Resetování AI v bankovnictví: Od hype k ROI

Po letech intenzivních investic do AI začínají banky klást jinou otázku: ne co může AI dělat, ale proč se tak málo z toho přeložilo do měřitelného obchodního dopadu. V celé branži se pozornost přesouvá z teoretického potenciálu AI na jeho skutečný obchodní dopad, a pro mnoho bank jsou výsledky zatím smíšené.

“Resetování AI” odráží širší posun v přístupu bank k AI – odstup od experimentální fáze a zaměření na budování řešení, která přinášejí skutečné, měřitelné výsledky.

Když experimentování nepřeložilo se do dopadu

První vlna přijetí AI byla poháněna momentem, kdy manažeři zkoumali použití AI v oblasti zákaznického servisu, podávání, dodržování předpisů a operací. Zatímco inovace a investice byly vysoké, překlad do měřitelného provozního dopadu byl omezený.

V průběhu času se objevila jasná vzorce. Týmy budují silné pilotní projekty, ale tyto řešení zůstávají odpojená od denních pracovních postupů. Integrace s legacy systémy je složitější, než se očekávalo, data jsou nekonzistentní a vlastnictví mezi obchodními a technologickými týmy zůstává fragmentované. V mnoha případech nebyl problém samotné řešení AI, ale jeho neschopnost integrovat se do stávajících systémů a procesů.

Například banka může vytvořit model AI pro podporu rozhodování o úvěru, ale pokud jeho výstup není integrován do širšího pracovního postupu pro poskytování úvěrů, týmy stále tráví čas kontrolou, ověřováním a transakcemi na jeho výstupu, místo aby se soustředily na vyšší hodnotu analýzy a rozhodnutí založená na datech. Výsledkem je více činnosti, ale nutně lepší, efektivnější rozhodnutí o úvěru.

Zkušenosti prokázaly, že budování schopností AI a dodání obchodních hodnot nejsou totéž. Úspěch byl často měřen pomocí transakčních metrik, jako je počet spuštěných případů použití nebo automatizovaných procesů. Pozornost se musí přesunout k dosahování lepších obchodních výsledků, jako jsou zlepšená rozhodnutí o úvěru, urychlené procesy pro obchodníky, snížené náklady na dodržování předpisů nebo zpracování úvěrů a nakonec zlepšená horní linie.

Více disciplinovaný přístup se začíná vytvářet

Lidé v čele se stávají více vybíravými, soustředí se na menší soubor případů použití specifických pro doménu s jasným, měřitelným dopadem. Funkce, jako je podvod, KYC (Znáte svého zákazníka), inkaso a rozhodování o úvěru, se stávají prioritami, protože kombinují vysoké objemy s definovanými procesy a výsledky, které mají významný obchodní význam.

Programy AI jsou přeformulovány s obchodním problémem v centru diskuse. Startovním bodem je obchodní problém: Kde jsou neefektivnosti? Kde lze inspekci a analýzu prohloubit? Kde zpomalují rozhodnutí? Kde není riziko efektivně řízeno?

AI jako prostředník výsledků

Data se již dlouho stala strategickou prioritou. Bez čistých, konzistentních a dobře řízených dat i ty nejpokročilejší modely AI bojují s dodáním významných výsledků.

Pro mnoho institucí je nalezení způsobů, jak odemknout hodnotu z legacy prostředí prostřednictvím API, middleware a lepší architektury dat, prioritou před kompletní náhradou jádra, která je často nákladná, časově náročná a riskantní. Abyste mohli pokračovat, musí být AI začleněn přímo do denních pracovních postupů, spíše než zaveden jako samostatný nástroj nebo dashboard, kolem kterého musí zaměstnanci pracovat.

Jakmile se tyto základy dostanou do pořádku, banky začínají vidět jasné příklady AI, které dodávají hmotné výsledky.

Při KYC na začátku dokumentů a rozhodování o dokumentech AI výrazně snížilo čas na začátku, zatímco zlepšilo přesnost. Díky partnerství v oblasti digitální transformace vedl přední asijská banka ke snížení doby KYC o 50 %, snížení chybových sazeb o 67 % a snížení doby zpracování o více než polovinu. Kromě toho se jeho provozní náklady snížily o 15 % a úroveň přesnosti se zlepšila na 96 %.

