在其中扮演什麼角色，素材中幾乎沒有提及。第二，6 個「機器人」目前多數還在願景階段，真正落地並有量化成效的案例有限——Credit Analysis Pro GPT 和秘魯助理是少數已公開的實例。從路線圖到全面落地之間，還有很長的路要走。

三、組織擴展路徑與關鍵數字

BBVA 的 ChatGPT Enterprise 部署速度驚人：

2024 年初：首批 3,000 名員工部署
2024 年中：快速擴展到 11,000 名
2025 年：全行 100,000 名員工

成效數字同樣亮眼：每位員工每週節省約 3 小時、每月活躍使用率超過 70%、員工自建超過 20,000 個自訂 GPT（約 4,000 個經常使用）、1,127 個 AI 使用案例已在生產環境運作。

BBVA 資料與 AI 全球主管 Antonio Bravo 表示：「我們一開始部署給 3,000 名員工，接著很快就擴大到 11,000 名員工。」

筆者觀點：100,000 人乘以每週 3 小時，等於全行每週節省 300,000 個工時。這個數字看起來很漂亮，但「節省」如何計算、節省的工時是否真的轉化為產值，素材中沒有交代。此外，20,000 個自訂 GPT 中只有約 4,000 個經常使用，換算成活躍率是 20%——多數 GPT 可能是員工的一次性實驗。

四、治理架構——信任、治理、結構化學習

BBVA 圍繞三大支柱建構 AI 採用策略：

(1) 信任：提供安全的企業級存取環境，將影子 AI 轉為安全 AI。企業資料不用於模型訓練，搭配客戶自管加密金鑰。

(2) 治理：安全、法務、合規團隊從第一天起就同步參與。管理員可按群組停用特定功能，全組織配備稽核日誌。

(3) 結構化學習：250 位高階領導者（含 CEO 與董事長）親自受訓。建立 AI「巫師」推廣者網路，舉辦 Bot Talent 內部競賽，執行委員會成員本身就是公司最活躍的 ChatGPT 使用者。

Elena Alfaro（全球 AI 採用負責人）：「我們營造出能安心學習與使用 AI 的環境。」

筆者觀點：治理框架本身不難——巫師制度、領導層訓練、內部競賽，這些是標準的 change management 手法，任何大型顧問公司都能設計。事實上，OpenAI 正在建立的顧問合作網路（BCG、Bain、Accenture）正是處理這類組織轉型的。治理的真正考驗不在架構設計，而在長期執行與持續迭代。

五、ChatGPT Enterprise——銀行的 AI 基礎設施

要理解 BBVA 的選擇，必須先了解 ChatGPT Enterprise 是什麼。

OpenAI 的 ChatGPT 目前有多個層級：Free（免費）、Plus（20 美元/月）、Business（原 Team，20-25 美元/人/月）、Enterprise（約 60 美元/人/月，議價制，最低約 150 席起）。Enterprise 與其他層級的關鍵差異，分四個面向說明：

資料安全——對銀行業最關鍵的一環

消費級的 Free 和 Plus 方案，使用者輸入的資料預設可能被 OpenAI 用於模型訓練，這對處理客戶個資和交易數據的銀行來說完全不可接受。Enterprise 提供三層保護：首先，以合約明文保證企業資料不會用於模型訓練；其次，提供客戶自管加密金鑰（Customer-Managed Encryption Keys），意味著 OpenAI 本身未經授權無法解密企業內容；第三，提供 10 個區域（含美國、歐盟）的資料駐留選項，讓資料實體存放地點符合各地法規要求。對於必須遵循 GDPR 或各國資料在地化法規的跨國銀行而言，資料駐留往往是選擇 Enterprise 的決定性因素。

管理功能——大規模部署的必要條件

當部署對象從幾十人擴展到 100,000 人，IT 管理的複雜度呈指數上升。Enterprise 提供 SCIM（System for Cross-domain Identity Management）整合，讓銀行可以把 ChatGPT 帳號管理串接到既有的 Active Directory 或 SSO 系統，員工入職自動開通、離職自動關閉，不需要人工逐一設定。全組織稽核日誌（Audit Logs）記錄所有使用者的操作行為，這對銀行的內控、法遵查核和資安事件回溯至關重要——如果某位員工的 AI 使用行為觸發監理疑慮，稽核日誌是唯一的追溯依據。管理員還可以按群組停用特定功能，例如禁止特定部門使用影像生成或網頁瀏覽，以符合不同業務單位的資安政策。

