Stanford 18個月研究對金融業AI採用的啟示
大綱
一、金融業AI轉型導入的常見困境
過去幾年，金融機構為AI轉型在生成式AI的採用上投入了大量資源。從內部教育訓練到外部講師導入，絕大多數培訓課程聚焦在同一件事上：提示工程(prompt engineering)——教員工如何寫出更好的提示詞，讓大型語言模型產出更有用的輸出。這些技能確實有幫助，但只是AI導入工作的一部分。
Stanford大學的研究人員Amanda Pratt與Melissa Valentine花了18個月的時間，透過數百次訪談與觀察研究Google內部的生成式AI採用情況，並在近2,000名跨產業高階管理者的AI領導力課程中驗證了他們的發現。結論出乎意料地明確：
| 💡 Stanford研究核心發現 成功導入AI的員工，使用的不是更高級的prompt技巧，而是產品管理思維。 他們懂得定義有價值的問題、評估技術方案、快速實驗、並將結果整合到日常工作流程中。 這些技能正是產品經理的核心紀律。 |
然而，在金融業的現實中，我們常常看到的場景是：員工上完課後，使用AI的方式停留在淺層應用——用ChatGPT或Copilot寫寫郵件草稿、摘要一下會議紀錄，但始終沒有觸及真正能提升工作價值的複雜流程。當早期嘗試碰到摩擦時，許多人便得出結論：「這技術不過是炒作」，然後徹底放棄。
本文將結合這篇Stanford研究的核心發現，探討金融業主管如何透過培養團隊的產品管理思維，真正推動AI在組織中的有效採用。
二、為什麼Product Thinking比Prompt Training更重要？
當組織引進新的職場技術時，傳統做法是針對特定使用情境進行培訓，明確告訴員工「這個工具能做什麼」。但生成式AI與過去的職場技術有根本性的不同：它的應用範圍極廣且快速演化，過度具體的使用情境訓練反而會限制員工的想像力。
真正的挑戰在於：員工需要自己發現技術能如何支持他們的工作。而這正是產品經理的核心能力——從「用戶需求」出發，而非從技術功能出發。
金融業的特殊挑戰更讓這個問題雪上加霜：
- 合規要求高：主管機關對模型風險管理有嚴格要求，員工不能隨意「試試看」
- 流程複雜度高：金融業務流程涉及多個部門、系統與核准環節，單點式的AI應用難以產生結構性影響
- 對「實驗失敗」容忍度低：金融業的風險文化讓員工更傾向於避免嘗試可能失敗的新方法
Stanford研究提出的產品管理四大技能框架——定義問題（Define）、評估方案（Evaluate）、快速實驗（Experiment）、整合落地（Integrate）——為金融業提供了一個很好的思考架構。以下逐一解讀其在金融業的應用。
三、四大技能在金融業的應用解讀
1. 定義問題與價值（Define the Problem）
研究中有一個生動的案例：一位Google主管每週花大量時間修改團隊的更新報告再發送給高層。她的第一反應是把內容貼到Gemini裡，要求「寫一個摘要」。結果產出的草稿詞不達意，仍需大量修改，額外的複製貼上反而浪費更多時間。她幾乎要放棄了。
轉折點在於她重新定義了問題：她不只是要「摘要」，而是要「有意義地減少自己的工作量，產出達到高層期望的溝通內容」。有了這個更清晰的價值定義，她建立了一個客製化的「Gem」，內建針對高層期望的明確指令，並重新設計流程讓團隊直接上傳更新內容。最終產出的80-90%可直接發送的草稿，將一個令人汮喪的實驗變成了真正節省時間的自動化流程。
註: Gem 是 Google Gemini 裡的一個功能，類似於 OpenAI ChatGPT 的 GPTs（自訂 GPT）。Gem 讓使用者可以建立一個預設好特定指令與情境的客製化 Gemini 對話，這樣每次使用時不需要重複輸入相同的 prompt。
金融業延伸：同樣的邏輯適用於金融業。例如，一位法遵人員不應該問「AI能幫我做什麼」，而應該問「我每週花最多時間的低價值工作是什麼？」可能是反洗錢交易監控報告的人工審查，可能是客戶盡職調查的資料整理，也可能是定期監管報告的編製。先找到「痛點」，再尋找解法。
主管行動：建立團隊內部的demo分享機制。研究發現，多數參與者表示當他們見到別人展示如何將AI應用於具體的高價值問題時，會更好地理解AI的適用性。主管自己參與展示更是關鍵，因為這能讓員工感到實驗是被鼓勵的，而非待命行事。
2. 評估技術選項（Evaluate Technology Options）
研究中的另一個案例：一位專案經理花大量時間維護試算表，為不同利害關係人製作客製化的進度報告。她沒有被眾多工具選擇壓倒，而是系統性地評估每個選項是否符合工作需求：她知道NotebookLM不支援試算表，Gemini在Google Sheets中的整合無法直接輸入數據，最終找到一個能讀取即時試算表數據的Chrome擴充功能來解決問題。
