Numeroiden takana: Kuinka tekoälystä tuli rahoituksen tuottavin “työntekijä”

Mediassa pankit ja laajemmin rahoitus ovat usein kuvattuina terävissä puvuissa olevina liiketoimintapäätöksiä tekevinä henkilöinä pilvenpiirtäjien yläkerroksissa tai lahjakkaina kauppiaina, jotka voivat ymmärtää markkinatilanteen vähäisestä datasta. Koska se on yksi rahoituksen voimakkaimmista kuvista, useat keskustelut uusista teknisistä ominaisuuksista tässä alalla keskittyvät siihen, miten ne muuttavat tätä etupöytätyötä.

Tekoäly ei ole poikkeus tässä, ja suuri osa tekoälyn omaksumisen keskusteluista rahoituksessa keskittyy siihen, korvaavatko agentit kauppiaita tai voivatko he aloittaa pääoman tehokkaammin kuin neuvonantajat. Kuitenkin tekoälyn tehokkain soveltaminen osoittautui olevan kaukana glamourisesta kuvasta, jota monet kuvittelevat. Itse asiassa tekoäly tuottaa enemmän rahaa siitä, mitä voidaan kutsua rahoituksen “tylsäksi” puoleksi, eli päivittäin toiminnaksi.

Mistä tekoäly luo arvoa

Tekoälyn pääasiallinen etu on se, että se voi suorittaa tehtäviä paljon halvemmalla ja useita kertoja nopeammin kuin ihmiset. Ja tekemällä niin, se tuottaa käytännössä voittoa parantamalla toiminnallista tehokkuutta.

Esimerkiksi tekoälytyökalujen avulla Citigroup vähensi asiakirjan tarkasteluaika ennen tiliavauksen hyväksymistä yli tunnista ainoastaan 15 minuuttiin. Luonnollisesti nopeampi päätöksenteko ilahduttaa asiakkaita ja saattaa jopa tehdä heistä uskollisempia. Mutta samaan aikaan ne 45 minuuttia kääntyvät satoihin tuhansiin dollareihin säästöihin pankissa, koska nämä työkalut vapauttavat tunteja ja tunteja ihmistyötä tärkeämmille tehtäville.

Tekoäly auttaa optimoimaan laajan rahoitusbyrokratian ja sisäisten kehysrakenteiden kerroksen, joihin yritykset luottavat. Siksi arvokkaimmat käyttötapaukset usein osoittautuvat olevan kaukana näyttävimmistä. Automaattiset kauppiaat tai chatbot, joka ehdottaa parhaimpia tarjouksia asiakkaalle, saattavat kuulostaa vaikuttavilta, mutta automaattiset KYC-menetelmät ja due diligence -tarkastukset ovat todennäköisesti tuottavampia taloudellista arvoa pankille tai rahoitusyhtiölle.

Sanottuna, kuten Citigroupin asiakirjan tarkasteluprosessi, ei mitään estä näitä parannuksia hyödyttämästä asiakkaita. Käyttäjät arvostavat henkilökohtaista tekoälyavustajaa sovelluksessa, mutta he arvostaisivat sitä vielä enemmän, jos lainapäätökset voitaisiin leikata päivistä minuutteihin tai jos heidän transaktiotaan ei väärin merkittäisiin petokseksi, koska tällaiset todennäköisyydet olisivat laskeneet kymmenillä prosenttiyksiköillä.

Miten tekoälystä tuli tuottavin “työntekijä”?

Yleensä, kun pankin asiakasalue kasvaa, sen henkilöstö on kasvava melkein suhteessa. Se oli aiemmin mahdotonta tarkastaa kasvavaa määrää transaktioita ja asiakirjoja saman kokuisella tiimillä. Erilaiset modernit teknologiset ratkaisut auttoivat jonkin verran, mutta liiketoiminnan kasvu johti aina henkilöstön kasvuun. Ja mitä enemmän työntekijöitä yrityksellä on, sitä enemmän johtajia tarvitaan ja sitä kalliimpaa se on koko rakenteen valvontaa.

Nyt, kun tekoäly on ilmaantunut, tämä ongelma alkaa hävitä, koska vähemmän työntekijöitä voidaan edelleen palvella kasvavaa asiakasmäärää tekoälytyökalujen avulla. Jotkut yritykset ovat jo käyttäneet tätä logiikkaa: Klarna on esimerkiksi väittänyt, että yksi tekoälyavustaja voi tehdä 700 ihmisen työn. Mikä tahansa tällaisten työkalujen soveltamisen kustannus voi olla, se ei todennäköisesti tule lähelle usean sadan työntekijän säännöllisiä palkkoja.

Kuitenkin, jotta se tosiaan toimisi, yrityksen on integroitava tekoäly oikein työprosesseihinsa, ei vain kokeiluihin. Rahoituksessa monet hankkeet pysyvät koepilotin vaiheessa, mikä ei voi luoda paljon arvoa. Kun yksi yritys pohtii, pitäisikö ottaa käyttöön uusia välineitä tai miten skaalata tekoälyagentteja, kilpailijat eivät ole paikallaan, vaan rakentavat omaa tekoälykapasiteettiaan.

