Πίσω από τους αριθμούς: Πώς η Τεχνητή Νοημοσύνη έγινε ο πιο κερδοφόρος “υπάλληλος” της χρηματοδότησης

Στα μέσα ενημέρωσης, η τραπεζική και, γενικότερα, η χρηματοδότηση συχνά απεικονίζονται ως άτομα με σοφιστικέ κοστούμια που λαμβάνουν επιχειρηματικές αποφάσεις από τα πάνω πατώματα ουρανοξυστών ή ως ταλαντούχοι εμπόροι που μπορούν να κατανοήσουν την κατάσταση της αγοράς από λίγες πληροφορίες. Καθώς είναι μια από τις πιο ισχυρές εικόνες της χρηματοδότησης, πολλές συζητήσεις για νέες τεχνικές λειτουργίες σε αυτό το πεδίο επικεντρώνονται σε το πώς θα αλλάξουν αυτή τη δουλειά στο μπροστινό μέρος.

Η Τεχνητή Νοημοσύνη δεν είναι εξαίρεση εδώ, και ένα τεράστιο μέρος των συζητήσεων γύρω από την υιοθέτησή της στη χρηματοδότηση επικεντρώνεται στο εάν οι πράκτορες θα αντικαταστήσουν τους εμπόρους ή εάν μπορούν να διαθέσουν κεφάλαια πιο αποτελεσματικά από τους συμβούλους. Ωστόσο, η πιο αποτελεσματική εφαρμογή της Τεχνητής Νοημοσύνης αποδείχθηκε να είναι πολύ μακριά από την γламούρ εικόνα που πολλοί την φανταζόμαστε. Στην πραγματικότητα, η τεχνητή νοημοσύνη γεννά περισσότερα χρήματα από αυτό που μπορεί να ονομαστεί η “βαρετή” πλευρά της χρηματοδότησης, τις ημερήσιες λειτουργίες.

Πού η Τεχνητή Νοημοσύνη Δημιουργεί Αξία

Το κύριο πλεονέκτημα της Τεχνητής Νοημοσύνης είναι ότι μπορεί να χειριστεί εργασίες πολύ φθηνότερα και αρκετές φορές γρηγορότερα από τους ανθρώπους. Και κάνοντας αυτό, γεννά πραγματικά κέρδος μέσω της αυξημένης λειτουργικής αποτελεσματικότητας.

Για παράδειγμα, με τη βοήθεια των εργαλείων Τεχνητής Νοημοσύνης, η Citigroup μείωσε τον χρόνο αναθεώρησης εγγράφων πριν από την άνοιξη του λογαριασμού από πάνω από μια ώρα σε μόλις 15 λεπτά. Φυσικά, η ταχύτερη λήψη αποφάσεων θα ευχαριστήσει τους πελάτες και μπορεί ακόμη και να τους κάνει πιο πιστοί. Αλλά ταυτόχρονα, αυτά τα 45 λεπτά μεταφράζονται σε εκατοντάδες χιλιάδες δολάρια σε οικονομίες για την τράπεζα, επειδή αυτά τα εργαλεία απελευθερώνουν ώρες μετά ώρες ανθρώπινης εργασίας για πιο σημαντική δουλειά.

Η Τεχνητή Νοημοσύνη βοηθά στην оптимποίηση του τεράστιου στρώματος της χρηματοοικονομικής γραφειοκρατίας και των εσωτερικών πλαισίων στα οποία βασίζονται οι εταιρείες. Αυτός είναι ο λόγος για τον οποίο οι πιο πολύτιμες περιπτώσεις χρήσης συχνά αποδεικνύονται να είναι πολύ μακριά από τις πιο θεαματικές. Αυτόνομες εμπορικές συναλλαγές ή ένα chatbot που προτείνει τις καλύτερες συναλλαγές σε έναν πελάτη μπορεί να ακούγεται εντυπωσιακό, αλλά οι αυτοματοποιημένες διαδικασίες KYC και έλεγχοι due diligence είναι πιθανό να φέρουν πολύ μεγαλύτερη οικονομική αξία σε μια τράπεζα ή μια χρηματοοικονομική εταιρεία.

