銀行におけるAIのリセット：ハイプからROIへ

数年間にわたる大量のAI投資の後、銀行は別の質問を始めるようになった：AIが何ができるかではなく、どれほどの影響を与えるか。業界全体で、AIの理論的な可能性から実際のビジネスへの影響に焦点が移り、多くの銀行では結果は今のところ様々である。

「AIのリセット」は、銀行がAIに取り組む方法のより広範な変化を反映している。実験段階から離れて、実際の成果をもたらすソリューションを構築することに焦点を当てている。

実験が影響に結びつかなかったとき

AIの最初の波は、幹部がカスタマーサービス、審査、コンプライアンス、運用などの分野でユースケースを探求したことによって推進された。イノベーションと投資は高かったが、計測可能な運用への影響への翻訳は限られていた。

時間の経過とともに、パターンが明らかになった。チームは強力なパイロットを構築していたが、これらのソリューションは日常のワークフローから切り離されたままだった。レガシーシステムとの統合は予想よりも複雑で、データは一貫性がなく、ビジネスとテクノロジーチーム間の所有権は断片化していた。多くの場合、問題はAIソリューション自体ではなく、その既存のシステムやプロセスへの統合能力の欠如だった。

例えば、銀行はクレジット意思決定を支援するためにAIモデルを構築するかもしれないが、その出力がより広いローン起債ワークフローに統合されていない場合、チームはまだその出力をレビューし、検証し、取引することに時間を費やすことになる。つまり、より多くの活動があるかもしれないが、必ずしもより良い、より効率的なクレジット意思決定にはならない。

経験は、AIの能力を構築することとビジネス価値を提供することは同じではないことを証明している。成功は、起動されたユースケースの数や自動化されたプロセスの数などのトランザクション指標を通じて測定されることが多かった。焦点は、改善されたクレジット意思決定、加速されたマーチャントオンボーディング、コンプライアンスやローン処理のコスト削減、そして最終的に、改善されたトップラインなどのより良いビジネス成果を生み出すことに移す必要がある。

より規律のあるアプローチが形をとえている

リーダーはより選択的になり、明確で測定可能な影響を持つドメイン固有のユースケースの小さなセットに焦点を当てている。詐欺、KYC（顧客認証）、コレクション、クレジット意思決定などの機能は、優先事項として浮上している。これらは、高いボリュームと構造化されたプロセスと定義された成果を組み合わせ、重大なビジネス上の意味を持つからである。

AIプログラムは、ビジネス上の課題を中心に据えた議論を通じて再構成されている。出発点はビジネス上の問題である：どこに非効率性があるか？どこに洞察と分析を深めることができるか？どこで意思決定が遅れているか？どこでリスクが効果的に管理されていないか？

成果をもたらすためのAIの役割

データは、背景的な懸念から戦略的な優先事項に移行した。クリーンで一貫性のある、そして適切に管理されたデータがなければ、最も高度なAIモデルでも有意な結果をもたらすことが難しい。

多くの機関では、API、ミドルウェア、データアーキテクチャの改善を通じてレガシーエNVIRONMENTSから価値を解放する方法を見つけることが、コアの完全な交換よりも優先されることが多い。コアの交換は、多くの場合、高価で時間がかかり、リスクがあるからである。進むためには、AIを日常のワークフローに直接組み込む必要がある。従業員が回避しなければならないスタンドアロンのツールやダッシュボードとして導入されるのではなく。

これらの基盤が整うにつれて、銀行はAIが有形な成果をもたらす明確な例を見るようになっている。

KYCオンボーディングでは、AI駆動の文書処理と意思決定により、オンボーディング時間が大幅に短縮され、精度も向上した。アジアの主要銀行は、ドメイン主導のデジタル変革パートナーシップを通じて、KYCオンボーディング時間を50％、エラーレートを67％、ハンドリング時間を半分以上短縮した。さらに、運用コストが15％削減され、精度レベルが96％に改善された。

この違いは、技術だけによるものではなかった。プロセスアプローチによるものだった。AIを既存のワークフローに重ねるのではなく、プロセスを端から端まで再構成したからである。これが、銀行が今度は焦点を当てているところである。

同様の変化が金融犯罪でも進行中である。伝統的に、多くの努力は、事件が発生した後に警報が送信された後に行われた。銀行は今、AIを使用してパターンを特定し、潜在的な詐欺を予測し、リスクを軽減しようとしている。この、反応的なアプローチから予測的なアプローチへの移行が、AIが実際の価値を生み出すところである。

人間の監督は減少するのではなく進化する

金融サービス業界では、決定は重大な財務的および評判上の結果をもたらす。規制当局は透明性と説明責任を期待するため、人間の監督は不可欠である。

AIが繰り返しやルールベースのタスクを担うにつれて、人間の役割は例外処理、複雑な意思決定、監督に向かっている。トランザクションの処理ではなく、出力をレビューし、エッジケースを処理し、品質を確保し、リスクを軽減することにチームは焦点を当てている。

実際の意味では、AIがルーチンなタスクや退屈なタスクを処理し、人間が最終的な説明責任を負うことを意味する。ボリュームベースの作業から、意思決定の品質、管理、規制上の信頼性の向上に焦点が移っている。

ガバナンスはデジタルエコシステムの中核である

AIモデルが大規模に展開されるにつれて、継続的に監視、テスト、改良される必要がある。説明可能性、偏り、コンプライアンスに関する質問は、副次的な懸念ではなく、これらのシステムを評価する上で中心的なものである。

所有権はITを超えて、ビジネス、リスク、コンプライアンスチームがAIの展開とガバナンスにより積極的に参加するようになっている。強力なガバナンスがなければ、AI駆動の決定に対する信頼は維持しがたい。最も進歩している組織は、ガバナンス、説明可能性、監査可能性を設計要件として扱っている。

リーダーとその他の違い

先頭を進む機関は、より少ない、より大きな影響を持つユースケースに焦点を当て、プロセスを完全に再構想し、データの基盤を強化し、最初からガバナンスを構築するものである。

他の機関はまだ実験を続けるかもしれないが、集中した規律がなければ努力を結果に結びつけることは難しい。

次に何が起こるか

過去数年間がAIの潜在性を探求することについてだったとしたら、次の段階は日常の銀行業務への影響によって定義されることになる。

会話は、基本的な自動化から、より高度な、エージェントシステムへの移行に向かっている。これらのシステムは、マルチステップのプロセスを処理し、コンテキストに基づいた決定を下すことができる。金融犯罪、クレジット、サービスにおけるこのアップグレードを既に目にしており、次のステップはスケールに焦点を当てることである。

大部分で、効果的にスケールすることは、どこで自律性が意味を持ち、どこで介入が必要かを知ることによって決まる。

リスクの低い、高ボリュームのプロセスでは、自律的な意思決定をテストするための余地が広がる。リスクの高い分野では、AIモデルが最初の段階の出力を提供するかもしれないが、人間の洞察と監督は重要である。このバランスは、リスクへの姿勢、規制上の期待、経済的合理性によって形作られる。

効果的にスケールし、計測可能なビジネスへの影響を示す能力が、リーダーを他から引き離すことになる。正しいものを得る機関は、明確なビジネス成果に焦点を当て、データの基盤を強化し、AIをコアのワークフローに組み込むものである。また、システムのパフォーマンスを継続的に監視し、改良するための適切なガバナンスを確立することも重要である。

銀行におけるAIはここに留まるが、先進的なテクノロジーの採用だけではなく、どのようにしてそのテクノロジーが意思決定を改善し、摩擦を減らし、現実の価値をもたらすかが重要である。