コーリー・グロスは、金融サービス向けのデジタル変革ソリューションを提供するQ2のデータ＆AI担当VPです。彼は、Q2 SMART、Q2 Discover、Andiを含むデータ中心のソリューションのポートフォリオを運用し、AIを活用した機能の開発を主導しています。
信頼は常に銀行の基盤であった。しかし、人工知能が銀行業務や体験にますます統合されるにつれて、信頼がどのように創られ、どのように崩壊するかが根本的に変化した。数十年間、銀行や信用組合は決定論的なシステムを通じて信頼を築いてきた。顧客が小切手を預けた場合、預金額が反映された。顧客が請求書を支払った場合、支払われた。这些システムは明確で線形的な論理に従った：もしXが起こるなら、Yが続く。信頼のシグナルは信頼性と一貫性であった。AI駆動のデジタルバンキングは異なる方法で動作する。特に、大規模言語モデル（LLM）などの多くの最も有望なAI技術は、設計上、確率論的である。これらは毎回「正しい」答えを1つだけ生み出すのではない。コンテキスト、パターン、学習された行動に基づいて、あり得る結果の範囲を生み出す。これは欠陥ではなく、AIが特定の銀行業務で有用になる理由である。しかし、金融機関は、従来のソフトウェアに適用してきたのと同じ信頼フレームワークでAIを評価または管理できないことを意味する。現在、AIの導入と採用で最も苦労している銀行や信用組合は、同じ間違いを犯していることが多い。彼らは、そこで必要でない完璧さを期待している。そうすることで、精度と信頼を混同している。これら2つは同じではない。精度と信頼は同じではない機械学習モデルは100％正確ではない。これは解決すべき技術的ギャップではなく、これらのシステムが動作する特性である。AIモデルは、人間の推論と同様に、入力を受け取り、確率を比較検討し、コンテキストに基づいて出力を生成する。人間が判断において完全に一貫性のあるように、確率的なシステムも完全に一貫性があるわけではない。金融機関がこの可変性を欠陥として扱うと、失望することになる。より重要なことは、AIを、確率的なシステムではなく決定論的なシステムが適切なツールである問題に適用することである。目標が精度、の一貫性、そして毎回の絶対的な正確さである場合、従来のソフトウェアは依然として高速で、安価で、より信頼性が高い。信頼、AIの文脈では、代わりに結果によって測定されるべきである。ツールは、ユーザーが意図したタスクを達成するのを助けたか。摩擦を減らし、明確性を高め、意思決定を加速したか。もし答えが「はい」であれば、使用例が適切であれば、信頼は確立される。出力自体が完全に正確でない場合でも。顧客サービス担当者が顧客に安全なメッセージを起草することを考えてみましょう。決定論的なワークフローでは、共感的でコンテキストに応じた言語を支援できない。LLMはできる。出力が最初のパスで完全に正確でないかもしれませんが、人間のレビューがループに含まれている場合、信頼性の高い出力を生成する。そうしたシナリオでは、AIは期待されることを行うため信頼される。実践における適応的信頼ここで、適応的信頼の概念が重要となる。適応的信頼は、すべてのやり取りが同じレベルの確実性、管理、またはコントロールを必要としないことを認識する。柔軟なルールを適用する代わりに、適応的信頼フレームワークはコンテキスト、リスク、意図に基づいて調整される。実際の意味では、適応的信頼は、確率的なAIシステムを明確なガイドラインやフィードバックループと組み合わせることを意味する。入力は関連するドメインに制限される。出力はポリシー、ロールベースの権限、歴史的な使用パターンによって形成される。最も重要なことは、人間が判断が重要な場合にループに含まれていることである。例えば、銀行や信用組合の従業員が使用するAIアシスタントは、最近の取引、ログインの失敗、または口座情報の変更に基づいて共通のプロンプトを表示する可能性がある。時間の経過とともに、システムは特定のコンテキストで最も関連性の高い質問を学習し、適応する。無関係または安全でないプロンプトは無視される。高リスクのアクションには明示的な確認が必要となる。低リスクの情報リクエストは自動的に処理される。このモデルでは、信頼は静的なものではない。信頼は、透明性、一貫性、復元性を通じて継続的に強化される。ユーザーは情報の出典を確認できる。出力をソースシステムに戻すことができる。何かが間違っているように見えた場合は、介入して修正したり、取り消したりできる。銀行におけるAIの信頼性AIは、適切なツールが適切な仕事に適用され、役割が金融機関とユーザーによって明確に理解されている場合に、銀行で信頼できるものとなる。確率的なツールは、確率的な結果のために使用されるべきである：要約、ガイダンス、起草、探索、パターン認識。決定論的なツールは、精度が求められるタスク、たとえば取引処理、残高、支払いを引き続き処理するべきである。