合規認證——跨過監理門檻

Enterprise 取得 SOC 2 Type 2（由獨立稽核機構驗證其安全控制在一段期間內持續有效運作）、ISO 27001（資訊安全管理系統國際標準）、ISO 27017/27018（雲端服務安全與個資保護）、ISO 27701（隱私資訊管理）以及 CSA STAR 認證。此外，Enterprise 可簽署 HIPAA BAA（Business Associate Agreement），這在醫療金融業務中是必要的合規條件。這些認證的實質意義是：銀行的法遵部門在採購評估時，Enterprise 能跨過多數監理要求的門檻，而消費級方案完全無法通過。

使用量——無限制存取前沿模型

Plus 和 Business 方案都有訊息頻率限制（message rate limits），重度使用者經常被節流。Enterprise 移除這些限制，使用者可以不受約束地使用所有最新前沿模型。對 BBVA 來說，這意味著 100,000 名員工在日常工作中不會因為「額度用完了」而中斷使用，維持了工具的黏性和採用率。Enterprise 合約也通常包含 API 存取權與額度，供內部開發團隊在 ChatGPT 介面之外建構自動化工具。

整體而言，Enterprise 解決的是「受監管環境下大規模部署 AI 工具」的基礎設施問題。這解釋了為什麼 BBVA 選擇 Enterprise 而非讓員工各自使用消費級方案——後者在銀行業等於製造影子 AI 風險。

筆者觀點：ChatGPT Enterprise 確實解決了「受監管環境下大規模部署」的問題。但它本質上是一個通用型工具——處理非結構化文本（年報、ESG 揭露、媒體報導），而銀行真正的金礦是結構化資料（交易流水、信用紀錄、還款行為）。後者需要的不是 ChatGPT，而是表格基礎模型或自建 ML 管線。

六、信用風險 AI 應用——技術架構

BBVA 與 OpenAI 合作的最具技術深度的案例是信用風險分析。要理解這個案例的意義，需要先了解傳統信用分析師的痛點。

傳統流程的問題

當信用分析師評估一家企業客戶的信用風險時，需要閱讀並交叉比對大量非結構化文件：企業年報中的財務數據與管理階層討論、ESG 揭露報告中的環境與社會風險、媒體報導中的負面新聞與訴訟紀錄。這些文件動輒數百頁，格式各異，分析師必須人工擷取關鍵指標（如營收趨勢、負債比率、ESG 評級變化），再綜合判斷形成信用評估報告。這個過程耗時且容易遺漏，尤其是 ESG 因素的納入讓分析維度大幅增加。

Credit Analysis Pro GPT

BBVA 開發的 Credit Analysis Pro GPT 旨在自動化這些步驟。該工具從年報、ESG 揭露和媒體報導中擷取並分析非結構化資料，將過去需要人工處理的繁瑣文件審閱工作自動化，讓分析師能更專注於策略分析與更高價值的判斷，包括如何將 ESG 因素納入風險模型。

然而，BBVA 的團隊在開發過程中遇到瓶頸——風險轉型主管 Fran Martínez López 的團隊已投入數月，但工具的準確率始終低於 60%。問題不在單一 agent 的能力，而在於缺乏有效的品質控制機制。

OpenAI FDE 駐場與 agent-as-evaluator 架構

轉折點是 OpenAI 派遣 FDE（前線部署工程師）駐場。FDE 為 BBVA 提供了一份新的藍圖——agent-as-evaluator 架構：在原有的分析 agent 之後，加入一組專門的 Evaluator Agent，其職責是評估和核准其他 agent 的回應。

具體而言，系統分為三個階段：
第一階段由擷取 agent 從非結構化文件中提取關鍵財務與 ESG 指標；
第二階段由分析 agent 綜合這些指標進行風險評估並產出信用分析報告；
第三階段——也是關鍵創新——由 Evaluator Agent 對前述 agent 的輸出進行一致性檢查（不同文件來源的數據是否吻合）、準確性驗證（擷取的數字是否正確）、完整性評估（是否遺漏重要風險因素）。不通過的回應會被退回重新生成，直到品質達標才呈現給人類分析師。

