美國區域型銀行 M&T Bank 已將內部 AI 助手推廣給超過 1.5 萬名員工，用途涵蓋客服中心的通話分析、報告草擬、程式碼生成、發掘客戶需求，以及標記投資組合風險。不過這家銀行真正值得看的並不是推廣速度，而是在動手做生成式 AI 之前，先花了 8 年重建技術部門與資料基礎。

起點是禁止使用公開的大型語言模型

M&T Bank 最先做的不是導入，而是封鎖。銀行限制員工存取公開的大型語言模型，資料長 Andrew Foster 給出的理由是，員工有可能把敏感的公司資訊輸入面向大眾的服務。對受監理的金融機構而言，這是合理的判斷。

之後銀行比較了企業級供應商，選定 Microsoft Copilot。推廣並非一次到位，而是先進行約 800 人規模的試辦，再逐步擴大。目前揭露得最具體的成效來自客服中心：以生成式 AI 摘要通話內容，每通電話約可省下 6 分鐘。開發部門則使用 GitLab 的工具生成程式碼。

對產出正確性負責的仍然是員工本人。這項原則被寫進 2026 年版的商業行為與道德準則，明訂只能使用經核准的 AI 工具，並禁止將機密資訊、專有資訊、客戶資訊、員工資訊或受規範的資訊輸入未經核准的系統。

在 AI 之前，先用 8 年重建技術部門

這次生成式 AI 的推廣，建立在 2018 年啟動的技術改造之上。當時銀行有超過一半的技術人員來自外部，如今自有員工占 8 成。技術人員約 2,000 人，分布在 300 多個敏捷團隊，這段期間銀行招募了 1,000 名以上的技術專才。

老舊平台的汰換同步進行。銀行表示，系統故障相較 2018 年下降超過 8 成，每年完成的系統升級件數成長為 3 倍。2018 年出任資訊長、2025 年起統管技術與營運的資深執行副總裁 Wisler 指出，年度發布次數從 2018 年的約 1.5 萬次增加到 2025 年的 6.5 萬次。2025 年技術相關支出超過 12 億美元（約 1,870 億日圓），接近 2017 年的 3 倍。

※1 美元 = 156 日圓（截至 2026 年 9 月 8 日）

換句話說，在把東西放上去之前，先把承重的檯子重做了一遍。

讓資料的來源可以追溯

另一項準備工作在資料端。2023 年到職的 Foster 啟動了資料血緣專案，用來追蹤資訊在哪裡產生、如何被使用、在系統之間如何流動。他表示這項工作並不是為了因應生成式 AI 才做，而是理解自身資料資產的基礎能力。

實務上，銀行採用 Solidatus 與 Monte Carlo 的資料血緣軟體，將資訊經過資料庫、應用程式到商業智慧工具的路徑可視化。銀行也建立了名為 Edison 的內部知識庫，收錄正式檔案與各項規章。檢索增強生成（RAG）取用的正是這些受治理的資料。以資料治理與資料技能為主題的 Data Academy，約有 2,000 人參與。

每一個資料項目的來源、意義、品質與治理狀況都看得見。先做到這一步，才把 Copilot 放上去。

三條路徑，以及同業的位置

Wisler 將銀行的生成式 AI 工作整理成三條路徑：員工當作通用工具使用、已內建於現有應用程式中的 AI 功能，以及圍繞自有資料與作業流程自行打造的系統。銀行營運超過 1,800 個應用程式，其中不少來自第三方供應商，因此找出軟體裡已經附帶的 AI 功能加以運用，是相當務實的第二條路。自建方向上，重複性高的事務作業、軟體開發、防詐與網路防禦是最先落地的場景。

規模更大的銀行走得更前面。JPMorganChase 在 2024 年將內部平台 LLM Suite 開放給超過 20 萬名員工，到 2025 年，企業與投資銀行部門有 6.5 萬人以上實際使用，超過 9 成的工程師使用 AI 程式輔助工具。其以 AI 進行的交易篩查，在檢視量增加一倍以上的同時，把人工複核減少了一半。Bank of America 則對 1.8 萬名以上的客服人員部署 EricaAssist，依 2026 年 7 月的說法，系統能在 3 秒內給出結合脈絡的建議，平均通話時間縮短將近 1 分鐘。

M&T Bank 的員工總數約 2.2 萬人。絕對數字上不占優勢，但就覆蓋比例來看，與大型銀行的差距並不大。

公布的使用人數取決於怎麼計算

這裡有一個讀數字的細節值得留意。American Banker 在 2025 年 9 月報導，M&T Bank 約 2.2 萬名員工中已有 1.6 萬人在使用 Microsoft Copilot，而這次公布的數字是超過 1.5 萬人。看起來像是減少了，但這取決於統計口徑指的是發放的授權數、擁有存取權限的人數，還是實際使用的人數。

在報導企業導入生成式 AI 時，這項區別常常被略過，只剩人數自己流傳。要比較數字，得先把口徑對齊。

總結

M&T Bank 已將 AI 助手推廣到超過 1.5 萬名員工，通話摘要每通約省下 6 分鐘。但在這之前，是自 2018 年延續至今的技術改造：自建比例 8 成、故障下降超過 8 成、年度發布 6.5 萬次、技術支出 12 億美元。資料血緣與 Edison 也讓交給 AI 的資料來源變得可追溯。如果這個案例有值得借鏡之處，與其說是選了哪個模型，不如說是在做選擇之前把哪些東西整理好了。