問題は、これらの境界がぼやける場合に発生する。透明性は重要な信頼レバーである。AIシステムが情報源を引用したり、作業を示したり、事実の取得と主観的なガイダンスを明確に区別したりする場合、ユーザーはそれらと適切にやり取りする方法を学習する。時間の経過とともに、これにより、盲目的な依存ではなく、情報に基づいた信頼が生まれる。同様に重要なのは、復元性である。ユーザーがアクションを検証または元に戻すことができない場合、信頼は急速に低下する。出力を検査したり、参照を確認したり、従来のワークフローに戻ることができるシステムは、AIが関与している場合でも信頼を維持する。2026年の信頼の実際の違い2026年には、AIの機能自体はもう有意義な違いではなくなります。ほとんどの金融機関は、同等のモデル、ツール、インフラストラクチャにアクセスできるようになるでしょう。リーダーと遅れ者を区別するのは、顧客の期待と一致する方法でこれらのツールをどのように展開するかである。顧客や会員は、不確実性を求めて金融機関にやって来ません。彼らは、預金、支払い、送金、残高など、最も重要なところでは決定論を期待します。決定的なワークフローに不確実性を導入するAIシステムは、デモがどれほど印象的であっても、受け入れられないでしょう。逆に、AIがどのように価値を追加するか、またどこで追加しないのかを明確に定義する銀行や信用組合は、より速い採用とより深い信頼を獲得するでしょう。これらの機関は、静かに成果を改善するソリューションを選択することで、印象的なAI体験を展示する誘惑に抵抗するでしょう。同じ原則は購入者にも適用されます。金融機関は、印象的ではあるが実際の運用上のニーズにクリーンにマッピングされていないAIソリューションにますます警戒しています。ユースケースの整合性、ガイドライン、ガバナンスを示すことができるベンダーは、幅広く定義されていない「AIプラットフォーム」を販売しているベンダーよりも優位性を獲得するでしょう。信頼はユースケースに特異的である最終的に、信頼は絶対的なものではない。信頼はコンテキストに依存する。ツールが設計された仕事を信頼性高く行う場合にのみ信頼する。ツールがその1つの仕事に失敗した場合、ツールが洗練されたり革新的なものであっても、信頼を失う。AIは、決定論的なシステムに適用される同じメトリックで信頼できるものではない。確率的なツールを精度のみで評価することは、間違ったKPIである。代わりに、銀行や信用組合は、明確に定義されたユースケース内での有効性、透明性、ユーザーの制御によってAIを評価する必要がある。金融機関がこの区別を理解する場合、信頼はAI導入の障壁ではなく、設計原則となる。適応的信頼フレームワークにより、機関は信頼を損なうことなく、顧客との関係を強化する方法でAIを展開できるようになる。AI駆動のデジタルバンキングの時代に、信頼を取り戻すには完璧さは必要ない。必要なのは、明確さ、規律、そしてツールを必要な場所でしか使用しない謙虚さである。
歴史的に、地域銀行と信用組合は、口座所有者との個人的な関係を通じてブランドを築いてきました。例えば、担当者のお名前や子供の名前を知っていることは珍しくなかったのです。実際、個人的な関係は、小規模金融機関の特徴であり、大手金融機関と差別化する鍵でした。銀行業務のデジタル化により、個人的な関係を築くことが難しくなり、差別化要因が薄れ、小規模金融機関は新たな戦略を模索するようになりました。ここで、生成型人工知能（GenAI）が登場します。GenAIは、大規模言語モデル（LLM）を使用して、大規模データセットからパターンを学習し、人間の指示に基づいて新しいテキストコンテンツを生成するAI技術の一種です。私たちが今年スポンサーした2025年小売銀行トレンドと優先事項レポートによると、80%の組織が、2030年までに、デジタルエージェントがリアルタイムのパーソナライズドマーケティングコミュニケーションにGenAIを利用することになるという見方を示しています。また、76%の金融機関が、2030年までに、ほとんどの金融機関がGenAIを利用することになるという見方を示しています。私たちは、実際には、この割合がもっと高くなると考えています。なぜなら、GenAIは、生産性を大幅に高め、データ駆動型の人間の意思決定をサポートし、改善されたパーソナライズドデジタル顧客体験を提供し、収益を大幅に増やすことができるからです。どのくらいの収益増加になるのでしょうか。2023年末、マッキンゼー・グローバル・インスティテュートは、GenAIが、分析した63のユースケースにおいて、年間2.6兆ドルから4.4兆ドル相当の価値を銀行業界にもたらす可能性があると推定しました。業界セクター別に見ると、銀行業界が最も大きな機会を持っており、生産性の向上により、小売銀行業界に200億ドルから340億ドル相当の新たな価値をもたらす可能性があると考えられています。より速く、より良く、より幸せにAIが人間の仕事を奪うという誤解があります。