Πίσω από τα Νούμερα: Πώς η Τεχνητή Νοημοσύνη Έγινε ο Περισσότερο Κερδοφόρος “Υπάλληλος” της Χρηματοοικονομίας

Στα μέσα ενημέρωσης, η τράπεζα και, γενικότερα, η χρηματοοικονομία συχνά απεικονίζονται ως άτομα με σοφιστικέ δερμάτινα παπούτσια που λαμβάνουν επιχειρηματικές αποφάσεις από τα πάνω πατώματα ψηλών κτιρίων ή ως ταλαντούχοι εμπόροι που μπορούν να κατανοήσουν την κατάσταση της αγοράς από λίγες πληροφορίες.既然 ότι είναι μια από τις πιο ισχυρές εικόνες της χρηματοοικονομίας, πολλές συζητήσεις για новые τεχνικές λειτουργίες σε αυτό το πεδίο επικεντρώνονται στο 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 χρηματοοικονομία επικεντρώνονται στο εάν οι πράκτορες θα αντικαταστήσουν τους εμπόρους ή εάν μπορούν να διανείμουν κεφάλαια πιο αποτελεσματικά από τους συμβούλους. Ωστόσο, η πιο αποτελεσματική εφαρμογή της Τεχνητής Νοημοσύνης αποδείχθηκε να είναι πολύ μακριά από την γламουρή εικόνα που πολλοί την εννοούν. Στην πραγματικότητα, η τεχνητή νοημοσύνη φέρνει περισσότερα χρήματα από αυτό που μπορεί να ονομάζεται η “βαρετή” πλευρά της χρηματοοικονομίας, τις ημερήσιες λειτουργίες.

Πού Η Τεχνητή Νοημοσύνη Δημιουργεί Αξία

Το κύριο πλεονέκτημα της Τεχνητής Νοημοσύνης είναι ότι μπορεί να χειριστεί εργασίες πολύ φθηνότερα και πολλές φορές γρηγορότερα από τους ανθρώπους. Και κάνοντας così, δημιουργεί κυριολεκτικά κέρδη μέσω της αυξημένης λειτουργικής αποτελεσματικότητας.

Για παράδειγμα, με τη βοήθεια εργαλείων Τεχνητής Νοημοσύνης, η Citigroup μείωσε τον χρόνο αναθεώρησης εγγράφων πριν από την άνοιξη του λογαριασμού από πάνω από μία ώρα σε μόλις 15 λεπτά. Φυσικά, τα γρηγορότερα αποφασιστικά θα ευχαριστήσουν τους πελάτες και μπορεί ακόμη και να τους κάνουν πιο πιστούς. Αλλά ταυτόχρονα, αυτά τα 45 λεπτά μεταφράζονται σε εκατοντάδες χιλιάδες δολάρια σε οικονομίες κόστους 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 αποδείχνονται να είναι πολύ μακριά από τις πιο θεαματικές. Αυτόνομες εμπόρεις ή ένα chatbot που προτείνει τις καλύτερες συμφωνίες σε έναν πελάτη μπορεί να ακούγεται εντυπωσιακό, αλλά αυτοματοποιημένες διαδικασίες KYC και έλεγχοι due diligence είναι πιθανό να φέρουν πολύ μεγαλύτερη οικονομική αξία σε μια τράπεζα ή μια χρηματοοικονομική εταιρεία.

Αυτό που λέγεται, δεν υπάρχει τίποτα που να εμποδίζει αυτές τις βελτιώσεις να ωφελήσουν τους πελάτες επίσης. Οι χρήστες μπορεί να εκτιμήσουν einen προσωπικό βοηθό Τεχνητής Νοημοσύνης σε μια εφαρμογή, αλλά θα το εκτιμούσαν ακόμη περισσότερο αν οι αποφάσεις για δάνεια μπορούσαν να μειωθούν από ημέρες σε λεπτά, ή αν οι συναλλαγές τους δεν είχαν σημαδέψει λανθασμένα ως απάτη, καθώς οι πιθανότητες αυτές μειώθηκαν κατά δεκάδες ποσοστιαίες μονάδες.

Πώς Η Τεχνητή Νοημοσύνη Έγινε ο Περισσότερο Κερδοφόρος “Υπάλληλος”;

Συνήθως, όταν η βάση πελατών μιας τράπεζας αυξάνεται, το προσωπικό της πρέπει να αυξηθεί σχεδόν αναλογικά. Ήταν αδύνατο να αναθεωρήσετε έναν αυξανόμενο αριθμό συναλλαγών και εγγράφων πελατών με το ίδιο μέγεθος ομάδας. διάφορες σύγχρονες τεχνολογικές λύσεις βοήθησαν μέχρι certo βαθμό, αλλά η επιχειρηματική ανάπτυξη οδήγησε ακόμη αναπόφευκτα σε αύξηση του αριθμού των υπαλλήλων. Και όσο περισσότεροι υπάλληλοι έχει μια εταιρεία, τόσο περισσότεροι διευθυντές χρειάζονται και τόσο πιο ακριβό γίνεται να εποπτεύσει ολόκληρη τη δομή.