這套架構讓工具的準確率從不到 60% 提升至 80%。López 表示：「他們告訴我們：這就是建立這類解決方案的方式，也是使用這項技術的方式。」

技術實現的關鍵細節

這裡有一個容易被忽略的問題：BBVA 的 agent-as-evaluator 架構是怎麼建的？答案大概率不是在 ChatGPT Enterprise 的介面上操作出來的。在 BBVA 建構這套系統的時期（2024-2025 年初），ChatGPT Enterprise 的核心功能是對話介面加上自訂 GPT。自訂 GPT 本質上是單一 agent——使用者給它指令、上傳知識庫，它回答問題，但它無法呼叫另一個 GPT、無法形成多代理管線。多個 agent 串接、由 Evaluator Agent 審核其他 agent 輸出的架構，需要透過 Enterprise 方案附帶的 OpenAI API 存取權，由工程師以程式碼搭建自訂管線。這正是 OpenAI FDE 駐場的價值所在——不只是提供架構設計的概念，還包括實際的工程實現。

OpenAI 直到 2026 年 4 月才推出 Workspace Agents（Codex 驅動，可處理多步驟工作流、雲端持續運行、連接業務工具），2026 年 7 月再推出 ChatGPT Work（完整 agentic 模式，可跨應用程式連續運行數小時）。換言之，BBVA 在 ChatGPT Enterprise 原生支援多代理工作流之前，就已經透過 FDE 的工程能力實現了這套架構。不過，隨著 Workspace Agents 和 ChatGPT Work 的推出，BBVA 現在已可直接在 Enterprise 平台上建構和擴展多代理工作流，不再需要完全依賴 API 層的自訂開發。這也意味著當初 FDE 帶入的架構概念，未來有機會以更低的技術門檻在全行複製到其他業務場景。

但這裡有一個更根本的問題：BBVA 真的需要等 OpenAI 嗎？開源的多代理編排框架——LangChain（2022 年底推出）、LangGraph、CrewAI、AutoGen——在 2023 至 2024 年間已經成熟，全部支援多代理工作流的設計與部署，且不綁定任何單一模型供應商。如果 BBVA 的 AI Factory 具備足夠的工程能力，完全可以用這些框架自行建構 agent-as-evaluator 架構，搭配 OpenAI 的 API 或任何其他 LLM 作為底層模型，時間上可能比等 FDE 駐場更早、技術上也能保留供應商彈性。BBVA 選擇等 OpenAI 的人來做，而非自己用開源工具做，再次反映了其「全面依賴供應商」的策略取向。

其他部門的 AI 應用案例

信用風險之外，BBVA 還在多個業務線部署了專用 GPT：

在法律服務方面，BBVA 建立了 Retail Banking Legal Assistant GPT。西班牙的分行經理每年收到約 40,000 件與客戶相關的法律諮詢，該 GPT 會從多個內部知識來源擷取資料、草擬回覆，大幅減少九人法律團隊的人工研究時間。

在墨西哥，Client Experience Assistant GPT 分析數千則開放式客戶調查回覆，加速情緒分析、識別關鍵主題，並建議改善客戶體驗的具體行動。

在秘魯，超過 3,000 名員工使用內部 AI 助理，將平均查詢處理時間從約 7.5 分鐘縮短至約 1 分鐘，效率提升約 80%。

筆者觀點：agent-as-evaluator 是一個有效的工程方法——本質上是在 AI 管線中加入自動化的品質閘門（quality gate），這在軟體工程中並不罕見。但有幾點值得注意。首先，這個架構是 OpenAI 的 FDE 帶進來的，不是 BBVA 自己的 AI Factory 研發出來的，這印證了「核心突破依賴外援」的判斷。其次，80% 的準確率在一般文書工作中尚可接受，但對信用風險分析來說仍然不夠——銀行監理機構對風險模型的驗證標準遠高於此（SR 11-7 對模型風險管理的要求包括獨立驗證、持續監控和基準比較）。這套工具目前的定位應該是「輔助分析師做初步篩選」，而非「自動化信用決策」，兩者的監理門檻完全不同。