しかし、GenAIの力は、データと情報に基づいて、人間の指示に従ってコンテンツを生成することです。GenAIは、置き換えツールではなく、強化ツールです。現在、銀行業界におけるGenAIは、主に、セキュリティ、ローンの発行、不正検出、自動サービス体験の改善などの繰り返しタスクやプロセスの自動化に使用されています。GenAIがこれらのタスクを担当することで、効率と生産性が向上し、従業員がより意義のある仕事に集中できるようになります。地域銀行と信用組合が差別化するための主な方法の1つは、デジタルバンキング体験をパーソナライズし、向上させることです。具体的には、顧客の行動や嗜好を深く理解することで、ニーズに応えた商品やサービスを提供できるようになります。NetflixやAmazonが顧客にカスタマイズされたコンテンツを提供するのと同様に、地域銀行と信用組合も顧客にカスタマイズされた商品やサービスを提供できるようになります。同様に、GenAIによるデータ収集と深い分析により、各顧客に合わせたコンテンツを生成できます。例えば、中年女性が自宅を所有し、収入や信用スコアが良いのなら、彼女は、学生ローンを返済しようとしている新卒の男性と同じコンテンツを見る必要はありません。彼女に見せるコンテンツは、彼女のニーズに合わせたものでなければなりません。人間の感覚銀行業界におけるGenAIソリューションの構築には、人間の意思決定と監督が不可欠です。私たちのGenAI統合の成功の方程式は、銀行データセットに特化した深い学習モデルから始めることです。これらのモデルは、人間の言語のパターンと構造も学習しており、ユーザーの問い合わせやプロンプトに自然な応答を生成します。人間の関与は、AIが生成した応答が正確で、倫理基準、規制遵守、顧客のニーズに合致し、潜在的なリスクや偏見を軽減することを保証するために不可欠です。明日のテクノロジー、今日GenAIが地域銀行と信用組合を変革する潜在性は、限りがありません。GenAIを統合することに成功する金融機関は、将来に向けた戦略を立てながら、今日、高い潜在性と低いリスクのアプリケーションに投資するものです。ここでは、GenAIが銀行業界に即座に、かつ大きな影響を与える4つの主な方法を紹介します。戦略的成長を促進するマッキンゼーのレポートによると、企業銀行と小売銀行が、GenAIの正しい導入から最も多くの利益を得ることになります。企業銀行の場合、最高の潜在性は、人間が関与する意思決定、自動化されたリスク評価モデル、自動化による運用の効率化です。一方、小売銀行は、パーソナライズされた銀行体験、改善された顧客サービス、革新的なマーケティングから利益を得ることになります。運用の効率化を促進するアクセンチュアの2023年のトップバンキングトレンドレポートによると、銀行業界は、GenAIの影響を受ける可能性が最も高く、生産性を向上させるための最大の潜在性を持っています。レポートによると、現在のワークフローの中で、34%がGenAIの強化の対象となり、GenAIを導入した金融機関は、生産性を最大30%向上させることができます。しかし、GenAIが効率を向上させる潜在性があるにもかかわらず、人間の専門知識が成功の鍵です。特定の銀行知識を使用して、内部チームはモデルを正確にし、人間ができるように複雑さを評価することができます。ただし、人間の能力を超えたレベルでスケーラブルです。大手と小規模金融機関の間の平等を実現する私たちは、GenAIが地域銀行と信用組合に及ぼす利点をいくつか見てきました。生産性の向上、パーソナライズされた口座所有者体験の実現などです。リスク回避的な銀行家たちが、GenAIの多くの利点を認識し、導入率が上昇していることは、良い兆しです。しかし、まだ多くの地域金融機関が、GenAIの導入に躊躇していることを見ています。彼らが躊躇している間に、大手金融機関は動き出しています。GenAIの力を活用することにもかかわらず、まだ表面的な利用に留まっています。過度に慎重な金融機関は、最終的に後れを取ることになります。覚えておくべきことは、GenAIツールを、プロプライエタリデータに接続し、内部で保持できることです。集団的知恵を提供する集団的知恵は、個人やグループが協力して作り出すものです。集団的知恵の要素には、グループの意思決定、コンセンサス形成、アイデアの生成、競争による動機づけなどがあります。従来、集団的知恵を活用するには、機関の知識を文書化し、トレーニングやジョブエクスペリエンスを通じて共有していました。GenAIは、集団的知恵の利点を、簡単に、かつリアルタイムで高めます。地域金融機関におけるGenAIの成功的な導入と統合には、銀行データと深い業界知識に特化したLLMが必要です。しかし、最も重要な要素は、人間のコラボレーションと監督です。GenAIは、置き換えツールではなく、強化ツールであることを覚えておく必要があります。
