Barclays 擴大導入 Anthropic Claude,目標 2027 年半數開發者使用 AI
文章摘要
巴克萊銀行宣布擴大與 Anthropic 的合作,預計 2026 年底前 Claude Code 的開發者採用率將達 50%,2027 年進一步覆蓋多數軟體工程師。此次導入旨在加速軟體開發、現代化舊有系統並提升營運效率,透過 AI 代理技術協助工程師進行程式建構、測試與安全維運,將專業人力集中於解決複雜技術難題。
在客戶服務與營運應用方面,巴克萊已於 2025 年啟用由 Claude 驅動的「同事知識助手」,目前超過 16,000 名員工使用該工具服務英國逾 2,000 萬名零售客戶,並已處理超過 100 萬次搜尋請求。此外,全球市場部門利用 Claude 模型自動化處理日常郵件,系統每日處理約 12 萬封郵件,負責分類、內容增強與路由分配,顯著降低人工處理負荷。
為應對高度監管的金融環境,巴克萊強調導入過程採嚴謹治理、安全控制與人為監管機制。此項轉型計畫不僅是技術採納,更期望透過簡化流程與決策過程,在確保資訊安全與組織治理的前提下,提升技術開發與維運效率,進而優化客戶與合作夥伴的體驗。
在客戶服務與營運應用方面,巴克萊已於 2025 年啟用由 Claude 驅動的「同事知識助手」,目前超過 16,000 名員工使用該工具服務英國逾 2,000 萬名零售客戶,並已處理超過 100 萬次搜尋請求。此外,全球市場部門利用 Claude 模型自動化處理日常郵件,系統每日處理約 12 萬封郵件,負責分類、內容增強與路由分配,顯著降低人工處理負荷。
為應對高度監管的金融環境,巴克萊強調導入過程採嚴謹治理、安全控制與人為監管機制。此項轉型計畫不僅是技術採納,更期望透過簡化流程與決策過程,在確保資訊安全與組織治理的前提下,提升技術開發與維運效率,進而優化客戶與合作夥伴的體驗。
AI 大叔解析
【核心判斷】
巴克萊銀行(Barclays)並非盲目追求 AI 熱潮,而是透過「分階段、場景化」的部署策略,將 Claude 整合至既有的核心業務中;從 2025 年上線的「同事知識助手」與每日處理 12 萬封郵件的自動化作業來看,銀行已明確將 Claude 定位為減輕例行作業負荷的代理人(Agentic capability),目標在 2027 年將 Claude Code 推向多數軟體工程師,以解決遺留系統(Legacy systems)現代化與軟體開發瓶頸。
【毒舌吐槽】
看到「目標 2027 年半數工程師採用」這種標準的企業 KPI,資深工程師通常會先笑而不語。要在一個高度監管、充滿各種百年遺留代碼(Spaghetti code)的金融巨頭內部推動 AI 寫程式,難度絕對比發幾封行銷郵件高出好幾個維度。所謂的「AI 代理」,最後是變成提升生產力的神隊友,還是產生一堆需要人工反覆修補的「AI 幻覺代碼」,這才是檢驗 Anthropic 這套企業級解決方案是否有真本事的關鍵。畢竟在銀行業,一個 bug 的成本不是重開 IDE 能解決的,那是會賠掉信譽的代價。
【為什麼重要?】
對於巴克萊這類全球性金融機構而言,導入 AI 的技術挑戰不在於模型本身的能力,而在於如何將 Claude 的 RAG(檢索增強生成)架構安全地串接進複雜的內網環境。目前 Claude 已在 16,000 名員工的知識輔助場景中處理過百萬次搜尋,證明了其在知識檢索方面的穩定性,這對需要快速回應 2,000 萬名零售客戶需求的銀行來說,確實具備將「查詢時間」轉化為「回應效率」的直接商業價值。
