客戶 Ignite 演講：Emily Prince（LSEG Group Head of AI）與 OpenAI ☕ Buy me a coffee

🧑‍🏫 這是 OpenAI 的客戶分享場次。倫敦證券交易所集團 LSEG 的 AI 負責人 Emily Prince 分享她們怎麼把 AI 用在內部和客戶身上：把可信資料接進 ChatGPT、建立檢查品質的方法、訂治理規則，並推動員工改變心態。金融業規範多、容錯低，她們的做法對想在工作上認真用 AI 的人很有參考價值。

• 00:04 主持人 Nikolai Skobo 負責 OpenAI 歐洲 go-to-market 團隊，本場邀請歐洲金融服務業高層分享經驗
  ↳ 主持人 Nikolai Skobo 帶領 OpenAI 歐洲的 go-to-market 團隊，也就是負責把產品推向市場、和企業客戶談合作的人。這場請來歐洲金融業高層分享實戰經驗。
• 00:36 Emily Prince 是 LSEG 的 group head of analytics and AI；LSEG 為 FTSE 100 企業，約 44,000 家客戶、26,000 名員工、橫跨 170 個市場
  ↳ 講者 Emily Prince 在 LSEG（倫敦證券交易所集團）負責分析與 AI。LSEG 是 FTSE 100（倫敦股市前百大公司）成員，有 4.4 萬家客戶、2.6 萬名員工，橫跨 170 個市場。
• 01:06 LSEG 的角色是提供可信的金融資訊，包含底層資料、定價、市場模型（如風險模型），以及從清算到交易所的服務
  ↳ LSEG 賣的是「信得過的金融資訊」：原始數據、價格、計算風險的模型，還有從清算（確保買賣雙方完成交割）到交易所本身的服務。
• 01:36 她身兼兩職：一是 LSEG 內部如何用 AI，從「百花齊放」走向可規模化的影響；二是如何安全地用 AI 服務客戶
  ↳ 她一個人管兩件事。對內，讓各部門從各自零散試用 AI，變成能大規模做出成果。對外，確保用 AI 服務客戶時是安全的。
• 02:06 「LSEG everywhere」策略：不論使用者在哪裡、用什麼工具，都要有可信資訊作為依據
  ↳ 「LSEG everywhere」的意思是不要求客戶回到 LSEG 的系統，客戶在哪個工具上工作，LSEG 的可信資料就跟到哪裡，讓答案有憑有據。
• 02:37 與 OpenAI 合作推出 MCP，讓光是資料與分析業務就超過 33 PB 的資料能直接交到客戶手上
  ↳ MCP 是讓 AI 工具連接外部資料和功能的標準接口。LSEG 和 OpenAI 合作推出 MCP，把光是資料分析業務就超過 33 PB（約 3.3 萬 TB）的資料直接送到客戶手上。
• 02:37 使用者可在 ChatGPT 裡提問、建立報告，問的是以可信資料為基礎的具體問題，並搭配確定性的金融模型
  ↳ 使用者可以在 ChatGPT 裡問具體的金融問題、做報告。答案來自可信資料，再搭配確定性模型，也就是用固定公式計算、同樣輸入一定得到同樣結果，不靠 AI 自由發揮。
• 03:08 目標是讓 AI 不只是一般的資訊摘要，而是真正改變工作方式
  ↳ 她要的不是「幫我摘要新聞」這種泛用功能，而是讓 AI 真的改變分析師、銀行員每天做事的方法。
• 03:38 挑戰：LSEG 經歷多次併購、資料模型各不相同；解法是大力投入 API 策略，並以 MCP 作為關鍵突破
  ↳ LSEG 併購過很多公司，各家資料格式不一，很難整合。解法是大力把資料做成 API（程式之間取資料的標準窗口），再用 MCP 讓 AI 也能直接接上，這是關鍵突破。
• 04:09 跟一年前相比，現在最常掛在嘴上的是 evaluation framework，用來在規模化時維持品質、達成預期成果
