林鉦育：Need for Speed — 人要比 AI 兇

1. 一句話總結

林鉦育用玉山銀行智能金融處兩次導入AI工具的一敗一成，說明在高度監理的金融業裡，AI能不能落地，關鍵從來不是工具夠不夠快，而是人（尤其是主管）願不願意比AI更兇猛地去推流程、推組織、推自己的老闆。

2. 重點筆記

開場：一塊贊助背板背後的意義

他一上台先秀了一張照片，說這是他今年上半年最忙的一件事：玉山銀行「終於掛上背板」。他特別強調這不是合成圖，是真的站上了那種通常只會出現供應鏈廠商的贊助背板。查證後可知，這指的是玉山銀行在NVIDIA GTC Taipei 2025首度成為NVIDIA在金融業的合作夥伴，於活動現場公開發表AI應用成果；GTC Taipei 2025的場次落在他上台前兩天左右（科技新報報導）。對他而言，這塊背板本身就是「金融業也認真進場做AI」最直接的證明——連供應鏈以外的產業都能被NVIDIA放上台，代表這件事真的發生了，不是行銷話術。

「人要比AI兇」到底是什麼意思

這句話不是說要對AI兇，而是說：AI工具跑得快，人如果不主動跟上，反而會被工具的速度拋下。他自己的例子是身為技術主管，過去帶到七十人規模的團隊時，光靠人力做code review根本看不完每天生出來的程式碼；但另一方面，如果工程師人人都用AI加速開發，主管自己不跟著用AI提升審查與判斷的速度，管理端就會變成瓶頸。所以「兇」講的是速度感的主動權：導入AI越快，人越需要主動去推動流程改造、跟主管要資源、把場景設計出來，而不是被動等工具自己把事情做好。

兩次導入：先失敗一次，才會成功一次

這是他整場最核心的「1加1」比喻。玉山銀行智能金融處其實推動過兩次AI工具導入：

• 第一次（較早期）：只找了資深開發人員小範圍測試，因為「他們沒什麼時間」，結果測試歸測試，幾個月後盤點下來結論是「沒有改變」——工具買了、測了，但沒有實際改變開發行為，等於白花錢。
• 第二次（2024年8月22日起）：智能金融處五十多位開發者啟動為期兩個月的GitHub Copilot全面試用，之後延續至今已近一年。試用期間平均每天為每位開發者提供六十次程式開發建議，累計協助近四萬次。使用者組成中，資料科學家與機器學習工程師各占百分之三十五，系統工程師占百分之二十二，資料工程師與專案經理各占百分之四。

他特別提醒：第一次失敗不是工具不好，是因為沒有建立量測機制、沒有讓全員真正改變工作流程；第二次之所以成功，是因為從一開始就搭配自動化pipeline與量化指標一起看。

四大應用場景

智能金融處同仁實際使用GitHub Copilot的場景聚焦在四類：資料處理（整理DataFrame、檢查資料源格式）、程式碼自動生成（產生HTML、Doc String、測試案例、SQL查詢、圖表程式碼）、程式碼理解與解說（解釋Python與SQL、協助排解log與錯誤訊息）、程式碼優化與效能提升（加速SQL查詢、優化Python函式執行時間）。他認為這四類幾乎涵蓋了工程師日常工作的大部分內容。

資安與法規：金融業做AI的天花板

他沒有把這段講得很重，但這正是整場最需要確認的部分。金融業要導入像GitHub Copilot這種雲端AI工具，本質上牽涉到公司程式碼、系統架構、甚至客戶資料是否會經過外部服務處理，這也是他口中「金融業特殊挑戰」的來源。查證後可整理出幾個相關的法規脈絡：客戶與員工個資的處理適用《個人資料保護法》（現行主管機關為個人資料保護委員會）；銀行整體業務則由金融監督管理委員會（金管會）監理，資安與委外作業另有專門規範。不過金管會是否已發布針對「金融業運用AI」的專門核心指引文件、正式連結是什麼，未能查得可靠的官方頁面，這部分待查證。可以確定的是，他在演講中提到的所有自動化流程都內建對應的資安監控與程式碼品質監控，這呼應了他說的「你不可能說這很多工具好棒棒就沒了」——監控機制是金融業導入AI工具的必要配套，不是選配。

3. 關鍵數據與案例

質化成效（使用者問卷調查，講者自述，無外部來源佐證）

量化成效（講者自述，無外部來源佐證）

SQL案例研究：同一段查詢邏輯，未使用索引與有使用索引的兩種寫法，結果一模一樣，但效能天差地遠——沒用索引的寫法會做全資料庫掃描，執行時間約四百五十毫秒、掃描筆數達一百萬筆；有用索引的寫法執行時間約八毫秒、只需掃描一萬筆，執行時間快了超過五十倍、掃描筆數少了整整一百倍。他用這個例子說明：程式碼品質的差異有時候肉眼完全看不出來，但AI輔助工具可以在寫的當下就抓出來。

成本效益換算（講者自述）：他直接把效能提升量化成薪水的百分比——假設工程師月薪五萬元，只要有百分之十的效率改善，等於每月省下五千元，遠遠超過訂閱任何一套AI工具（ChatGPT Plus、Perplexity、Cursor Pro、GitHub Copilot等）一個月約六百元等級的花費。查證後，INSIDE的專題報導把這筆帳換算成投資報酬率約八倍，也補充了另外兩個他口頭沒有特別強調的數字：試用一個月內整體程式碼產量增加了百分之五十，開發團隊平均每天能產出超過一千行程式碼。這是他說服主管支持AI預算最直接的算法。

開發時間對比（講者自述）：他現場示範用一行指令生成一個包含前端、API、AI model的完整小專案，大約花五分鐘；他認為若用傳統開發者的做法，除非直接在GitHub上找現成專案，否則自己從頭寫，沒有三到四天做不完。

4. 金句

• 「人要比AI兇。」
• 「我們為了推動一些AI的改變，那我們會先失敗一次，然後才會成功一次。」
• 「不看沒什麼，但一看就發現隨便任何一項都是10%起跳。」
• 「一切都是成本效益的問題。」
• 「先有AI工具是一切的第一步。」
• 「繼續躺平一年吧，因為我覺得一直追它也蠻辛苦的，每次只要稍微等一下就會有一些新東西。」

5. 提到的工具與名詞

• GitHub Copilot：玉山銀行智能金融處全面導入的AI程式碼助理，本場的核心案例。
• Agent mode：他提到目前正在推出中的新階段，暗示後面幾場會更聚焦agent相關主題。
• CI/CD與自動化pipeline：他認為是導入AI前必須先具備的基礎設施，否則無法量測改善幅度。
• 技術債（Technical Debt）／程式碼異味（Code Smell）：軟體工程中衡量程式碼可維護性的指標，他用這兩者的下降幅度佐證導入成效。
• 個人資料保護法：金融業處理客戶與員工個資時的主要法源，詳見上方連結。

6. 延伸觀察

這場最值得記下來的是：他完全沒有把AI講成萬靈丹，反而花了一半篇幅在講「第一次失敗」。這種誠實對聽眾更有說服力——如果只講成功案例，很容易讓人誤以為工具買了、裝了就會有效果；但他直接點名「工具買了，但沒有改變」才是常態，量測機制與流程改造才是關鍵變因。這對任何想在自己公司推AI工具的人（不只是金融業）都是很實際的提醒：先想清楚要怎麼量、怎麼逼團隊改變工作習慣，再談要選哪個工具。「人要比AI兇」這個標題聽起來像玩笑話，實際上是在講組織變革的主動權該握在誰手上。

7. 資料來源