註:研究案例當時，NotebookLM確實不支援試算表，但NotebookLM 在 2025 年 11 月 13 日的更新中新增了 Google Sheets 支援 Google，所以原文那位專案經理遇到的問題已經不存在了。這個案例其實正好印證了原文的第三個評估維度——工具成熟度：基礎模型與工具介面快速演化，上個月不適合的工具今天可能已經可以勝任。所以持續追蹤工具更新也是產品管理思維的一部分。
研究建議從三個維度評估AI工具：
- 介面與工作流：簡單的聊天介面適合個人腦力激盪，但允許建立「流程管線」的工具——如客製化的Gem或NotebookLM——更適合團隊重複性流程
- 數據整合能力：有些工具僅依賴模型預訓練知識，有些則能接入即時數據（如合約資料夾、客戶回饋資料庫）
- 工具成熟度：基礎模型與工具介面快速演化，上個月不適合的工具今天可能已經可以勝任
金融業延伸：金融業在評估AI工具時，還需額外考量幾個關鍵維度：資安合規（數據是否離境？是否符合個資保護要求？）、模型治理（是否經過內部模型風險評估？是否符合主管機關要求？）、以及供應商盡職調查（第三方模型供應商的可靠性與持續性如何？）。這些評估維度應該被納入組織既有的供應商管理與模型治理流程中。
主管行動：建立內部的AI工具評估框架，並透過定期會議、電子報等機制分享工具評估結果。研究中提到Google內部的「AI makeovers」和「AI Spark」課程就是很好的參考模式：透過專人協助同事將具體問題與適當的AI工具進行匹配；以及透過示範和解說的方式，向同事展示與其工作相關的 AI 工具如何使用。
註:
AI Makeovers（由 Google School for Leaders Product Lead Debbie Newhouse 主導）：提供一對一的實作輔導，協助同事將他們手上的具體問題與適當的 AI 工具進行配對。這個做法正在透過多個 Google 內部發展計畫進行規模化推廣。
AI Spark（由 Cloud AI/ML Enablement Lead Olivia Tam 及其團隊主導）：透過示範和解說的方式，向同事展示與其工作相關的 AI 工具如何使用。
AI Makeovers vs. AI Spark
| 比較維度 | AI Makeovers | AI Spark |
| 主導者 | Debbie Newhouse Google School for Leaders Product Lead | Olivia Tam 及其團隊 Cloud AI/ML Enablement Lead |
| 課程形式 | 一對一實作輔導（Hands-on Coaching） | 團隊示範與講解課程（Model & Explain） |
| 核心做法 | 協助同事將「手上的具體問題」與「適當的 AI 工具」進行配對 | 向同事展示與其工作相關的 AI 工具使用方式 |
| 互動模式 | 個人化、問題導向 （針對個人工作痛點客製化） | 群體式、展示導向 （透過示範啟發應用靈感） |
| 規模化方式 | 正透過多個 Google 內部發展計畫推廣 | 以團隊形式持續運作 |
| 對應的 PM 技能 | 評估技術選項（Evaluate） 幫助員工找到對的工具 | 定義問題與價值（Define） 幫助員工看見 AI 的可能性 |
共同點：
兩者都不教通用的 prompt 技巧，而是幫助員工將具體的工作問題與合適的 AI 工具進行配對，體現了「meeting the individual where they were」的原則。
3. 快速實驗（Experiment）
研究中有一位網頁開發者的經歷特別值得參考。他的主管對AI持懷疑態度，認為這些工具只是炒作、會浪費開發時間。這位開發者沒有放棄，而是執行了一系列小型的概念驗證（POC）實驗。初步展示證明了工具的可靠性，足以改變與主管的對話；後續實驗則揭示了工具在某些類別表現良好但在其他類別不行，最終團隊自動化了約一半的工作。這個結果在一開始是無法預見的，它只能透過實驗來發現。
金融業延伸：金融業在實驗上面臨的挑戰特別大。研究發現員工不實驗的原因包括：沒有時間、不確定實驗是否算正当的工作時間使用、害怕失敗被評判、以及擔心成功使用AI會被視為「作弊」。在金融業的合規文化下，這些障礙可能更為明顯。因此，建立「安全的實驗空間」（sandbox）的概念就格外重要。
主管行動：
- 明確授權實驗時間：讓員工知道用工作時間探索AI是被鼓勵的
- 定義低風險場景：找出即使失敗也不會影響業務的流程作為起點
- 用MVP思維取代完美主義：鼓勵員工將每次實驗視為最小可行產品（MVP），而非一步到位的完美方案
- 以身作則：主管自己展示實驗過程與結果，包括失敗的部分，這是研究中被証明最有效的做法
4. 整合落地（Integrate）
