近三年詐騙金流急遽膨脹，警示帳戶數自2022年的六萬六千戶攀升至2024年初的十五萬戶，超出人工審查的承載範圍。金融機構因此加速導入人工智慧偵測系統，並在2025年九月使警示帳戶數量首次下降，顯示技術確實提升偵測效率。然而，技術提速並不代表制度風險同步降低。然而，技術提速並不意味制度風險同步減輕。對於資料量有限或行為特徵未納入主流樣本者而言，模型在收斂後反而更傾向將其判定為異常。
近期多起帳戶誤凍案例更凸顯此一問題。許多用戶並未進行任何異常交易，卻因收入來源多元、金流時間不固定或跨平台往來頻繁，被模型判定為高風險。普發現金入帳、兼職所得、外送費用、學費繳納與臨時工薪資等日常情境都可能觸發警示，最終導致帳戶遭凍結。多數民眾是在交易受阻後才得知帳戶被鎖，而銀行往往僅以「系統判定」作為回應，使當事人既無從理解觸發原因，也難以掌握後續處理方式，困擾因而不斷累積。
AI確實提升了偵測效能，但同時也帶來資料偏誤、模型不透明、責任邊界模糊與金融排除等治理風險。尤其是非典型交易族群在數據中的代表性不足，其行為模式更容易被誤置於高風險區間。這些族群並非真正的詐騙來源，而是其生活型態尚未被模型充分學習，使系統難以準確辨識。外送員、網拍個體戶、學生、短租業者、家教、身障者及依賴單一薪資的受雇者皆屬此例，反映模型所依賴的資料結構仍無法全面容納現代經濟活動的多元樣態。
AI可以在數秒內完成凍結判定，但後續的解控、覆核與說明仍需依賴人工處理，兩者之間的速度差形成明顯的落差。金管會雖一再強調透明性、可解釋性、比例原則與問責的重要性，然而在實務上，民眾面臨的仍是程序延宕、資訊不足以及跨單位標準不一致。當凍結能在瞬間完成，而救濟卻必須以日甚至更長時間才能處理時，制度信任自然受到侵蝕。
台灣的AI防詐雖因技術導入使警示戶數開始下降，但在資訊揭露、程序透明與結果可解釋性上仍有明顯缺口。民眾感受到的往往不是技術的進步，而是不確定性累積的壓力。當事人若無法預期何時會被凍結、為何被凍結以及如何解除，技術尚未成熟所造成的摩擦與不便，便在日常金融互動中成為比詐騙本身更容易引發民怨的來源。
真正的挑戰不在於是否採用AI，而在於技術能否與人的行為脈絡與治理體系協調運作。任何模型都有侷限，無法覆蓋所有生活軌跡，而台灣多元且流動的經濟結構更放大這項限制。金融治理若要維持正當性，必須讓程序透明、結果可預期，而不是讓民眾在資訊不足下自行猜測系統邏輯。未來制度調整的核心，是讓凍結與解控具備一致且可理解的標準，而非成為難以掌握的行政程序。
AI防詐的問題不在模型，而在治理架構是否足以承接技術帶來的制度後果。效率可以靠模型提升，但信任只能靠制度支撐。只有在非典型族群不再因資料不足被誤列高風險，民眾能理解判斷依據並掌握解控流程，且風控能兼顧速度與比例時，AI才能成為可信賴的金融安全基礎設施。技術固然重要，但制度能否看見並容納那些最常被模型忽略的人，才是關鍵。 （相關報導： 電話為何響一聲就掛？專家曝背後目的：千萬不要接，一出聲就慘了，接了非常麻煩 ｜ 更多文章 ）
＊作者為大專院校兼任教師
