์ฌ์ ๋ฆฌ๋
์ซ์ ๋ค์ ์๋ ๊ฒ: AI๊ฐ ์ด๋ป๊ฒ ๊ธ์ต์ ๊ฐ์ฅ ์์ต์ฑ ์๋ ์ง์์ด ๋์๋๊ฐ
매체에서 은행과, 더 넓은 의미에서 금융은 종종 날카로운 슈트를 입은 사람들이 고층 건물의 최상층에서 비즈니스 결정을 내리는 것으로 묘사되거나, 시장의 상태를 조금의 데이터에서 이해할 수 있는 재능 있는 트레이더로 묘사된다. 이것은 금융의 가장 강력한 이미지 중 하나이기 때문에, 이 분야의 새로운 기술 특징에 대한 많은 논의는 어떻게 이러한 전면 데스크 작업을 변경할 것인지에 초점을 맞추고 있다.
AI는 여기서 예외가 아니며, 금융에서 AI의 채택을 둘러싼 많은 논의는 에이전트가 트레이더를 대체할 것인지, 아니면 자문가보다 더 효율적으로 자본을 할당할 수 있는지에 초점을 맞추고 있다. 그러나 AI의 가장 효율적인 적용은 많은 사람들이 상상하는 그 화려한 이미지에서 멀리 떨어진 것으로 밝혀졌다. 실제로, 인공 지능은 금융의 “지루한” 측면, 즉 일상적인 운영에서 더 많은 돈을 가져오고 있다.
AI가 실제로 가치를 창출하는 곳
AI의 주요 이점은 사람이 하는 작업을 훨씬 더 저렴하고 빠르게 처리할 수 있다는 것이다. 그렇게 함으로써, 그것은 사실상 운영 효율성을 높여 수익을 생성한다.
예를 들어, AI 도구의 도움으로 시티그룹은 문서 검토 시간을 계좌 개설 전에 1시간 이상에서 15분으로 줄였다. 당연히, 더 빠른 의사 결정은 고객을 기쁘게 할 것이며, 심지어 고객을 더 忠実하게 만들 수도 있다. 그러나 동시에, 그 45분은 은행에 대한 수백만 달러의 비용 절감으로 번역된다. 왜냐하면 이러한 도구는 더 중요한 작업을 위해 수시간의 인간 노동을 해방시키 때문이다.
AI는 금융 회사들이 의존하는 광범위한 금융 관료주의와 내부 프레임워크를 최적화하는 데 도움이 된다. đó가 pourquoi 가장 가치 있는 사용 사례는 종종 가장 화려한 것에서 멀리 떨어진 것으로 밝혀진다. 자율 트레이더 또는 클라이언트에게 최고의 거래를 제안하는 채팅봇은 인상적일 수 있지만, 자동화된 KYC 절차와_due_diligence_검사는 은행 또는 금융 회사에 훨씬 더 큰 경제적 가치를 가져다줄 가능성이 있다.
그러나 시티그룹의 문서 검토 프로세스와 마찬가지로, 이러한 개선이 고객에게도ประโยชน을 주는 것을 막는 것은 없다. 사용자는 앱에서 개인 AI 어시스턴트를 оцен할 수 있지만, 대출 결정을 몇 일에서 몇 분으로 줄일 수 있다면, 또는 그들의 거래가 잘못된 사기로서 표시되지 않는다면, 그들은 그것을 더 평가할 것이다. 이러한 확률은 수십 퍼센트 포인트로 낮아진다.
AI가 어떻게 가장 수익성 있는 “직원”이 되었는가?
일반적으로, 은행의 고객 기밀이 증가하면, 직원 수도 거의 비례하여 증가한다. 이전에는 동일한 팀 크기로 증가하는 수의 거래와 고객 문서를 검토하는 것이 불가능했다. 다양한 현대 기술 솔루션은 어느 정도 도움이 되었지만, 비즈니스 성장은 여전히 필연적으로 헤드카운트 성장으로 이어졌다. 그리고 회사에 있는 직원의 수가 많을수록, 필요한 관리자도 많아지고, 전체 구조를 감독하는 것이 더 비싸진다.
이제 AI가 등장했기 때문에, 이 문제는消滅하기 시작한다. 왜냐하면 AI 도구의 도움으로 더 적은 직원이 여전히 고객을 효과적으로 خدمت할 수 있기 때문이다. 일부 회사들은 이미 이러한 논리를 사용하고 있다. 클라라나는 주장한다. 하나의 AI 어시스턴트가 700명의 작업을 할 수 있다. 이러한 도구를 적용하는 비용이 무엇이든, 수백 명의 직원의 정기적인 급여에 가까이 갈 수 없다.
그러나 실제로 작동하게 하려면, 회사는 워크플로우에 AI를 제대로 통합해야 한다. 실험을 넘어서. 금융에서 많은 프로젝트는 여전히 시험 단계에 머물러 있다. 이는 명백히 많은 가치를 생성할 수 없다. 한 회사가 새로운 도구를 채택해야 하는지, 또는 AI 에이전트를 확장하는 방법에 대해 논의하는 동안, 그들의 경쟁자는 움직이지 않을 것이다. 그들은 자신의 AI 능력을 구축하는代わりに.
