在現代金融的龐大體系中，合約審查是一項巨大的隱形成本。對於美國最大的銀行摩根大通而言，這項任務尤其艱鉅，其律師和貸款專員每年要花費長達36萬小時，相當於超過41年的不間斷工作，來審查商業貸款協議。這不僅耗費了每年約1.44億美元的勞動成本，也因流程緩慢而延遲了數周的交易進程，並潛藏着關鍵細節被遺漏的風險。為了應對這項挑戰，摩根大通沒有選擇單純增加人力，而是構建了一個人工智慧系統COIN（Contract Intelligence，智能合約模型），旨在將這項繁瑣的人工流程，轉變為幾乎即時完成的自動化任務。
筆者從事大學的AI研究員期間，看了不少應用案例，今次將簡單剖析COIN背後的技術邏輯、其所帶來的量化變革，並將此案例置於更宏大的AI戰略中解讀，探討其對整個金融產業乃至未來工作模式的一些啟示。
在引進AI之前，摩根大通的合約審查流程與大多數金融機構無異，皆為高度依賴人力的手動模式。律師團隊需要逐行閱讀文件，並依賴清單和個人經驗來標記重要或風險條款，這導致了多重痛點：
極度耗時且缺乏效率： 手動審查一份合約可能需要數周時間，延遲了貸款審批和商業交易的進程。
高錯誤率與營運風險： 長時間的重複性工作會導致人為疲勞，加上法律語言的複雜性，很容易造成錯誤，例如遺漏條款或誤解術語，可能導致數百萬美元的損失。
資源密集且無法擴展： 將熟練且薪酬高昂的法律專業人才鎖定在例行的文件審查上，不僅是巨大的資源浪費，也分散了他們對更高價值工作的注意力。
（Shutterstock）
COIN 定義人機協作新典範
面對傳統模式的困境，摩根大通於2016年推出了其內部自主研發的人工智慧平台COIN。這個系統的成功，得益於多種先進技術的精妙整合與協同運作：
技術核心解密： COIN最核心的能力，在於它並非使用通用的AI模型，而是基於數千份歷史合約進行了專業訓練。這使得AI能夠像人類一樣解讀合同，並準確掌握法律語言的上下文與細微差別，識別出通常只有專業律師才能理解的「賠償條款」或「不可抗力」等專業措辭。系統結合了多種演算法，包括使用無監督學習來自動發現法律文本中的模式，以及利用監督學習來判斷哪些條款重要或異常。此外，由於合約文件常以PDF或掃描件形式存在，COIN整合了光學字元辨識（OCR）技術，能夠將影像轉化為可編輯和可搜尋的文字數據。
流程再造——從非結構化到結構化： COIN的運作不僅僅是識別文字，其更深層的價值在於實現了流程再造。它將堆積如山的非結構化法律文本，轉化為可供資料庫和儀表板使用的結構化數據，並能自動產生摘要，如同一個高效的初級分析師。
人機協作的設計模範： 摩根大通在設計COIN時，始終將人類納入考量。這個系統的目標並非是完全取代律師，而是作為一個不知疲倦的「新同事」來增強他們的能力。COIN負責處理90%以上例行、重複性的審查工作，而將高風險或異常的合約預測提交給資深律師審查。這種人機協作模式，確保了重要決策仍由人類判斷，在效率與監督之間取得了完美的平衡。
（Shutterstock）
成效前所未有
這系統所帶來的成效是具體且可量化的，其影響力遠超單純的節省成本:
效率的飛躍： COIN的實施帶來了前所未有的效率提升。每年36萬小時的工作時間被節省下來，這相當於約170名全職員工一年的工作量。更具革命性的是過去需要數周才能獲得法律批准的交易，現在僅需數天，甚至數小時即可完成，COIN平均每份合約的解析速度可達到2毫秒。
成本與品質的保證： 從財務角度來看，這項工作每年節省了約1.44億美元的勞動成本。更重要的是AI不會疲勞，理論上也不會忽略任何細節。COIN的實施使這些合約中的常規錯誤減少了80%，從而大幅降低了貸款服務錯誤、糾紛與違規風險。此外，系統的準確性也使得誤報率顯著降低，內部測試中的誤報率減少了約6%。
摩根大通的案例為整個香港金融業的AI應用提供了寶貴的經驗，同時也揭示了潛在的挑戰與風險。
數據與隱私風險： AI系統依賴大量數據驅動，因此數據安全與隱私保護是關鍵。金融機構必須確保數據蒐集與處理符合法規，並實施嚴格的資料治理政策。
演算法黑箱與問責制： 複雜的AI模型可能缺乏透明度與可解釋性。這在法律、信用評估等領域會帶來法律與道德風險。因此，必須建立模型決策過程的透明化與可解釋性機制。
技術風險： 許多金融機構依賴第三方供應商，這會產生額外的「技術風險」。監管機構對此已有關注並提出指導原則，要求金融機構應當對第三方供應商進行嚴格的監督與評估。
這場AI應用的深遠意義在於，它重新定義了知識管理、風險控制與競爭力。COIN的存在，意味着交易可以更快完成，風險可以更早被發現，而人類專家則能將精力投入到需要策略制定和細緻判斷的工作。這種人機協作的模式，使得日後這類巨無霸公司能夠以卓越的速度和精準度處理更大的交易量，同時也提高了其ESG（環保、社會及公司管治）效益等，至於衍生了更多專業人士失業的問題只能於往後再探討罷。