Tento rozdíl nebyl způsoben pouze technologií, ale přístupem k procesu. Místo toho, aby se AI přidalo na stávající pracovní postupy, byl proces přepracován od začátku do konce. To je místo, kam se banky stále více zaměřují.

Podobný posun je na cestě ve finančních zločinech. Tradičně byla většina úsilí reaktivní, zaměřená na vyšetřování upozornění odeslaných po incidentech. Banky nyní používají AI k identifikaci vzorců, předvídání potenciálního podvodu a zmírnění rizik. Tento posun z reaktivního na proaktivní je místo, kde AI vytváří skutečnou hodnotu.

Lidský dohled se vyvíjí, nikoli snižuje

Ve vysoce regulovaném finančním sektoru mají rozhodnutí podstatné finanční a reputační důsledky. Regulátoři očekávají transparentnost a odpovědnost, což znamená, že lidský dohled zůstává nezbytný.

Jakmile AI přebírá opakující se a založené na pravidlech úkoly, role lidí se přesouvají směrem k výjimkám, komplexnímu rozhodování a dohledu. Místo zpracování transakcí se týmy stále více soustředí na kontrolu výstupů, zpracování okrajových případů, zajišťování kvality a zmírnění rizik.

V praktických termínech to znamená, že AI zpracovává rutinní a všední úkoly, zatímco lidé si ponechávají konečnou odpovědnost. Pozornost se přesouvá od objemově založené práce směrem k vylepšeným výsledkům s kvalitou rozhodnutí, kontrolou a regulatorní jistotou.

Riziko je centrální pro digitální ekosystém

Jakmile jsou modely AI nasazeny v měřítku, musí být neustále monitorovány, testovány a vylepšovány. Otázky kolem vysvětlitelnosti, zkreslení a dodržování předpisů nejsou druhotnými obavami, ale centrálními pro to, jak jsou tyto systémy hodnoceny.

Vlastnictví se rozšiřuje za hranice IT, s obchodními, riziky a týmy pro dodržování předpisů, které hrají mnohem aktivnější roli v tom, jak je AI nasazeno a řízeno. Bez silného řízení je důvěra v rozhodnutí založená na AI obtížně udržitelná. Organizace, které dělají největší pokroky, považují řízení, vysvětlitelnost a auditorské ověření za požadavky na design, nikoli následné myšlenky.

Co bude oddělovat lídry od ostatních

Instituce, které se posunou dopředu, budou ty, které zůstanou soustředěné – priorizují menší počet případů použití s jasným, měřitelným dopadem, úplně přepracovávají procesy, aby lépe využily AI, posilují své datové základy a budují řízení od samého začátku.

Jiní mohou pokračovat v experimentování, ale bez zaměřené disciplíny bude obtížnější přeložit úsilí do výsledků.

Co bude dál

Pokud uplynulé roky byly o prozkoumání potenciálu AI, následující fáze bude definována jeho dopadem na denní bankovní operace.

Debata se přesouvá z základní automatizace směrem k pokročilejším, agentním systémům, které mohou zpracovat vícekrokové procesy a učinit kontextuální rozhodnutí. Už vidíme tuto aktualizaci ve finančních zločinech, úvěrech a službách – a další krok je soustředit se na měřítko.

V velké míře závisí efektivní škálování na znalosti toho, kde autonomie dává smysl a kde je nutný zásah.

V procesech s nižším rizikem a vysokým objemem je více prostoru pro testování autonomního rozhodování. V oblastech s vyšším rizikem může model AI dodat první fázi výstupu, ale lidská inspekce a dohled zůstávají klíčové. Tento balanc bude formován rizikovou tolerancí, regulatorními očekáváními a tím, zda ekonomika dává smysl.

Schopnost škálovat efektivně a prokazovat měřitelný obchodní dopad je tím, jak se lídři budou odlišovat od ostatních. Instituce, které to udělají správně, budou ty, které zůstanou soustředěné na jasných obchodních výsledcích, investují do posilování svých datových základů a začleňují AI do svých hlavních pracovních postupů, místo aby je považovaly za samostatný nástroj. Stejně důležité je, že umístí správné řízení, aby neustále monitorovaly a vylepšovaly, jak tyto systémy fungují.

AI v bankovnictví je zde, aby zůstalo, ale již to není jen o přijetí pokročilých technologií. Je to o tom, jak tato technologie zlepšuje rozhodnutí, snižuje tření a dodává skutečnou hodnotu.