이 경주에서 뒤처지는 것은 상당한 금융 손실을 초래할 것이다. 정확히, 조기에 운영을 AI 레일로 전환하지 못하는 회사는 최대 9%의 이익을 잃을 수 있다. 이러한 손실을 나중에 메우는 것은 쉽지 않을 것이며, 금융 회사들이 견고한 AI 전략을 구축하도록 요구한다.
AI 의사 결정의 관리
여기서 가장 큰 도전이 나타난다. 왜냐하면 금융 운영에 에이전트를 내장하는 것은 필연적으로 일부 의사 결정 권한을 그들에게 위임하는 것을 의미하기 때문이다. 금융에서, AI가 기본적인 백오피스 운영을 최적화함으로써 일종의 무제한의 무료 “주니어 직원”이 된 곳에서, 이것은 상당한 위험을 초래한다. 문제는 이러한 종류의 작업에서 오류가 종종 가장 비싼 것이라는 것이다.
일반적으로, 규제 기관은 금융 기관이 무언가 위험한 것을 하는 것을 방지하고, 가능한 피해를 최소화하기 위한 규칙을 만든다. 그러나 AI의 경우, 산업은 감독보다 훨씬 빠르게 이동하고 있다. 왜냐하면 규제 기관의 4分의 1만이 규제 대상 实体에서 AI 사용에 대한 데이터를 수집하기 때문이다. 이는 회사의 수가 증가함에 따라 운영에 에이전트를 추가하는 회사의 속도를 따라가기에는 충분하지 않다.
결과적으로, 금융 회사들은 스스로 AI 주도 도구를 규제하는 방법을 찾아야 한다. 이것은 이해할 수 있다. 여기서 오류가 발생할 경우, 수백만 달러의 손실을 초래할 수 있기 때문이다. 예를 들어, 현대 은행에서 에이전트는 제한된 권한을 부여받는다. 실제 직원과 마찬가지로. 클라이언트 문서와 작업하는 경우, 클라이언트의 위험 등급을 변경할 권한이 필요하지 않다. 에이전트는 엄격한 운영 역할이 할당되며,이를 초과할 수 없다.
또한 에이전트의 모든 동작에 대한 자세한 기록을 유지하는 것은 가능한 또 다른 메커니즘이다. 오류가 발생할 경우, 에이전트가 취한 모든 단계를 추적할 수 있다. KYC 및 사기 탐지와 같은 영역에서, 클라이언트에 대한 질문이 나중에 몇 개월 후에 발생할 수 있으므로, 은행은 에이전트의 논리를 완전히 유지해야 한다.
AI 동작은 또한 샌드박스에서 테스트될 수 있다. 영국 은행은 예를 들어, 에이전트가 서로와 실제 시장과 상호 작용하는 방식을 이해하기 위해 AI 트레이딩 세션을 시뮬레이션하기 시작했다. 이러한 테스트는 에이전트가どこ에서 실수를 하는지 정확히 식별하는 데 도움이 되며, 공개되기 전에 문제를 해결할 수 있다.
궁극적으로, AI의 모든 결정은 인간에 의해 확인되어야 하며, 인간이 그에 대한 책임을 진다. 손실이 발생할 경우, “모델이 그렇게 결정했다”는 답변을 받아들이지 않을 것이며, 상위 관리자는 여전히 AI의 동작을 승인하고 그에 대한 책임을 져야 한다.
“은행 대 핀테크”에서 “빠른 대 느린”으로
AI 규제는 또한 금융 시장의 경쟁을 형성한다. 고객은 문서가 30분 더 빠르게 처리될 때 기뻐할 수 있지만, AI 봇이 그들의 신용 기록을 손상시키거나 돈을 잃게 할 경우 기뻐하지 않을 것이다. 이러한 문제를 피하기 위해, 고객은 그들의 돈을 투명하고 정직하게 AI 전략을 설명하는 회사에 더 신뢰할 가능성이 있다. 그리고 물론, AI를 관리하는 문제가 적다.
핀테크 회사들은 명백한 이점을 가지고 있다. 왜냐하면 그들은 레거시 시스템의 부담으로 가중되지 않기 때문이다. 현대적인 핀테크는 서비스를 처음부터 AI를 중심으로 구축할 수 있으며, 모든 프로세스를 즉시 자동화할 수 있다. 새로운 것을 구축하는 것이 레거시 시스템에 에이전트를 통합하는 것보다 훨씬 더 쉽다. 10년 된 COBOL 시스템과 팩스 기계에 의존하는 조직에 비해. 거의 반수의 핀테크 회사가 이미 고급 AI 채택 단계에 도달했다는 것은 놀라운 일이 아니다. 전통적인 금융 기관에서는 3分의 1이 채택했다.
은행이絶滅할 위기에 처한 것은 아니다. 그들은 이미 대공황, 1970년대, 대침체 등을 переж왔다. 그들은 변화에 적응하는 방법을 알고 있다. 레거시 덕분에, 그들은 огром한 고객 데이터, 자본, 그리고 평판을 축적했다. 그러나 이러한 이점을 의미 있게 사용하려면, 그들은 프로세스 전반에 걸쳐 AI를 완전히 통합해야 한다. 단순히 측면 제품에 추가하는 것은 거의 도움이 되지 않을 것이다.
