一疊厚厚的企業貸款合約，你其實只在乎到期日和利率，你會從第一頁開始翻嗎？

會吧，翻翻目錄，找到利率那一條，它寫「詳見附件三」；翻到附件三，又寫「依第 12 條定義」。律師：我想下班。

美國銀行 JPMorgan Chase（摩根大通）每年要處理大量企業貸款合約。合約讀錯一條，後面算利息、提醒還款可能會跟著錯下去；JPMorgan 在 2016 年年報裡說，貸款服務的錯誤裡，大約八成來自合約解讀錯誤。貸款服務指的是錢借出去之後的日常工作：算利息、寄繳款通知、追蹤還款。

同一份年報介紹了 COiN（Contract Intelligence，合約智慧）：用機器學習分析法律文件，從裡面抓出重要的數據和條款。機器學習的意思是，不靠工程師一條一條寫死規則，而是讓電腦從大量資料裡自己找出規律。年報特別寫，它用的是非監督式學習（Unsupervised Learning）：不先準備一堆「標好正確答案」的範例讓電腦照著學，而是讓它自己在大量文件裡找出哪些段落長得像、哪些寫法常一起出現。（你可以理解成它在沒有爸爸媽媽牽的情況下，自己在信義區亂逛）

這用到的是資訊擷取（Information Extraction）：從一大堆文字裡，找出事先指定好的欄位，整理成一張整齊的表。

它跟摘要很不一樣。摘要回答「這份合約大概在講什麼」；擷取回答的是一格一格的問題。拿貸款合約來舉例，欄位可能是「到期日是哪一天」「利率多少」「擔保品是什麼」（擔保品是借款人押給銀行的東西，還不出錢時，銀行可以拿它來抵債）。這三個欄位只是舉例，幫你想像擷取在找什麼；JPMorgan 沒有公開 COiN 實際抓的是哪些項目，真小氣。

怎麼擷取？

這類擷取系統通常分三步。

第一步，把合約變成電腦讀得懂的文字。紙本掃描進來只是一張圖，要先做文字辨識（OCR，Optical Character Recognition），把圖片裡的字認出來，變成可以搜尋、可以複製的文字。

第二步，找位置、認答案。先找出每個欄位可能出現在哪一段，再判斷那一段裡哪幾個字才是答案。假想一份合約寫著：「本合約於二〇二四年一月十日簽訂。本借款應於二〇二九年三月三十一日前清償完畢。」系統要知道「清償完畢」跟到期日有關，答案是第二句的日期，不是前一句的簽約日。

第三步，寫整齊。同樣是日期，有的合約寫「March 31, 2029」，有的寫「2029/3/31」，有的甚至寫「自撥款日起五年」，還得先找到撥款日才算得出來。系統要把它們換成同一種寫法，這一步叫正規化（Normalization），最後才填進表格。

JPMorgan 說，在第一階段，COiN 能從每年 1 萬 2 千份商業信貸合約（銀行借錢給企業時簽的合約）裡抓出 150 項相關資訊，幾秒鐘就完成；人工審閱的話，一年最多可能要花 36 萬小時。36 萬小時有多久？一個人不吃不睡、全年無休地讀，要讀 41 年；換成一年上班約 2,000 小時的全職員工，差不多是 180 個人讀一整年。

你知道 AI 也會犯錯

填錯的一格，跟填對的一格長得一模一樣，都是整整齊齊的日期和金額。

合約也不一定照常理寫：同一件事換個說法、條款被後來的修正協議改掉（雙方事後另簽一份文件，改掉原合約的某幾條）、關鍵數字藏在附件裡。模型如果只學過常見寫法，就可能抓到舊的那一條，或乾脆漏掉。

而且量很大。1 萬 2 千份合約、每份 150 項，一年就是 180 萬格。這張表不是拿來看看而已，它會被拿去算利息、排還款提醒。以前是某位律師讀錯一份；現在換成機器，同一種寫法的合約，可能整批填錯同一格。

它不會主動告訴你的，是哪一格其實是猜的。除非系統設計時就要它附上把握程度，否則在表格上，猜的和確定的長得一樣。

所以比較實在的分工，是讓機器先填，人把力氣留給最容易出事的那幾種合約、AI 說他不太確定的那幾個欄位。AI 把人從一頁頁看救出來，人接下來的工作，是回頭拉 AI 一把。

延伸討論

你的工作裡，有沒有哪一種文件，你每次都要翻很久，只為了找其中幾個數字？

來源（查證日 2026/11/08）：

• Letter from Matt Zames, Chief Operating Officer（JPMorgan Chase 2016 年報）（在新分頁開啟）
• JPMorgan Chase uses tech to save 360,000 hours of annual work by lawyers and loan officers（ABA Journal）（在新分頁開啟）・2017/03/02
• 什麼是智慧文件處理？（AWS）（在新分頁開啟）

文／上哲（ChatGPT 協力）