Jälkeenjääminen tässä kilpailussa johtaisi merkittäviin taloudellisiin tappioihin. Tarkalleen ottaen yritykset, jotka eivät siirrä toimintojaan tekoälyraiteille aikaisin, voivat menettää jopa 9 % voitoistaan. Jälkeenjäämisen korjaaminen myöhemmin ei olisi helppoa, ja se vaatii rahoitusyhtiöiltä vahvan tekoälystrategian.

Miten hallita tekoälypäätöksiä

Tässä tulee suurin haaste, koska tekoälyagenttien upottaminen rahoitusoperaatioihin merkitsee välttämättä joitain päätöksenteon valtuuksien delegoimista niille. Rahoituksessa, jossa tekoäly on tullut jonkinlaiseksi äärettömäksi lähteeksi “juniorityöntekijöille” optimoimalla perusbackoffice-toimintoja, tämä asettaa merkittävän riskin. Asia on, että virheet tämänkaltaisessa työssä ovat usein kalleimmat.

Yleensä sääntelijät estävät rahoituslaitoksia tekemästä riskialttiita ja luovat sääntöjä vähentämään mahdollista vahinkoa. Kuitenkin, kun on kyse tekoälystä, ala liikkuu nopeammin kuin valvonta, koska vain neljännes viranomaisista kerää dataa tekoälyn käytöstä säännellyistä yksiköistä. Tämä ei ole selvästi riittävä pysyäkseen mukana kasvavan määrän yrityksiä, jotka lisäävät agenteja toimintoihinsa.

Tuloksena rahoitusyhtiöiden on löydettävä tapoja säännellä tekoälyohjaimia itse. Tämä on ymmärrettävää, koska mikä tahansa virhe tässä voi johtaa monien miljoonien dollarien tappioihin. Esimerkiksi modernissa pankeissa agenteille annetaan rajoitetut valtuudet, samoin kuin oikeille työntekijöille. Jos tekoäly työskentelee asiakirjojen kanssa, se ei tarvitse oikeutta muuttaa asiakkaan riskiluokkaa. Agentille määritellään tiukka toimintarooli, eikä sitä sallita ylittää sitä.

Toinen mahdollinen ja varmasti välttämätön mekanismi on pitää yksityiskohtainen kirjaa kaikista tekoälytoimista, jotta jos virhe tapahtuu, voidaan jäljittää jokainen askel, jonka agentti on ottanut. Alueilla, kuten KYC ja petostentorjunnassa, asiakkaasta voi kysyä kuukausien kuluttua, joten pankeilla on ehdottomasti oltava täydellinen kirjaa tekoälyavustajan logiikasta.

Tekoälyn käyttäytyminen voidaan myös testata hiekkalaatikossa. Esimerkiksi Englannin pankki on aloittanut simuloimisen tekoälykauppasessioita ymmärtääkseen, miten agentit vuorovaikuttavat toistensa ja oikean markkinan kanssa. Tällainen testaaminen auttaa tunnistamaan tarkalleen, missä kohdassa agentti tekee virheitä ja korjata ongelman ennen sen julkaisua.

Lopulta on muistettava, että jokainen tekoälypäätös on vahvistettava ihmisvoimin, joka on edelleen vastuussa siitä. Tapauksessa tappioita kukaan ei hyväksy vastausta “koska malli päätti niin”, ja johtaja on edelleen hyväksyttävä tekoälyn toimia ja otettava vastuu niistä.

“Pankit vastaan fintech” – “Nopea vastaan hitaampi”

Tekoälyn sääntely muotoilee myös kilpailua rahoitusmarkkinoilla. Asiakkaat saattavat olla tyytyväisiä, kun heidän asiakirjansa käsitellään 30 minuuttia nopeammin, mutta he eivät varmasti ole tyytyväisiä, jos tekoälybot vahingoittaa heidän luottotietojaan tai aiheuttaa heille rahallisia tappioita. Välttääkseen nämä ongelmat he ovat todennäköisemmin luottavaisia yrityksiin, jotka selittävät tekoälystrategiansa avoimesti ja rehellisesti. Ja jotka, luonnollisesti, ovat vähemmän ongelmallisia sen hallinnassa.

Fintech-yrityksillä on selkeä etu tässä, yksinkertaisesti koska ne eivät ole rasittuneita perintäjärjestelmien taakkaa. Modernit fintech-yritykset voivat rakentaa palvelunsa tekoälystä alusta alkaen ja automatisoida kaikki prosessit välittömästi. Uuden rakentaminen voi olla paljon helpompaa kuin tekoälyagenttien integroiminen organisaatioihin, jotka edelleen riippuvat faksi- ja vuosikymmenien vanhoista COBOL-järjestelmistä. Ei ole ihme, että lähes puolet fintech-yrityksistä on jo saavuttanut edistyneen tekoälyn omaksumisen asteen verrattuna vähemmän kuin kolmeen neljään perinteisiin rahoituslaitoksiin.

Pankit eivät ole tuomittuja häviämään. Ne ovat selvinneet suuren laman, 1970-luvun, suuren taantuman ja enemmän. Ne tietävät, miten sopeutua muutoksiin. Perintänsä ansiosta ne ovat kertyneet valtavat määrät asiakasdataa, pääomaa ja mainetta. Kuitenkin, jotta he voisivat hyödyntää näitä etuja merkittävästi, heidän on täytettävä integroida tekoäly koko prosessiinsa, koska yksinkertaisesti lisääminen sivutuotteeseen ei auttaisi paljon.