客戶 Ignite 演講：Ravneet Shah（Allica Bank CTO）與 OpenAI

🧑‍🏫 這支影片是 OpenAI 訪問英國 Allica Bank 技術長的對談，講一家受嚴格法規管的銀行，怎麼把 AI 用到整間公司。內容分三層：讓全員都用起來、重組團隊分工、用 AI 做出新產品。對想知道「AI 在真實公司裡到底怎麼落地」的人來說，這是很具體的案例。

• 00:05 主持人 Clem 來自 OpenAI 的 go-to-market 團隊；來賓 Ravneet 是 Allica Bank 的 CTO
  ↳ 主持人 Clem 在 OpenAI 的 go-to-market 團隊，這個部門負責把產品推到市場，並跟企業客戶合作。來賓 Ravneet 是 Allica Bank 的 CTO，也就是技術長，管公司整體技術。
• 00:05 Allica Bank 是一家 SME 銀行，2019 年取得銀行執照後在英國營運
  ↳ Allica 專做 SME（中小企業）的生意，2019 年才拿到銀行執照、在英國開業，是一家很年輕的銀行。
• 00:35 Allica 為英國 SME 提供貸款、企業活期帳戶與存款產品，主要賣點是「科技＋relationship banking」
  ↳ 它提供中小企業貸款、公司用的活期帳戶和存款。主打 relationship banking，意思是有固定專人長期照顧你、了解你的生意，再搭配好用的科技。
• 00:35 Clem 表示 Allica 是英國成長最快的 challenger bank 之一
  ↳ Clem 說它是英國成長最快的 challenger bank 之一。challenger bank 指新成立、想跟傳統大銀行搶客戶的新型銀行。
• 01:06 Allica 把 AI 用在業務的每個環節，包括產品開發、relationship management 和貸款作業
  ↳ AI 不是只放在某個部門試玩。從開發產品、客戶經理照顧客戶，到處理貸款，每個環節都有用上。
• 01:06 這場對談的目的是展示受監管的現代銀行如何用 AI 強化團隊，做得更快、更好，並把客戶服務好
  ↳ 這場對談想證明一件事：就算是受法規嚴格管理的銀行，也能用 AI 讓員工做得更快、更好，最後受益的是客戶。
• 01:36 Allica 從 2023 年開始導入 AI。初期犯過很多錯，也不確定有哪些使用情境、適合用在哪裡
  ↳ 他們 2023 年開始導入 AI，一開始也在摸索，犯過不少錯，連 AI 該用在哪、能解決什麼問題都不太清楚，並不是一開始就有完整藍圖。
• 02:08 第一個心得是全組織採用。學新技術之前得先「unlearn」舊做法，連出身技術背景的 CTO 自己也一樣
  ↳ 第一課是讓全公司都用起來。unlearn 指先放掉舊習慣、舊做法。連本來就懂技術的 CTO，也得重新調整自己的工作方式。
• 02:08 要讓 AI 規模化，營運、通路、技術、產品、財務等所有部門都必須採用 AI，並改變工作方式
  ↳ 只有 IT 部門用 AI，規模撐不起來。營運、通路、財務等每個部門都要用，而且不只是多一個工具，工作流程本身也要跟著改。
• 02:38 全組織採用率從去年約 25%，提升到現在 median workday 77%
  ↳ 全公司的 AI 使用率從去年約 25%，升到現在的 77%。median workday 指「典型的一個工作天」，意思是一般上班日裡大部分人都在用。
• 03:08 第二個重點是改造產品工程組織的 operating model。適合其他部門的做法，不一定適合產品工程 squad
  ↳ 第二課是改 operating model，也就是團隊怎麼分工、怎麼運作。其他部門的導入方法，搬到做產品、寫程式的 squad（小團隊）不一定行得通。
• 03:39 第三個重點是產品本身。傳統機器學習或軟體做不到的事，現在可以用 AI 做到
  ↳ 第三課是產品本身。以前靠寫死規則的傳統軟體或機器學習做不到的事，現在用 AI 做得到，所以能做出新類型的功能。
• 04:10 公司內部一再強調：要換個思路，用 agentic application 的方式打造應用程式
  ↳ 他們一直提醒內部，別只是在舊系統上加個 AI 按鈕，要用 agentic application 的思路重新設計。這類應用會讓 AI 自己判斷步驟、動手把任務完成。