七、OpenAI 策略聯盟與 DeployCo

2026 年的三件大事勾勒出 BBVA 與 OpenAI 的關係深度：

(1) 策略聯盟：雙方團隊在工程、研究、產品開發和營運等領域密切合作，協助在全球銀行組織中安全地開發並擴展 AI 能力。

(2) DeployCo 成立：OpenAI 控股的獨立服務公司，TPG 領投 40 億美元。BBVA 為創始合夥人。DeployCo 透過收購 Tomoro（150 人）和 Northslope，FDE 總數已達數百人。

(3) 顧問合作網路：OpenAI 投入 1.5 億美元建立合作夥伴網路，BCG、Bain、Accenture 等顧問公司協助在企業內部銷售和部署 OpenAI 工具。

DeployCo CTO Arnaud Fournier（前 OpenAI FDE 團隊負責人）：「模型容量與人們使用模型的用途之間，從未存在過如此大的差距。」

Gartner 傑出副總裁分析師 Arun Chandrasekaran 則指出：「雖然像 OpenAI 和 Anthropic 這樣的 AI 實驗室在技術上很有能力，但他們沒有董事會和高管層的耳目，也無法在那個層面上談論數位轉型和業務轉型。」

筆者觀點：Gartner 分析師的話值得玩味。DeployCo 解決的是技術部署問題，但銀行的 AI 轉型不只是技術問題——它牽涉組織文化、監理回應、風險偏好等層面。OpenAI 正在用 1.5 億美元的顧問網路補這塊短板，但這也意味著 BBVA 的 AI 轉型實際上需要三方協力（OpenAI + 顧問 + BBVA 自身），而不僅是雙邊合作。

八、AI Factory 研究能量

BBVA AI Factory 是 BBVA 的全球 AI 開發中心，在西班牙、墨西哥和土耳其設有據點，由資料科學、ML 工程、解決方案架構、資料分析和產品管理的多學科團隊組成。

從 2014 年至 2025 年，AI Factory 共發表 32 篇學術論文，涵蓋 6 大研究主題：交易大數據與城市經濟（2014-2017 主力）、金融時序預測與不確定性（2016-2020）、詐欺偵測神經網路（2017）、公平性與偏見（RL 公平定價、LLM 偏見基準）、因果推論與金融決策（2024-2025 最新方向）、異常偵測。

代表性論文包括刊於 Nature Scientific Reports 的人類移動模式研究（2015）、Pattern Recognition Letters 的端對端信用卡詐欺偵測神經網路（2017），以及 KDD 2025 Workshop 的因果 ML 金融決策管線（2025）。AI Factory 也維護開源程式庫 Mercury，提供可重用的 ML 工作流。

筆者觀點：AI Factory 具備獨立研究能力，但 32 篇論文中沒有一篇是「將 LLM 應用於銀行核心業務」的方法論研究。研究主題以傳統 ML（交易資料分析、時序預測、異常偵測）為主，與 BBVA 當前全力推進的生成式 AI 轉型基本是兩條平行線，中間由 OpenAI 橋接。這引出一個尖銳的問題：BBVA 自己的 AI 研發中心，在公司最重要的 AI 轉型中扮演什麼角色？

九、策略觀察——BBVA 模式的優勢與風險

優勢是明確的：部署速度極快（18 個月內從 3,000 擴展到 100,000 人）、規模效應帶來的使用數據回饋、以及避免了自建 LLM 的巨額研發成本與時間投入。

但風險同樣明確：

(1) 供應商鎖定風險仍然存在：雖然 BBVA 的工具組合包含 OpenAI、Google Gemini 和 GitHub Copilot，表面上不是單一供應商，但核心依賴結構並未分散——100,000 人的主要生產力工具是 ChatGPT Enterprise、20,000 個自訂 GPT 全部建在 OpenAI 平台上、「八大計劃」路線圖是和 OpenAI 共同制定的、信用風險 AI 的關鍵架構由 OpenAI FDE 帶入。Google Gemini 和 GitHub Copilot 扮演的是輔助角色（文件處理、程式開發），不是策略核心。如果 OpenAI 調價、改政策或出資安問題，BBVA 受到的衝擊遠大於 Google 或 GitHub 出問題的情境。

