Bak tallene: Hvordan AI ble finansens mest lønnsomme “ansatt”

I media blir bank og finans ofte portrettert som mennesker i skarpe dresser som tar forretningsbeslutninger fra toppetasje av skyskrapere, eller talentfulle handlere som kan forstå markedets tilstand fra lite data. Siden dette er et av de mest kraftfulle bildene av finans, fokuserer mange diskusjoner om nye tekniske funksjoner i dette feltet på hvordan de vil endre denne front-desk-arbeiden.

AI er ikke et unntak her, og en stor del av debattene omkring dets innføring i finans sentrerer seg på om agenter vil erstatte handlere eller om de kan allokere kapital mer effektivt enn rådgivere. Men den mest effektive anvendelsen av AI viste seg å være langt fra det glamorøse bildet som mange forestiller seg. I virkeligheten bringer kunstig intelligens inn mer penger fra det som kan kalles den “kjedelige” siden av finans, den dag-til-dag-driften.

Hvor AI faktisk skaper verdi

Den største fordelen med AI er at det kan håndtere oppgaver mye billigere og flere ganger raskere enn mennesker. Og ved å gjøre dette, genererer det litteralt profitt gjennom økt operasjonell effisiens.

For eksempel, med hjelp av AI-verktøy, reduserte Citigroup dokument-gjennomgangstiden før kontoåpning fra over en time til bare 15 minutter. Naturligvis vil raskere beslutningstagning glede kundene og kan kanskje sogar gjøre dem mer lojale. Men samtidig oversettes disse 45 minuttene til hundredtusener av dollar i kostnadsbesparelser for banken, fordi disse verktøyene frigjør timer av menneskelig arbeid for viktigere arbeid.

AI hjelper med å optimalisere den enorme lag av finansiell byråkrati og interne rammer som selskaper avhenger av. Det er derfor at de mest verdifulle bruksområdene ofte viser seg å være langt fra de mest spektakulære. Autonome handlere eller en chatbot som foreslår de beste tilbudene til en kunde, kan høres imponerende ut, men automatiserte KYC-prosedyrer og due diligence-sjekker er sannsynligvis å bringe mye større økonomisk verdi til en bank eller et finansielt selskap.

Det sagt, likesom med Citigroups dokument-gjennomgangsprosess, hindrer ingenting disse forbedringene fra å også være til fordel for kundene. Brukerne kan sette pris på en personlig AI-assistent i en app, men de ville sette enda mer pris på det hvis lånebeslutninger kunne kuttes fra dager til minutter, eller hvis deres transaksjoner ikke ble feilaktig merket som svindel, da slike sannsynligheter ble redusert med titalls prosentpoeng.

Hvordan ble AI den mest lønnsomme “ansatte”?

Vanligvis, når en banks kundebase vokser, må også staben vokse nesten proporsjonalt. Det var tidligere umulig å gjennomgå en økende mengde transaksjoner og kundedokumenter med samme lag størrelse. Forskellige moderne teknologiske løsninger hjalp til en viss grad, men forretningsvekst ledet alltid til økt antall ansatte. Og jo flere ansatte et selskap har, jo flere ledere trengs det, og jo dyrere blir det å overvåke hele strukturen.

Nå som AI har kommet, begynner dette problemet å forsvinne, da færre ansatte likevel kan effektivt betjene en voksende kundebase med hjelp av AI-verktøy. Noen selskaper bruker allerede denne logikken: Klarna har for eksempel hevdet at en AI-assistent kan gjøre arbeidet til 700 mennesker. Uansett hva kostnadene ved å bruke slike verktøy kan være, er det usannsynlig at det kommer i nærheten av de regulære lønnsutbetalingene til flere hundre ansatte.

Likevel, for å faktisk få det til å fungere, må et selskap integrere AI ordentlig i sine arbeidsprosesser, utover bare eksperimenter. I finans, forblir mange prosjekter på pilotstadiet, som åpenbart ikke kan generere mye verdi. Mens ett selskap diskuterer om å adoptere nye instrumenter eller hvordan å skalerer AI-agenter, vil konkurrentene ikke stå stille, men bygge sine egne AI-kapasiteter i stedet.

