Capital One 以「客戶反推工程」方法論落地 Agentic AI，金融業轉型的實務框架

Capital One 商業卡與支付技術部門負責人 Ashish Agrawal，在一篇由 MIT Technology Review Insights 與 Capital One 合作製作的報告中，系統性闡述了該公司推動 AI 落地的核心方法論：「customer-back engineering」，即從客戶需求出發，逆向推導技術解決方案，而非從現有技術能力出發尋找應用場景。

這個方法論的提出，有其量化背景。McKinsey 研究顯示，大多數企業從數位化投資中實際獲得的價值不到預期的三分之一。Capital One 的診斷是：失敗的根源不在技術本身，而在於工程師與客戶之間的距離過遠，導致解決方案碎片化、客戶體驗割裂。為此，該公司要求工程師每年透過多種形式與客戶建立接觸點——包括數位同理心觀察、嵌入客服支援、隨行銷售拜訪，以及以真實客戶問題為題的黑客松競賽。

在 Agentic AI 的具體應用上，Capital One 已開發出一套名為 Chat Concierge 的多智能體 AI 框架，部署於汽車經銷商網站，能在單次對話中執行車型比較、預約試駕等複合任務。客服端則透過 AI 即時摘要通話內容、提示後續行動點，並由 Agentic AI 主動提問，縮短人工審閱全文的時間。Agrawal 強調，這類高速轉型的前提是「乾淨的數據層」——統一治理的數據生態系是 Agentic 迴路中感知、推理、執行三個環節的基礎設施，缺乏數據品質，多智能體架構根本無從運作。

報告同時引用了一項 MIT Technology Review Insights 的主管調查：七成受訪領導者表示企業已在某種程度上使用 Agentic AI；在金融業，超過五成主管認為其在詐欺偵測方面高度有效，75% 預期未來將持續強化這一應用。

需要指出的是，這篇文章本質上是 Capital One 委託製作的品牌內容，並非 MIT Technology Review 編輯部的獨立報導。其框架與案例具有一定實務參考價值，但數據與結論均服務於 Capital One 的敘事立場，讀者應保持相應的解讀距離。

對亞太地區金融機構與科技決策者而言，這份報告真正值得提煉的訊號是：Agentic AI 在金融場景的競爭門檻，正在從「有沒有模型」轉移到「數據治理品質夠不夠」。Capital One 的案例顯示，能夠在統一數據層上構建多智能體工作流的機構，才有條件從單點自動化跨入端到端流程重塑。對於數據基礎設施仍高度分散的亞洲傳統金融機構來說，這個差距比模型能力本身更難在短期內彌補。