此外,將每日 12 萬封市場部門郵件轉交由模型處理,是一個非常務實的「Infra 減壓」案例。這類任務過去常需依賴龐大的客服或營運人力,現在透過分類、內容增強與路由分配,將流程自動化,讓高薪的技術專家得以脫離瑣碎的維運地獄,這是企業規模化應用 AI 時最該有的樣子——不是為了換掉人,而是把人的時間花在更有價值的地方。
【影響對象與建議】
1. 企業內部軟體架構師:在將 AI 整合進 CI/CD 流程前,務必先建立嚴格的「人為監管」與測試機制。不要期待 AI 能直接重構複雜的遺留系統,應先將其用於代碼審查與測試自動化等高重複性任務。
2. 金融業資訊安全官(CISO):面對企業級 AI 部署,應優先關注訓練數據的隱私邊界,並確保所有代理行為皆有稽核軌跡(Audit Trail),以符合高度監管的合規需求。
【逆風觀點】
原文雖強調 2027 年達成多數工程師使用的目標,但未提到針對「代碼安全性」與「技術債累計」的具體評估量表。AI 寫 code 越快,如果不搭配相應的自動化測試覆蓋率,技術債的累積速度極可能超過現代化系統的開發速度,此風險在原文中尚未體現。
巴克萊銀行(Barclays)並非盲目追求 AI 熱潮,而是透過「分階段、場景化」的部署策略,將 Claude 整合至既有的核心業務中;從 2025 年上線的「同事知識助手」與每日處理 12 萬封郵件的自動化作業來看,銀行已明確將 Claude 定位為減輕例行作業負荷的代理人(Agentic capability),目標在 2027 年將 Claude Code 推向多數軟體工程師,以解決遺留系統(Legacy systems)現代化與軟體開發瓶頸。
【毒舌吐槽】
看到「目標 2027 年半數工程師採用」這種標準的企業 KPI,資深工程師通常會先笑而不語。要在一個高度監管、充滿各種百年遺留代碼(Spaghetti code)的金融巨頭內部推動 AI 寫程式,難度絕對比發幾封行銷郵件高出好幾個維度。所謂的「AI 代理」,最後是變成提升生產力的神隊友,還是產生一堆需要人工反覆修補的「AI 幻覺代碼」,這才是檢驗 Anthropic 這套企業級解決方案是否有真本事的關鍵。畢竟在銀行業,一個 bug 的成本不是重開 IDE 能解決的,那是會賠掉信譽的代價。
【為什麼重要?】
對於巴克萊這類全球性金融機構而言,導入 AI 的技術挑戰不在於模型本身的能力,而在於如何將 Claude 的 RAG(檢索增強生成)架構安全地串接進複雜的內網環境。目前 Claude 已在 16,000 名員工的知識輔助場景中處理過百萬次搜尋,證明了其在知識檢索方面的穩定性,這對需要快速回應 2,000 萬名零售客戶需求的銀行來說,確實具備將「查詢時間」轉化為「回應效率」的直接商業價值。
此外,將每日 12 萬封市場部門郵件轉交由模型處理,是一個非常務實的「Infra 減壓」案例。這類任務過去常需依賴龐大的客服或營運人力,現在透過分類、內容增強與路由分配,將流程自動化,讓高薪的技術專家得以脫離瑣碎的維運地獄,這是企業規模化應用 AI 時最該有的樣子——不是為了換掉人,而是把人的時間花在更有價值的地方。
【影響對象與建議】
1. 企業內部軟體架構師:在將 AI 整合進 CI/CD 流程前,務必先建立嚴格的「人為監管」與測試機制。不要期待 AI 能直接重構複雜的遺留系統,應先將其用於代碼審查與測試自動化等高重複性任務。
2. 金融業資訊安全官(CISO):面對企業級 AI 部署,應優先關注訓練數據的隱私邊界,並確保所有代理行為皆有稽核軌跡(Audit Trail),以符合高度監管的合規需求。
【逆風觀點】
原文雖強調 2027 年達成多數工程師使用的目標,但未提到針對「代碼安全性」與「技術債累計」的具體評估量表。AI 寫 code 越快,如果不搭配相應的自動化測試覆蓋率,技術債的累積速度極可能超過現代化系統的開發速度,此風險在原文中尚未體現。