研究強調，一個實驗不等於AI採用的完成，就像一個原型不等於產品。AI採用的「最後一哩路」是整合：將AI方案從獨立的聊天視窗移入團隊每天使用的工具與流程中。這需要兩個層面的互通：
技術互通（Technical Interoperability）：鼓勵員工問「我實際需要這些資訊去哪裡？」不是手動複製AI產出的摘要到專案追蹤器，而是尋找自動化這個交接的方法。研究發現，有些前線員工甚至用AI工具學會了足夠的API知識來自行自動化數據流。但當技術複雜度超過個人能力時，主管的角色就是將員工與技術團隊連結起來。
流程互通（Process Interoperability）：當一個人自動化了某個任務，會對下游接收者產生漣漪效應。主管需要協助重新設計角色與工作常規，確保新的AI增強流程不會造成不均衡的工作負荷或新的瓶頸。
金融業延伸：在金融業，整合階段還需要通過多層治理審查，而非僅止於單一環節。這包括：模型風險管理（MRM）審查（確保符合主管機關規範）、資訊安全審查（資料分級、存取控制與外洩防護）、個資保護合規（客戶資料處理是否符合個資法要求）、作業風險評估（新流程是否引入單點故障或新風險）、供應商/第三方風險管理（外部AI服務的盡職調查）、以及內部稽核與監管報告影響評估。這些審查不是阻礙，而是保障——它們確保了AI採用的可持續性與合規性。主管應該將這套治理流程視為整合的必要環節，而非額外的行政負擔。
四大技能摘要對照表
| 產品管理技能 | 在AI採用中的實踐 | 主管如何推動 |
| 定義問題與價值 | 問「我的工作流程中，什麼問題最值得解決？」而非「這個工具能做什麼？」 | 建立團隊demo分享機制，讓高價值應用案例被看見 |
| 評估技術選項 | 評估AI工具的技術可行性與營運適配性，權衡價值、成本與風險 | 建立AI工具評估框架，結合既有供應商盡職調查與模型治理流程 |
| 快速實驗 | 將每次AI實驗視為MVP，快速驗證價值假設 | 明確授權實驗時間，定義低風險場景，用MVP思維取代完美主義 |
| 整合落地 | 將AI方案融入個人與團隊的日常工作流程，確保可持續運作 | 推動技術與流程兩層面的互通，連結技術夥伴並重新設計受影響的角色與流程 |
四、對金融業主管的行動建議
綜合Stanford研究的發現與金融業的特殊需求，以下是四個具體的行動建議：
一、少做「AI功能培訓」，多做「問題發現工作坊」。與其教員工「如何用AI」，不如幫助他們找到「哪些問題值得用AI解決」。引導員工從自己的日常工作中發現痛點，再尋找解決方案。
二、建立內部AI Champion社群，促進跨部門的demo與經驗交流。研究一再證實，「展示而非告知」是最有效的推動方式。當同事展示如何將AI應用於具體的高價值問題時，其他人會獲得具體的模板來仿效，而非抽象的概念。
註: AI Champion」是企業內部推動AI採用時常見的一種角色設計，指在各部門中自願或被指定，負責帶動AI採用的「種子人員」。他們不一定是技術專家，但通常是最早嘗試AI工具、願意分享經驗、並且能幫助同事解決初期使用問題的人。
三、將AI實驗成果納入績效對話，消除「用AI是作弊」的心理障礙。研究發現，不少員工即使知道AI有用，仍因擔心被視為「作弊」而不敢使用。主管需要明確傳達：善用AI提升效率是被肯定的專業能力，而非捷徑。
四、連結AI採用與既有治理框架，讓創新與合規並行。金融業的AI採用不能脱離治理框架單獨推進。將實驗、評估、整合的每個階段都與模型風險管理、供應商盡職調查、資安合規等既有流程對接，反而能降低推動的阻力。
五、結語：從導入「工具」到建立「能力」
AI在職場上的導入失敗，很少是因為員工寫不好prompt。更常見的原因是：員工看不到AI如何融入自己的真實工作，而早期嘗試帶來的挫折感——低效、脆弱、難以持續——讓人很快就放棄了。
Stanford這項研究最有價值的啟示在於：成功導入AI的關鍵不是更多的技術培訓，而是一套務實的思考紀律——發現值得解決的問題、評估可用的工具、快速實驗驗證、再將成果整合進日常工作。這些正是產品管理的核心習慣，也是每一位金融業從業人員都能學會的能力。
當然，產品管理思維是透鏡，不是教條。在快速變化的AI環境中，過於僵化的路線圖或過早的ROI計算反而會扼殺探索的空間。金融業需要的是在合規框架內保持靈活——既不因治理要求而裹足不前，也不因追求速度而忽視風險。
最終，AI導入是一場組織能力的建設，而非一次性的技術部署。當主管以身作則地實驗、公開分享成敗、為團隊創造安全的探索空間時，AI就不再只是被導入的工具，而是真正融入工作、持續產生價值的組織能力。
參考文獻：Amanda Pratt & Melissa Valentine, “To Drive AI Adoption, Build Your Team’s Product Management Skills,” Harvard Business Review, February 3, 2026.