• 04:10 Clem 提到 Allica 去年完成超過 3,700 次 deployment
  ↳ 去年他們做了超過 3,700 次 deployment。deployment 是把改好的程式正式上線給人用，次數多代表產品更新很頻繁。
• 04:40 團隊規模不大：約 100 名工程師，產品工程團隊（含產品、資料等）總共不到約 200 人
  ↳ 團隊其實不大：工程師約 100 人，加上產品、資料等人員，整個產品工程團隊不到 200 人。人不多也能有這麼高的產出。
• 04:40 過去採用 Spotify model：跨職能 squad 由產品、資料、前後端工程師與設計師一起組成
  ↳ 以前用 Spotify model：把產品、資料、前後端工程師和設計師湊成一個跨職能的 squad，一隊人就能負責一塊產品。
• 05:13 導入 AI 後調整編制：縮小 squad 規模並改稱 squadlets，每隊結構依產品複雜度與性質而定
  ↳ 有了 AI 之後，他們把 squad 縮小，改叫 squadlet（小小隊）。每隊放幾個人、配什麼角色，要看負責的產品多複雜，沒有固定公式。
• 05:45 過去需要的 hand-off 已經不再必要。公司改採 T-shaped model：一項深度專長，再擴展相鄰技能
  ↳ 以前工作要在不同角色之間 hand-off（交接），例如設計交給前端、前端再交給測試。現在改走 T-shaped：每人有一項專精，再往相關技能延伸。
• 06:15 把後端、前端和測試合併成單一角色；也把 product owner 與 product analyst 合併成一個角色
  ↳ 原本後端、前端、測試是三種人，現在合成一個角色。product owner（決定要做什麼）和 product analyst（分析需求）也合成一個。
• 06:47 部分 squadlet 只配置 product engineer，由同一人同時負責產品與工程
  ↳ 有些 squadlet 乾脆只配 product engineer，也就是同一個人既決定產品該怎麼做，也自己動手寫出來。
• 06:47 這種做法目前只在極少數 squadlet 試行，公司自認仍在轉型途中
  ↳ 不過這種極端配置目前只在很少數的小隊試行。他們自己也說還在轉型途中，還沒全面完成。
• 06:47 工程師現在已經能 ship code。今年底的目標是讓產品與設計人員也能把程式碼部署到 production
  ↳ 工程師本來就能 ship code，也就是把程式送出上線。今年底的目標是讓產品和設計人員也能把程式部署到 production，也就是客戶實際在用的正式環境。
• 07:18 部分 squad 已開始這樣做，但還沒達到理想程度。目前做得好的是大家都對這個改變感到興奮
  ↳ 有些隊已經開始這樣做，但還沒到理想狀態。目前最成功的是人的部分：大家對這個改變感到興奮，而不是抗拒。
• 07:48 Clem 指出，決策與推出產品所需的人都在同一 squad 內，產品從打造到發布不必離開 squad，因此能避開治理拖累、加快迭代
  ↳ 做決定和上線需要的人都在同一隊，不必一路找其他部門簽核，就少了 governance drag（層層審批造成的拖延），改版速度自然變快。
• 08:19 Clem：除了 unlearn，也要打散既有團隊結構再重建，才能配合新技術加速
  ↳ Clem 補充：光改個人習慣不夠，還要把原本的團隊架構拆掉重組。組織跟上新技術，速度才真的出得來。
• 08:50 貸款是核心業務，流程複雜且未自動化，需要和 introducer、broker 往來
  ↳ 貸款是核心業務，但流程複雜，很多還靠人工。過程中要跟 introducer 和 broker 往來，他們是幫客戶牽線、代辦貸款的仲介。
• 08:50 asset finance 部門的申請大多透過 email 進來。broker 不愛用入口網站，而且網站上的資料也常不完整
  ↳ asset finance 是幫企業融資購買設備、車輛等資產的貸款。這類申請多半用 email 寄來，仲介不愛上入口網站填，填了也常缺資料。
• 09:20 Allica 不強迫客戶改變習慣，而是改自己的流程：導入 agent 讀取 email 內容