  ↳ 和一年前比，她現在最常講的是 evaluation framework，也就是一套固定的檢測方法，用來確認 AI 大量上線後品質沒有走樣、真的達到預期效果。
• 04:40 必須明確知道要解決什麼問題，並針對財務、行銷、產品、工程，以及客戶端 IBD、管理、分析研究等不同 persona 定義成功
  ↳ 要先想清楚解決什麼問題。persona 指不同類型的使用者，例如內部的財務、行銷，或客戶端的 IBD（投資銀行部門）、研究分析師。每種人對「做得好」的定義都不同。
• 05:10 重點不只在選模型與使用的 harness，也大量投入評估框架，讓它能規模化，團隊才能快速前進
  ↳ 除了挑選模型和 harness（包在模型外面的工具、流程與設定），她們也花大量力氣建立評估機制。有標準能快速檢查，團隊才敢加快腳步。
• 05:40 採用 AI 的關鍵主要在文化與態度，而不只是技能；願意嘗試、實驗、玩的人進步幅度驚人
  ↳ 她觀察到，AI 用得好不好，關鍵在態度而不是技術底子。願意自己嘗試、實驗、玩玩看的人，進步幅度大到讓她驚訝。
• 06:10 親身例子：過去在銀行用 Excel 做對帳、除錯巨集；現在可以直接跟試算表對話
  ↳ 她以前在銀行用 Excel 對帳、修巨集（Excel 裡自動執行步驟的小程式），常修到頭痛。現在可以直接用說的，叫試算表做事。
• 06:41 搭配 MCP 可以 turnkey 存取可信資料，不需要花 6 個月做資料導入，以前要好幾小時的試算表工作現在可直接生成
  ↳ turnkey 是「拿到就能用」的意思。接上 MCP 後，不必再花半年做資料導入專案就能用到可信資料。以前要花好幾小時做的試算表，現在可以直接生成。
• 07:44 分析師過去的痛點：資料來源多、結構化與非結構化混雜，時間有限，只好習慣性只取部分資訊
  ↳ 分析師以前的難處是資料來源太多，有表格類的結構化資料，也有報告、新聞這類非結構化資料，時間又不夠，只好習慣只看其中一部分。
• 08:14 分析師其實想要所有資料，那些稍微不同角度的洞察能讓分析更有優勢，但前提是來源可信、不需大量前處理
  ↳ 分析師其實想看全部資料，因為別人沒注意到的細微角度正是優勢。但前提是資料可信，而且不用先花大把時間整理清洗。
• 08:14 AI 讓分析師可取用更多來源、維持標準，並把標準、政策、偏好規模化嵌入流程
  ↳ 有了 AI，分析師能一次看更多來源，品質標準也不會降低。公司還能把自己的規範、政策和偏好寫進流程，自動套用到每一份工作。
• 08:45 可以即時回饋、快速迭代，過去要花數小時甚至數天的工作大幅加速
  ↳ 做完馬上看到結果、馬上修改，來回調整很快。以前要花幾小時甚至幾天的工作，現在大幅縮短。
• 08:45 LSEG 是最早在 ChatGPT 上推出應用程式的金融服務機構之一
  ↳ LSEG 是最早在 ChatGPT 上推出自家應用程式的金融機構之一，代表她們很早就押注這個方向。
• 09:16 兼顧快速採用與管控是一場持續的拉鋸，做法是先抓出「no regret」的投資
  ↳ 既要衝得快又要管得住，兩邊一直在拉扯。她們的做法是先找出「no regret」的投資，也就是不管未來怎麼變，做了都不會後悔的事。
• 09:47 對 LSEG 來說，no regret 的投資是 API 與 MCP，因為這能區分「和工作相關的智慧」與「強大但很通用」的東西
  ↳ 對 LSEG 來說，不會後悔的就是 API 和 MCP。通用 AI 很強但偏泛用，接上專業資料後，才會變成真正懂這份工作的工具。
• 09:47 模型選擇上的通用性，以及周邊使用的 harness，都證明很有效