Αυτό που λέει, όπως και με τη διαδικασία αναθεώρησης εγγράφων της Citigroup, τίποτα δεν εμποδίζει αυτές τις βελτιώσεις να ωφελήσουν τους πελάτες επίσης. Οι χρήστες μπορεί να εκτιμούν einen προσωπικό βοηθό Τεχνητής Νοημοσύνης σε μια εφαρμογή, αλλά θα την εκτιμούσαν ακόμη περισσότερο αν οι αποφάσεις για δάνεια μπορούσαν να μειωθούν από ημέρες σε λεπτά, ή αν οι συναλλαγές τους δεν είχαν σημειωθεί λανθασμένα ως απάτη, καθώς οι πιθανότητες αυτές μειώθηκαν κατά δεκάδες ποσοστιαίες μονάδες.

Πώς η Τεχνητή Νοημοσύνη έγινε ο πιο κερδοφόρος “υπάλληλος”;

Συνήθως, όταν η βάση πελατών μιας τράπεζας αυξάνεται, το προσωπικό της πρέπει να αυξηθεί σχεδόν αναλογικά. Ήταν αδύνατο να αναθεωρηθεί ένας αυξανόμενος αριθμός συναλλαγών και εγγράφων πελατών με την ίδια ομάδα. Οι διάφορες σύγχρονες τεχνολογικές λύσεις βοήθησαν μέχρι κάποιο σημείο, αλλά η επιχειρηματική ανάπτυξη οδήγησε ακόμη σε αύξηση του αριθμού των υπαλλήλων. Και όσο περισσότεροι υπάλληλοι έχει μια εταιρεία, τόσο περισσότεροι διευθυντές χρειάζονται και τόσο πιο ακριβό γίνεται να εποπτεύεται ολόκληρη η δομή.

Τώρα που έχει εμφανιστεί η Τεχνητή Νοημοσύνη, αυτό το πρόβλημα αρχίζει να εξαφανίζεται, καθώς λιγότεροι υπάλληλοι μπορούν ακόμη να εξυπηρετήσουν αποτελεσματικά einen αυξανόμενο αριθμό πελατών με τη βοήθεια των εργαλείων Τεχνητής Νοημοσύνης. Ορισμένες εταιρείες ήδη χρησιμοποιούν αυτή τη λογική: η Klarna, για παράδειγμα, έχει δηλώσει ότι ένας βοηθός Τεχνητής Νοημοσύνης μπορεί να κάνει τη δουλειά 700 ανθρώπων. Όποιο και να είναι το κόστος της εφαρμογής τέτοιων εργαλείων, είναι απίθανο να έρθει κοντά στα τακτά μισθώματα εκατοντάδων υπαλλήλων.

Ωστόσο, για να το κάνουν πραγματικά να λειτουργήσει, μια εταιρεία πρέπει να ενσωματώσει την Τεχνητή Νοημοσύνη σωστά στις ροές εργασίας της, πέρα από απλές πειραματικές διαδικασίες. Στη χρηματοδότηση, πολλά έργα παραμένουν ακόμη στην πειραματική φάση, η οποία φυσικά δεν μπορεί να γεννήσει πολλή αξία. Ενώ μια εταιρεία μπορεί να συζητάει εάν πρέπει να υιοθετήσει νέα όργανα ή πώς να κλιμακώσει τους πράκτορες Τεχνητής Νοημοσύνης, οι ανταγωνιστές της δεν θα παραμείνουν ακίνητοι, xây dựngοντας τις δικές τους ικανότητες Τεχνητής Νοημοσύνης αντ’ αυτού.

Η καθυστέρηση σε αυτό τον αγώνα θα οδηγήσει σε σημαντικές οικονομικές απώλειες. Για να være ακριβείς, οι εταιρείες που δεν θα μεταφέρουν τις λειτουργίες τους στην Τεχνητή Νοημοσύνη από νωρίς θα χάσουν μέχρι και 9% των κερδών τους. Το να φτάσουν πίσω από τέτοια μείωση αργότερα δεν θα είναι εύκολο, και απαιτεί από τις εταιρείες χρηματοδότησης να χτίσουν μια στερεή στρατηγική Τεχνητής Νοημοσύνης.

