避險基金 Bridgewater 和 Thinking Machines Lab 公開了一組測試，結論對所有想把 AI 接進財務工作的公司都很有用：他們用六項真實的財務資訊篩選任務去考前沿 AI，直接丟提示詞只考到約 50 分，就算讓投資專家寫精細的提示，也只拉到約 78 分——還是過不了他們設定的 80 分「投資人日常敢信任」門檻。反而是拿 Bridgewater 專家標籤微調的一個較小模型，做到了約 85 分，而且每次推論的成本便宜約 13.8 倍。
關鍵在失分的原因。前沿模型不是不懂財務常識，而是這些任務的正確答案，取決於 Bridgewater 內部多年累積、從沒公開的判斷流程。模型再聰明，也猜不到「這家公司覺得哪個細節重要」。
所以這件事真正的教訓，不是網路標題愛寫的「開源小模型打贏 GPT、Claude」。它想說的是：當一個任務依賴你公司自己的判斷，再強的通用模型都不該被直接信任。而對台灣的金融業，這句話還有一層——它不只是最佳實務，已經是金管會白紙黑字的合規要求。
這個測試證明了什麼，不證明什麼
先把數字的意義講清楚。47 分到 78 分那段差距，是「好的提示工程真的有用」；但 78 分卡在 80 分門檻下，說明光靠提示還不夠。而 85 分是「用自家判斷資料微調」換來的，代價是你得先有那批標好的資料。Bridgewater 的做法也值得學：先用便宜的外部標註跑一個初階模型，再把和標註衝突的案例交給專家覆核，用比較省的方式生出高品質評測資料。
但要克制兩種誤讀。第一，這不是通用模型排行榜——那個 85 分只在這六項任務、加上他們自家的訓練配方成立，換個題目不一定。第二，這更不是投資建議。比較安全的讀法是那句話：知識密集的團隊，最值錢的資產常常是自家的判斷資料，不是買一個更貴的模型。
在台灣，這已經是合規要求，不只是建議
台灣讀者最該知道、外電卻不會提的一點：金管會其實早就把這個道理寫進法規。金管會在 2024 年 6 月發布的「金融業運用人工智慧指引」，六大原則裡就包含治理問責、公平性、透明可解釋。其中針對第三方生成式 AI 更有一條幾乎是 Bridgewater 故事的台灣版：金融機構若無法掌握模型的訓練過程、無法確保結果符合公平性，仍必須由自己的人員就風險做客觀且專業的管控。
翻成白話：你不能把判斷外包給一個看不懂你業務、也無法稽核的外部模型。這正是 Bridgewater 測試演出來的事——而在台灣，做不到這件事不只是品質問題，是合規問題。近期金管會還在推「用 AI 稽核 AI」的機制，並把代理型 AI 納入監理強化，方向只會越來越嚴。
台灣金融業其實已經在走這條路
這不是空談。金管會 2025 年的調查顯示，已導入 AI 的金融機構達 126 家、約占三成三，其中銀行採用率最高、約 87%；已導入生成式 AI 的有 61 家、占用 AI 業者的約 48%。而業者對生成式 AI 最擔心的三件事，恰好是產出不穩定或有誤、資料安全與隱私、以及合規——跟 Bridgewater 測試點出的「準確率天花板」完全對上。
實際應用也多集中在能驗收、風險可控的地方。台北富邦銀行的反詐「鷹眼計畫」就是一例，靠模型提前偵測異常帳戶、擋下大量可疑交易，把人工審核量大幅壓低。更值得注意的是，金管會指導、十六家金融機構共建的「金融大語言模型」專案，本身就是「用台灣自己的銀行知識去訓練模型」——跟 Bridgewater 同一套邏輯。台灣不是旁觀者，是已經在做私有評測與私有訓練的一員。
一般企業怎麼做：把導入順序倒過來
就算你不是金融業，這套做法一樣適用，而且很多公司順序做反了——先上線、出事再補評測。應該倒過來。
先挑一個高頻、規則相對清楚的任務，例如篩新聞、分類客訴、標記文件。從自家已經完成、有正確答案的舊案例裡，整理出三十到一百筆，做成一份私有評測集。然後讓模型跑這批舊案例，只看三件事：它漏了什麼、真人修補要花多久、錯誤能不能用規則或標籤降低。這一步同時是品質測試，也是日後符合金管會「人員管控」要求的稽核底稿。
有了評測數字，才有資格決定下一步：分數夠高就用提示詞加人工確認上線；差一截就先做影子測試（讓模型處理舊案例但不影響正式決策）；只有在私有判斷資料夠多、錯誤代價夠高時，才值得走到微調或訓練專用模型。沒有評測集就直接上線，等於把無法稽核的判斷外包給一個看不懂你業務的模型。
想把任務拆成可驗收的形式，可用 企業 AI Agent 檢查清單；資料該不該進雲端、要不要自架的取捨，見 Mistral 警告閉源 AI 的資料分層做法；真的要評估自訓，再看 開放權重模型的門檻。
常見問題
這代表金融工作會被 AI 取代嗎？
不能這樣讀。測試反而顯示，最需要公司內部判斷的財務任務，連最強的前沿模型都過不了可信門檻。它證明的是「私有判斷很難被通用模型複製」，也就是專家的判斷更值錢，而不是更容易被取代。真正會改變的是工作方式：人從「自己做」變成「設計評測、審核模型輸出」。
開源小模型真的比 GPT、Claude 強嗎？
只在很窄的條件下。那個較小模型是用 Bridgewater 的私有專家標籤微調出來的，而且只在這六項特定任務上勝出，換個題目、沒有那批資料就不成立。這不是通用能力的比較，別把它讀成「開源全面打贏閉源」。它真正說明的是：私有資料加微調，能在特定任務上超過更貴的通用模型。
一般公司沒有專家標註資料，怎麼做私有評測？
從你已經完成、有正確結果的舊案例開始。挑一個高頻任務，整理三十到一百筆舊案例當答案，讓模型跑一遍，比對它和你團隊的判斷差在哪。可以參考 Bridgewater 的省力法：先用便宜的方式粗標，再把有爭議的案例交給內部有經驗的人覆核，慢慢養出一份夠用的評測集。