Τώρα που η Τεχνητή Νοημοσύνη έχει εμφανιστεί, αυτό το πρόβλημα αρχίζει να εξαφανίζεται, καθώς λιγότεροι υπάλληλοι μπορούν ακόμη να εξυπηρετήσουν αποτελεσματικά έναν αυξανόμενο αριθμό πελατών με τη βοήθεια 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 μισθούς 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 χρηματοοικονομία, πολλά έργα παραμένουν ακόμη στην πειραματική φάση, η οποία φυσικά δεν μπορεί να παράγει 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 μείνουν ακίνητοι, xây dựngοντας τις δικές τους ικανότητες Τεχνητής Νοημοσύνης.

Η καθυστέρηση σε αυτό το αγώνα θα οδηγήσει σε σημαντικές οικονομικές απώλειες. Για να είμαστε ακριβείς, οι εταιρείες που δεν μεταφέρουν τις λειτουργίες τους στην Τεχνητή Νοημοσύνη μπορεί να χάσουν μέχρι και 9% των κερδών τους. Το να φτάσουν πίσω σε τέτοια καθυστέρηση δεν θα ήταν εύκολο, και απαιτεί από τις χρηματοοικονομικές εταιρείες 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 θα σήμαινε αναπόφευκτα την ανάθεση κάποιας εξουσίας λήψης αποφάσεων σε αυτούς. Στη χρηματοοικονομία, όπου η Τεχνητή Νοημοσύνη έχει γίνει ένα είδος ατελείωτης πηγής δωρεάν “νέων υπαλλήλων” με την оптимποίηση των βασικών εργασιών, 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 κίνδυνο. Ωστόσο, όταν πρόκειται για την Τεχνητή Νοημοσύνη, η βιομηχανία κινείται πολύ γρηγορότερα από την εποπτεία, поскольку μόνο ένα τέταρτο των αρχών συλλέγει δεδομένα για την χρήση της Τεχνητής Νοημοσύνης από τις ρυθμιζόμενες οντότητες. Αυτό είναι σαφώς δεν είναι αρκετό για να跟θεί τον αυξανόμενο αριθμό εταιρειών που προσθέτουν πράκτορες στις λειτουργίες τους.

Ως αποτέλεσμα, οι χρηματοοικονομικές εταιρείες πρέπει να βρουν τρόπους να ρυθμίσουν τις Τεχνητές Νοημοσύνης ο ίδιες. Αυτό είναι κατανοητό, δεδομένου ότι οποιοδήποτε λάθος εδώ μπορεί να οδηγήσει σε ζημιές εκατομμυρίων δολαρίων. Για παράδειγμα, στις σύγχρονες τράπεζες, οι πράκτορες έχουν περιορισμένες εξουσίες, πολύ όπως οι πραγματικοί υπάλληλοι. Αν η Τεχνητή Νοημοσύνη εργάζεται με έγγραφα πελατών, δεν χρειάζεται το δικαίωμα να αλλάξει την κατάταξη κινδύνου του πελάτη. Ο πράκτορας έχει ανατεθεί ένα αυστηρό ρόλο λειτουργίας και δεν επιτρέπεται να το υπερβεί.

Μια άλλη πιθανή και σίγουρα απαραίτητη 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 το KYC και η ανίχνευση απάτης, ερωτήσεις για έναν πελάτη μπορεί να ανακύψουν μήνες αργότερα, οπότε οι τράπεζες απολύτως χρειάζονται 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 συναλλαγών 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 γίνει δημόσιο.

Τελικά, αξίζει να θυμόμαστε ότι κάθε απόφαση της Τεχνητής Νοημοσύνης πρέπει να επιβεβαιωθεί από έναν άνθρωπο, ο οποίος παραμένει υπεύθυνος για αυτή. Σε περίπτωση απωλειών, κανείς δεν θα αποδεχτεί 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 Fintech” 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 bot Τεχνητής Νοημοσύνης βλάψει 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 τη στρατηγική Τεχνητής Νοημοσύνης τους με διαφάνεια και ειλικρίνεια. Και οι οποίες, φυσικά, έχουν λιγότερα προβλήματα με τη διαχείριση της.

Οι εταιρείες Fintech έχουν ένα σαφές πλεονέκτημα εδώ, απλώς και μόνο επειδή δεν είναι βαρυφορτωμένες με το βάρος των παλαιών συστημάτων. Οι σύγχρονες εταιρείες Fintech μπορούν να χτίσουν τις υπηρεσίες τους γύρω από την Τεχνητή Νοημοσύνη από την αρχή και να αυτοματοποιήσουν όλες τις διαδικασίες αμέσως. Η κατασκευή κάτι νέου μπορεί να είναι πολύ πιο εύκολη από το να προσπαθήσει να ενσωματώσει πράκτορες Τεχνητής Νοημοσύνης σε οργανισμούς που εξακολουθούν να βασίζονται σε φαξ μηχανές και δεκαετίες παλιά συστήματα COBOL. Δεν είναι τυχαίο ότι σχεδόν το μισό των εταιρειών Fintech 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. Μετά από όλα, έχουν επιβιώσει από τη Μεγάλη Κρίση, τις δεκαετίες του ’70, τη Μεγάλη Ρεκειόν, και πολλά άλλα. Ξέρουν πώς να προσαρμοστούν στις αλλαγές. Λόγω της κληρονομιάς τους, έχουν συσσωρεύσει 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 η προσθήκη της σε ένα πλευρικό προϊόν δεν θα βοηθούσε πολύ.