Πώς να Διακυβερνήσετε τις Αποφάσεις της Τεχνητής Νοημοσύνης

Εδώ έρχεται η μεγαλύτερη πρόκληση, επειδή η ενσωμάτωση των πρακτόρων Τεχνητής Νοημοσύνης στις χρηματοοικονομικές λειτουργίες αναπόφευκτα θα σημαίνει την ανάθεση κάποιας εξουσιοδότησης λήψης αποφάσεων σε αυτούς. Στη χρηματοδότηση, όπου η Τεχνητή Νοημοσύνη έχει γίνει ένα είδος ατελείωτης πηγής δωρεάν “νέων υπαλλήλων” με την оптимποίηση των βασικών εσωτερικών λειτουργιών, αυτό θέτει ένα σημαντικό κίνδυνο. Το πράγμα είναι, οι λάθη σε αυτό το είδος δουλειάς είναι συχνά τα πιο ακριβά.

Γενικά, οι ρυθμιστές εμποδίζουν τις χρηματοοικονομικές οργανώσεις από το να κάνουν κάτι ριψοκίνδυνο και να δημιουργούν κανόνες για να ελαχιστοποιήσουν τον πιθανό ζημιά. Ωστόσο, όταν πρόκειται για Τεχνητή Νοημοσύνη, η βιομηχανία κινείται πολύ γρηγορότερα από την εποπτεία,既然 μόνο ένα τέταρτο των αρχών συλλέγει δεδομένα για την उपयोग της Τεχνητής Νοημοσύνης από τις ρυθμιζόμενες οντότητες. Αυτό είναι σαφώς δεν είναι αρκετό για να跟ovat την αυξανόμενη Zahl των εταιρειών που προσθέτουν πράκτορες στις λειτουργίες τους.

Ως αποτέλεσμα, οι χρηματοοικονομικές εταιρείες πρέπει να βρουν τρόπους να ρυθμίσουν τα όργανα Τεχνητής Νοημοσύνης από μόνοι τους. Αυτό είναι κατανοητό,既然 οποιοδήποτε λάθος εδώ μπορεί να οδηγήσει σε ζημίες plusieurs εκατομμυρίων δολαρίων. Για παράδειγμα, στις σύγχρονες τράπεζες, οι πράκτορες έχουν περιορισμένες εξουσιοδότησεις, πολύ σαν τους πραγματικούς υπαλλήλους. Αν η Τεχνητή Νοημοσύνη εργάζεται με έγγραφα πελατών, δεν χρειάζεται το δικαίωμα να αλλάξει την κλάση κινδύνου του πελάτη. Ο πράκτορας έχει ανατεθεί ένα αυστηρό ρόλο λειτουργίας και δεν επιτρέπεται να το υπερβεί.

Ένας άλλος πιθανός και σίγουρα απαραίτητος μηχανισμός είναι η διατήρηση λεπτομερών εγγραφών όλων των ενεργειών της Τεχνητής Νοημοσύνης, ώστε αν συμβεί ένα λάθος, κάθε βήμα που έχει κάνει ο πράκτορας μπορεί να αναζητηθεί. Σε περιοχές όπως η KYC και η ανίχνευση απάτης, ερωτήσεις για έναν πελάτη μπορεί να ανακύψουν μήνες αργότερα, οπότε οι τράπεζες πρέπει απόλυτα να διατηρήσουν μια πλήρη εγγραφή της λογικής του βοηθού Τεχνητής Νοημοσύνης.

Η συμπεριφορά της Τεχνητής Νοημοσύνης μπορεί επίσης να δοκιμαστεί σε ένα sandbox. Η Τράπεζα της Αγγλίας, για παράδειγμα, έχει αρχίσει να προσομοιώνει συνεδρίες εμπορίου Τεχνητής Νοημοσύνης για να κατανοήσει πώς οι πράκτορες θα αλληλεπιδράσουν μεταξύ τους και με την πραγματική αγορά. Αυτό το τεστ βοηθά να αναγνωριστεί ακριβώς πού ο πράκτορας κάνει λάθη και να διορθωθεί το πρόβλημα πριν από την κυκλοφορία.

