Bag tallene: Hvordan AI blev finansens mest profitable “medarbejder”

I medierne bliver bank og bredere finans ofte portrætteret som mennesker i skarpe jakkesæt, der tager forretningsbeslutninger fra toppen af skyskrabere, eller begavede handlende, der kan forstå markedets tilstand fra lidt data. Da det er et af de mest kraftfulde billeder af finans, fokuserer mange diskussioner om nye tekniske funktioner i dette felt på, hvordan de vil ændre dette front-desk arbejde.

AI er ikke en undtagelse her, og en stor del af debatterne om dets adoption i finans centrerer sig om, hvorvidt agenter vil erstatte handlende eller om de kan allokerer kapital mere effektivt end rådgivere. Men den mest effektive anvendelse af AI viste sig at være langt fra det glamorøse billede, mange forestiller sig. I virkeligheden er kunstig intelligens med til at indbringe mere penge fra, hvad der kan kaldes den “kedelige” side af finans, den dag-til-dag drift.

Hvor AI faktisk skaber værdi

Det primære fordel af AI er, at det kan håndtere opgaver meget billigere og flere gange hurtigere end mennesker. Og ved at gøre det, genererer det bogstavelig talt profit gennem forbedret operationel effektivitet.

For eksempel reducerede Citigroup med hjælp af AI-værktøjer dokumentgennemgangstiden før kontoåbning fra over en time til kun 15 minutter. Naturligvis vil hurtigere beslutningstagning glæde kunderne og kan måske endda gøre dem mere loyale. Men samtidig oversætter disse 45 minutter sig til hundredtusinder af dollars i omkostningsbesparelser for banken, fordi disse værktøjer frigør timer af menneskelig arbejdskraft til mere vigtigt arbejde.

AI hjælper med at optimere det store lag af finansielle bureaukrati og interne rammer, som virksomheder afhænger af. Det er derfor, at de mest værdifulde anvendelsesområder ofte viser sig at være langt fra de mest spektakulære. Autonome handlende eller en chatbot, der foreslår de bedste tilbud til en kunde, kan lyde imponerende, men automatiserede KYC-procedurer og due diligence-tjek er sandsynligvis mere økonomisk værdifulde for en bank eller en finansielle virksomhed.

Det sagde, så er der intet, der forhindrer, at disse forbedringer også kan gavne kunderne. Brugere kan værdsætte en personlig AI-assistent i en app, men de ville værdsætte det endnu mere, hvis lånbeslutninger kunne reduceres fra dage til minutter, eller hvis deres transaktioner ikke blev forkert markeret som svindel, da sandsynligheden herfor blev reduceret med dusinvis af procentpoint.

Hvordan blev AI den mest profitable “medarbejder”?

Som regel, når en banks kundebase vokser, skal dens personale også vokse næsten proportionalt. Det var tidligere umuligt at gennemgå et stigende antal transaktioner og kundedokumenter med det samme holdstørrelse. Forskellige moderne tekniske løsninger hjalp til en vis udstrækning, men forretningsvækst førte stadig til en stigende antal ansatte. Og jo flere medarbejdere en virksomhed har, desto flere ledere har den brug for, og desto dyrere bliver det at overvåge hele strukturen.

Nu, hvor AI er dukket op, begynder dette problem at forsvinde, da færre medarbejdere stadig kan betjene en voksende kundebase med hjælp af AI-værktøjer. Nogle virksomheder bruger allerede denne logik: Klarna har for eksempel hævdet, at en AI-assistent kan udføre arbejdet for 700 mennesker. Uanset hvad omkostningerne ved at anvende sådanne værktøjer måtte være, er det usandsynligt, at de kommer nær de regulære lønudbetalinger til hundredvis af medarbejdere.

Men for at det faktisk kan fungere, skal en virksomhed integrere AI ordentligt i sine arbejdsprocesser, ud over blot eksperimenter. I finans er mange projekter stadig på pilotstadiet, hvilket åbenbart ikke kan generere megen værdi. Mens en virksomhed diskuterer, om den skal adoptere nye instrumenter eller hvordan den skal skala AI-agenter, står dens konkurrenter ikke stille og bygger deres egne AI-kapaciteter i stedet.