  ↳ 在模型選擇上保持通用、不綁死，再搭配合適的外圍工具與流程，這樣的做法已經證明很有效。
• 10:19 與 OpenAI 團隊互相推進，聚焦金融業特有問題：確定性作法、風險與法規相關工作流程
  ↳ 她們和 OpenAI 團隊互相推進，專攻金融業特有的難題：需要算得精準一致的地方、風險管理，以及和法規相關的工作流程。
• 10:50 AI 不是萬靈丹，很多前沿技術要多走一步才能真正套用到金融業
  ↳ AI 不是萬靈丹。很多最新技術直接拿來用還不夠，要再多做一步調整，才能真正放進金融業的工作裡。
• 11:21 開發週期從過去 PRD、intake 等冗長流程，變成大家一起快速建構與迭代的短週期
  ↳ 以前開發要先寫 PRD（產品需求文件）、走 intake（提需求、排隊審核）等冗長流程。現在大家一起動手做、邊做邊改，週期短很多。
• 12:22 很早就制定 responsible AI 原則與完整治理框架，刻意設計成讓團隊能安全地大規模創新，而不是綁手綁腳
  ↳ 她們很早就訂出 responsible AI（負責任使用 AI）原則和完整的治理規則。目的不是限制，而是像鷹架一樣，讓團隊能放心地大規模創新。
• 12:22 治理約 2 年前開始制度化；之前就有，但意識到創新規模後才更全面地建立
  ↳ 治理大約在兩年前正式制度化。之前就有規範，但看到創新的規模變大之後，才全面建立起來。
• 12:53 沒有另訂一整套新規則，而是檢視端到端的建構與服務流程加以調整，把治理嵌入日常工作流程
  ↳ 她們沒有另外訂一整套新規則，而是把從開發到服務客戶的整條流程檢視一遍、就地調整，讓治理成為日常工作的一部分。
• 13:25 工作流程壓縮是最複雜的議題之一：原本 10 人的工作可能變成 1～2 人、用一小部分時間完成，治理要跟著嵌入
  ↳ compression of workflows 指工作流程被大幅壓縮：原本 10 人做的事，可能變成 1～2 人、只花一小部分時間就完成。這很複雜，治理也得跟著放進新流程。
• 13:25 更大的挑戰是文化：興奮常伴隨恐懼，且外界對 AI 有很多誤解
  ↳ 比技術更難的是文化。大家對 AI 又興奮又害怕，外界對 AI 也有不少誤解。
• 13:56 目標是讓員工安全地參與、不被拋在後面，並用 AI 解決自己真正的問題，她認為這段旅程還在很早期
  ↳ 她希望每位員工都能安心參與、不被落下，用 AI 解決自己真正遇到的問題。她認為這段旅程才剛開始。
• 14:26 文化作法一：enablement，透過 ChatGPT 等讓員工擁有所有工具
  ↳ 第一個做法是 enablement（賦能），就是先把工具發到大家手上，例如提供 ChatGPT，讓每個人都有得用。
• 14:26 文化作法二：教育，並從認識與學習進一步走向實際動手做，解決自己和團隊的具體問題
  ↳ 第二個做法是教育，但不停在上課認識。要推動大家真的動手，用 AI 解決自己和團隊手上的具體問題。
• 14:57 給同業的建議：現在是該投入的時刻，也是身處這個產業最精彩的時刻
  ↳ 她給同業的建議：現在就是該投入的時候，這也是身在金融業最精彩的時刻。
• 15:27 她從業 20 年，認為金融業很多繁重流程是演化而來；應勇於自我顛覆，問是否真有法規原因必須如此
  ↳ 她入行 20 年，發現很多繁瑣流程是慢慢演化疊出來的，不一定必要。她鼓勵大家勇於推翻自己的做法，問一句：這真的有法規上的理由嗎？
• 15:58 沒有藍圖、書籍或先例可以參考，大家都在一起學習與創造
  ↳ 這件事沒有藍圖、沒有書可以參考，也沒有前例，大家都是邊學邊做，一起摸索出來的。

根據影片，LSEG 光是資料與分析業務就有多少資料量？