Τελικά, αξίζει να θυμηθούμε ότι κάθε απόφαση της Τεχνητής Νοημοσύνης πρέπει να επιβεβαιωθεί από έναν άνθρωπο, ο οποίος παραμένει υπεύθυνος για αυτή. Σε περίπτωση απωλειών, κανείς δεν θα αποδεχθεί την απάντηση “επειδή το μοντέλο αποφάσισε così”, και ένας ανώτερος διευθυντής πρέπει ακόμη να εγκρίνει τις ενέργειες της Τεχνητής Νοημοσύνης και να αναλάβει την ευθύνη για αυτές.

Από “Τράπεζες-εναντίον-Φιντέκ” σε “Γρήγορες-εναντίον-Αργές”

Η ρύθμιση της Τεχνητής Νοημοσύνης επίσης διαμορφώνει τον ανταγωνισμό στην χρηματοοικονομική αγορά. Οι πελάτες μπορεί να ευχαριστούν όταν το έγγραφό τους επεξεργάζεται 30 λεπτά γρηγορότερα, αλλά δεν θα είναι σίγουρα ευχαριστημένοι αν ένα robot Τεχνητής Νοημοσύνης καταστρέψει το ιστορικό πίστωσής τους ή τους κοστίσει χρήματα. Για να αποφευχθούν τέτοια προβλήματα, είναι πιο πιθανό να εμπιστευτούν τα χρήματά τους σε εταιρείες που εξηγούν την στρατηγική Τεχνητής Νοημοσύνης τους με διαφάνεια και ειλικρίνεια. Και οι οποίες, φυσικά, έχουν λιγότερα προβλήματα στη διαχείριση.

Οι εταιρείες Φιντέκ έχουν ένα σαφές πλεονέκτημα εδώ, απλώς και μόνο επειδή δεν είναι βαρυφορτωμένες με το βάρος των παλιών συστημάτων. Οι σύγχρονες εταιρείες Φιντέκ μπορούν να χτίσουν τις υπηρεσίες τους γύρω από την Τεχνητή Νοημοσύνη από την αρχή και να αυτοματοποιήσουν όλες τις διαδικασίες αμέσως. Το να χτίσεις κάτι νέο μπορεί να είναι πολύ πιο εύκολο από το να προσπαθήσεις να ενσωματώσεις πράκτορες Τεχνητής Νοημοσύνης σε οργανισμούς που εξακολουθούν να βασίζονται σε φαξ μηχανές και δεκαετίες παλιά συστήματα COBOL. Δεν είναι τύχη που σχεδόν το μισό των εταιρειών Φιντέκ έχουν ήδη φτάσει σε ένα προηγμένο στάδιο υιοθέτησης Τεχνητής Νοημοσύνης, σε σύγκριση με λιγότερο από το ένα τρίτο μεταξύ των παραδοσιακών χρηματοοικονομικών ιδρυμάτων.

Οι τράπεζες δεν είναι καταδικασμένες να εξαφανιστούν.毕竟, έχουν επιβιώσει από την Μεγάλη Κρίση, τις δεκαετίες του ’70, την Μεγάλη Ύφεση, και άλλα. Ξέρουν πώς να προσαρμοστούν στις αλλαγές. Επειδή της κληρονομιάς τους, έχουν συσσωρευτεί τεράστιες ποσότητες δεδομένων πελατών, κεφαλαίου και φήμης. Ωστόσο, για να χρησιμοποιήσουν αυτά τα πλεονεκτήματα με νόημα, πρέπει να ενσωματώσουν πλήρως την Τεχνητή Νοημοσύνη σε όλες τις διαδικασίες τους,既然 απλώς την προσθήκη σε ένα πλευρικό προϊόν δεν θα βοηθήσει πολύ.