Capital One 以「顧客反推工程」為方法論，推進 Agentic AI 落地金融服務

這篇文章是 MIT Technology Review 與 Capital One 合作的贊助內容，核心命題是：大型企業的 AI 轉型失敗率居高不下，根本原因不在技術，而在於開發邏輯倒置——從技術能力出發找應用，而非從顧客需求反推解法。Capital One 業務卡與支付技術部門負責人 Ashish Agrawal 以該行的實踐為例，闡述「顧客反推工程（customer-back engineering）」如何與 Agentic AI 結合，重塑金融服務流程。

McKinsey 數據指出，企業平均只能兌現數位投資預期價值的不到三分之一。Capital One 的應對方式是制度性地拉近工程師與顧客的距離：每位工程師全年須完成數個顧客接觸點，形式包括觀察用戶操作摩擦的數位同理心會談、嵌入客服一線、隨行業務拜訪，以及以真實顧客問題為命題的黑客松。這不只是文化倡議，而是被量化納入工程師工作目標的結構性要求。

在具體產品上，Capital One 開發了名為 Chat Concierge 的多代理人 AI 框架，應用於汽車買賣場景。這個系統能在單一對話中完成車輛比較、預約試駕、轉接業務人員等跨任務操作，透過經銷商網站直接面向買家，同時提供 Navigator Platform 讓經銷商端接管對話。Agrawal 特別強調，這類解法的前提是「高品質、有治理的資料生態」——沒有乾淨的資料層，Agentic AI 的感知、推理與執行迴圈無從運作。

從 MIT Technology Review Insights 的調查數據看，70% 的企業領導者表示已在某種程度上使用 Agentic AI；在銀行業，75% 的高管預期繼續深化詐欺偵測，51% 鎖定顧客體驗改善。這些數字描繪的不是概念驗證階段，而是規模化部署的前夜。

需要說明的是，這篇文章本質上是贊助內容，策展入選理由卻標注為「DeepSeek 一年後中國 AI 生態開源、低價策略加速成形，正面挑戰美國主導地位」——兩者之間並無實質關聯。文章內容與中國 AI 生態、開源策略或地緣競爭完全無涉，是一篇聚焦美國金融機構內部工程方法論的企業案例。

即便如此，文章本身對亞太金融業決策者仍有參考價值，但要從正確的角度切入。Capital One 的案例揭示的核心張力是：Agentic AI 的技術門檻在下降，但能否真正產生業務價值，取決於資料治理與組織設計，而非模型本身的能力。對於正在規劃 AI 落地的亞太銀行與金融科技公司而言，這個教訓比任何技術規格都更值得參照——尤其是那些資料仍分散在多套核心系統、尚未完成統一的機構。工程師離顧客有多近，往往決定了 AI 投資能兌現多少。