At blive efterudviklet i denne kapløb ville føre til betydelige finansielle tab. For at være præcis kunne virksomheder, der ikke kan flytte deres operationer over på AI-spor tidligt, tabe op til 9% af deres overskud. At indhente sådanne tab senere ville ikke være let, og det kræver, at finansielle virksomheder bygger en solid AI-strategi.

Hvordan man styrer AI-beslutninger

Her kommer den største udfordring, fordi indlejring af AI-agenter i finansielle operationer uundgåeligt ville betyde at delegerer nogen beslutningsmyndighed til dem. I finans, hvor AI er blevet en slags bundløs kilde til gratis “junior-medarbejdere” ved at optimere grundlæggende back-office-operationer, stiller dette en betydelig risiko. Det er, at fejl i denne type arbejde ofte er de dyreste.

Generelt forhindrer regulatørerne finansielle organisationer i at gøre noget risikabelt og opstiller regler for at minimere mulig skade. Dog, når det kommer til AI, bevæger industrien sig meget hurtigere end tilsyn, da kun en fjerdedel af myndighederne indsamler data om AI-brug fra regulerede enheder. Dette er åbenbart ikke nok til at følge med den voksende antal virksomheder, der tilføjer agenter til deres operationer.

Derfor må finansielle virksomheder selv finde måder at regulere AI-drevne instrumenter på. Dette er forståeligt, da enhver fejl her kan føre til milliontab. For eksempel gives agenter i moderne banker begrænsede tilladelser, ligesom rigtige medarbejdere. Hvis AI arbejder med kundedokumenter, har den åbenbart ikke behov for retten til at ændre en kundes risikoprofil. Agenten tildeles en streng operationel rolle og må ikke overskride den.

En anden mulig og nødvendig mekanisme er at holde detaljerede optegnelser over alle AI-handlinger, så hvis en fejl opstår, kan hver enkelt skridt, agenten har taget, spores. I områder som KYC og svindeldetektion kan spørgsmål om en kunde opstå måneder senere, så banker har absolut brug for at fastholde en komplet optegnelse over AI-assistentens logik.

AI-adfærd kan også testes i en sandkasse. Bank of England har for eksempel begyndt at simulere AI-handelssessioner for at forstå, hvordan agenter ville interagere med hinanden og med det virkelige marked. Sådanne tests hjælper med at identificere præcis, hvor en agent begår fejl, og løse problemet, før det kommer ud.

Til sidst er det værd at huske, at enhver AI-beslutning skal bekræftes af et menneske, der stadig er ansvarlig for den. I tilfælde af tab vil ingen acceptere svaret “fordi modellen besluttede så”, og en seniorleder skal stadig godkende AI-handlinger og tage ansvar for dem.

Fra “Banker-vs-Fintech” til “Hurtig-vs-Langsom”

AI-regulering former også konkurrencen på det finansielle marked. Kunder kan være glade, når deres dokument er behandlet 30 minutter hurtigere, men de vil sandsynligvis ikke være glade, hvis en AI-bot skader deres kreditværdighed eller koster dem penge. For at undgå sådanne problemer er de mere tilbøjelige til at stole deres penge til virksomheder, der forklarer deres AI-strategi åbent og ærligt. Og som selvfølgelig har færre problemer med at styre den.

Fintech-virksomheder har en åbenbar fordel her, blot fordi de ikke er belastet af byrden af legacy-systemer. Moderne fintech-virksomheder kan bygge deres tjenester omkring AI fra starten og automatisere alle processer med det samme. At bygge noget nyt kan være meget lettere end at integrere AI-agenter i organisationer, der stadig afhænger af faxmaskiner og årtiers gamle COBOL-systemer. Det er ikke underligt, at næsten halvdelen af fintech-virksomheder allerede har nået et avanceret stadium for AI-adopter, sammenlignet med under en tredjedel blandt traditionelle finansielle institutioner.

Banker er ikke dømt til udryddelse. De har overlevet den store depression, 1970’erne, den store recession, og mere. De ved, hvordan man tilpasser sig ændringer. Fordi de har en arv, har de samlet enorme mængder af kundedata, kapital og rygte. Dog skal de til at bruge disse fordele meningsfuldt, integrere AI fuldt ud over deres processer, da blot at tilføje det til et sideprodukt ikke ville hjælpe meget.