(2) 無自有模型能力：相較 JPMorgan 的 IndexGPT 專利佈局、Bloomberg 的 BloombergGPT（500 億參數自建模型），BBVA 全球 187 件專利中幾乎沒有 AI 核心專利。走的是「學術發表 + 開源」路線，而非專利保護。

更值得對比的是 TD Bank。TD 在 2018 年——ChatGPT 引領的 AI 浪潮到來的四年多之前——就收購了 AI 新創公司 Layer 6，將 AI 人才和模型能力內化為組織肌肉。2026 年 1 月，TD 部署了自行建構的第一個 AI agent，將抵押貸款申請處理時間從 15 小時縮短至幾分鐘。這個 agent 是由業務專家、Layer 6 科學家、工程師和風控夥伴跨部門協作打造的，全程內部完成。在模型選擇上，TD 採取混合策略：自建模型搭配開源模型和商用模型（包括 Anthropic 的 Claude 和 OpenAI 的 ChatGPT），不綁定單一供應商。桑坦德銀行前創新部門負責人 Brad Leimer 的評語一針見血：「在 ChatGPT 引領的 AI 浪潮到來的四年多之前就收購 AI 人才和能力，讓 TD 擁有了許多銀行至今仍在努力建立的競爭優勢。」

BBVA 和 TD 的差異不在於誰的案例更成功，而在於能力沉澱在哪裡——TD 的能力沉澱在自己的團隊裡，BBVA 的能力沉澱在 OpenAI 的 FDE 和平台上。

(3) 結構化資料未運用：銀行最有價值的資料是結構化的交易流水、信用紀錄、還款行為。ChatGPT Enterprise 處理的是非結構化文本。表格基礎模型（TabDPT、Google TabFM）正是金融業最可能自建優勢的方向——因為銀行坐擁的結構化資料是 OpenAI 永遠拿不到的。TD Bank 已經在這條路上走了好幾年，BBVA 卻還沒有起步。

(4) 核心突破依賴外援，且技術門檻並不高：BBVA 最常被引用的 AI 成功案例——Credit Analysis Pro GPT 及其 agent-as-evaluator 架構——仔細拆解後其實相當基礎。它做的事情本質上是 RAG（Retrieval Augmented Generation）：從年報、ESG 揭露、媒體報導擷取非結構化資料，再由 LLM 生成分析報告，最後用一個評估 agent 做品質閘門。它沒有碰結構化資料（交易流水、財報數字、還款紀錄），沒有做信用評分或 PD 預測，沒有整合銀行內部的評級系統，80% 的準確率在信用風險領域也只能定位為「輔助分析師做初步篩選」。對比 TD Bank 的抵押貸款 AI agent——端對端處理貸款申請、整合業務規則與風控邏輯、把 15 小時壓到幾分鐘——BBVA 的案例在複雜度和業務嵌入深度上差距明顯。

更關鍵的是，這個等級的應用並不需要 OpenAI 派 FDE 駐場數月才能實現。開源的多代理編排框架——LangChain（2022 年底推出）、LangGraph、CrewAI、AutoGen——在 2023 至 2024 年間已全面成熟，任何具備基本 AI 工程能力的團隊，都可以用這些框架搭配 OpenAI API 或其他 LLM 自行建構同等架構，時間更早、成本更低、且不綁定單一供應商。BBVA 的 AI Factory 擁有資料科學與 ML 工程人才，理論上完全有能力做到。選擇等 OpenAI 的人來做，反映的不是技術門檻，而是組織對外部供應商的路徑依賴。

筆者觀點：BBVA 的 AI 策略本質上是「全面外包 + 快速擴展」。它的問題不是「不該用 OpenAI」——在生成式 AI 的技術曲線上，buy 比 build 確實更務實。真正的問題是：只用 OpenAI，沒有在自己最有優勢的結構化資料領域建立任何自有模型能力。銀行核心是金融業務沒錯，但如何將 AI 深度嵌入金融業務、而非停留在「用 ChatGPT 幫員工省時間」的層次，BBVA 還沒有給出答案。

資料來源：