  ↳ Allica 不逼仲介改用網站，而是改自己的流程：放一個 agent 去讀 email。agent 是能自己讀資料、做判斷並採取行動的 AI 程式。
• 09:20 agent 會找出缺漏資訊並向 broker 補問，資料齊全後才送進入口網站
  ↳ 這個 agent 會找出申請缺哪些資料，主動回信跟仲介補要，等資料齊了，才替他們把申請送進系統。
• 09:51 結合 deterministic 與 non-deterministic agent 後，部分申請的 time to decision 縮短到 7 分鐘或 12 分鐘以內
  ↳ 他們混用兩種 agent：deterministic 照固定規則跑，每次結果一樣；non-deterministic 由 AI 判斷，比較有彈性。部分申請從收件到做出決定只要 7 到 12 分鐘內。
• 10:22 過去軟體解決不了、只能人工處理的流程，現在會重新思考「agent 能在哪裡幫上忙」
  ↳ 以前軟體處理不了、只好靠人工的流程，他們現在會一個個回頭檢查，問「這裡能不能讓 agent 幫忙」。
• 10:22 這些做法都有 harness 把關，Ravneet 認為這方面機會很大
  ↳ 這些 agent 都有 harness 把關。harness 一般指包在 AI 外面、限制和監控它行為的控管機制，影片沒細講具體做法。Ravneet 認為這塊機會很大。
• 10:53 Clem：要在客戶所在之處服務他們，因為有些客戶願意改變、有些不願意
  ↳ Clem 說，客戶在哪就去哪服務。有些人願意改用新方式，有些人不願意，不能要求所有人配合你的系統。
• 10:53 Clem：像 Codex 這樣的工具，能輕鬆打造過去做不出來的技術
  ↳ Clem 提到 Codex。Codex 是 OpenAI 幫忙寫程式的 AI 工具，讓過去做不出來的技術，現在能輕鬆做出來。
• 11:54 relationship banking 是 Allica 的獨特賣點，所以公司決定不用對話式 chatbot 取代它
  ↳ 有專人照顧是 Allica 最大的賣點，所以他們刻意不用 chatbot（聊天機器人）取代真人客戶經理，免得丟掉自己的特色。
• 11:54 AI 的角色不是取代 relationship manager，而是提供他們關於客戶的洞察與資訊
  ↳ AI 不是來搶 relationship manager（負責長期經營客戶的客戶經理）的工作，而是幫他們整理客戶的狀況和重點。
• 12:26 Clem：這是在強化員工能力，讓他們和客戶相處的時間品質更好，專注在真正重要的工作上
  ↳ Clem 說，這是在幫員工加強能力，讓他們跟客戶相處的時間更有品質，把力氣放在真正重要的事情上。
• 12:57 用 AI 提供足夠的 context，讓 relationship manager 不必花大量時間蒐集客戶資料，可以直接主導對話
  ↳ AI 先把 context（背景資料，例如客戶近況、往來紀錄）準備好，客戶經理不用花大把時間翻資料，一坐下就能主導談話。
• 13:29 半年前公司還在實驗階段，現在產品工程已有明確方向
  ↳ 半年前他們還在東試西試，現在產品工程這塊已經有明確方向。
• 13:29 目標是讓去年 3,700 次 deployment 翻倍，但單純追數字可能變成在玩數字遊戲
  ↳ 目標是讓去年的 3,700 次上線翻倍。但他也提醒，只盯著次數，可能變成為了衝數字而衝數字。
• 14:00 真正的目標是增加 product increment，包括面向客戶的，也包括風險、合規、資安等內部的
  ↳ 真正要的是更多 product increment，也就是每次實際交付的產品改進。不只客戶看得到的功能，也包括風險、合規、資安等內部改善。
• 14:00 加速的同時，要維持服務速度，並維持、提升服務品質
  ↳ 速度加快的同時，服務速度不能掉，服務品質也要維持甚至更好，不能為了快而犧牲品質。
• 14:30 Clem 感謝 Ravneet 採用 OpenAI 技術，並提到雙方談過兩次，他已經給了兩三項 OpenAI 需要改進的回饋
  ↳ 最後 Clem 感謝 Ravneet 採用 OpenAI 的技術，也提到兩人談過兩次，Ravneet 已經給了兩三項 OpenAI 需要改進的意見。

Allica Bank 導入 AI 後，把縮小規模的團隊稱為什麼？