Å bli liggende etter i denne kappløpet ville føre til betydelige finansielle tap. For å være nøyaktig, kunne selskaper som ikke klarte å flytte operasjonene over på AI-spor tidlig, tape opptil 9% av sine profitter. Å komme igjen etter en slik tilbakegang senere ville ikke være lett, og det krever at finansielle selskaper bygger en solid AI-strategi.

Hvordan styre AI-beslutninger

Her kommer den største utfordringen, fordi innføring av AI-agenter i finansielle operasjoner uunngåelig ville bety å delegerer noen beslutningsmyndighet til dem. I finans, der AI har blitt en slags ubegrenset kilde til “junior-ansatte” ved å optimalisere grunnleggende bakkontor-operasjoner, stiller dette en betydelig risiko. Tingene er sånn at feil i denne type arbeid ofte er de dyreste.

Vanligvis forhindrer regulatorer finansielle organisasjoner fra å gjøre noe risikabelt og lager regler for å minimere mulig skade. Likevel, når det kommer til AI, beveger industrien seg mye raskere enn tilsynet, siden bare en fjerdedel av myndighetene samlar inn data om AI-bruk fra regulerte enheter. Dette er åpenbart ikke nok til å holde pace med den økende mengden selskaper som legger til agenter i sine operasjoner.

Som resultat må finansielle selskaper finne måter å regulere AI-drevne instrumenter selv. Dette er forståelig, gitt at enhver feil her kan føre til multimillion-dollar-tap. For eksempel, i moderne banker, blir agenter gitt begrensede tillatelser, mye som virkelige ansatte. Hvis AI arbeider med kundedokumenter, har den åpenbart ikke behov for retten til å endre en kundes risikoklasse. Agenten blir tildelt en streng operativ rolle og er ikke tillatt å overstige den.

En annen mulig og absolut nødvendig mekanisme er å holde detaljerte poster over alle AI-handlinger, så hvis en feil skjer, kan hver enkelt steg agenten har tatt, spores. I områder som KYC og svindelforsking, kan spørsmål om en kunde oppstå måneder senere, så banker absolutt må beholde en fullstendig post over AI-assistentens logikk.

AI-atferd kan også testes i en sandkasse. Bank of England har for eksempel simulert AI-handelssesjoner for å forstå hvordan agenter ville samhandle med hverandre og med det virkelige markedet. Slike tester hjelper med å identifisere akkurat hvor en agent gjør feil og fikse problemet før det blir offentlig.

Til slutt er det verdt å huske på at enhver AI-beslutning må bekreftes av en menneske, som forblir ansvarlig for den. I tilfelle av tap, vil ingen akseptere svaret “fordi modellen bestemte det”, og en seniorleder må likevel godkjenne AI-handlingene og ta ansvar for dem.

Fra “Banks-vs-Fintech” til “Fast-vs-Slow”

AI-regulering former også konkurranse i det finansielle markedet. Kunder kan være glade når deres dokument er prosessert 30 minutter raskere, men de vil absolutt ikke være glade hvis en AI-bot skader deres kreditt historie eller koster dem penger. For å unngå slike problemer, er de mer sannsynlig å stole på selskaper som forklarer sin AI-strategi åpent og ærlig. Og som, selvfølgelig, har færre problemer med å håndtere det.

Fintech-selskaper har en åpenbar fordel her, bare fordi de ikke er belastet av byrden av legacy-systemer. Moderne fintech-selskaper kan bygge sine tjenester rundt AI fra starten av og automatisere alle prosessene umiddelbart. Å bygge noe nytt kan være mye enklere enn å forsøke å integrere AI-agenter i organisasjoner som fortsatt avhenger av faks-maskiner og tiår gamle COBOL-systemer. Det er ingen overraskelse at nesten halvparten av fintech-selskaper allerede har nådd et avansert stadium av AI-adoptsjon, sammenlignet med mindre enn en tredjedel blant tradisjonelle finansielle institusjoner.

Banker er ikke dømt til utryddelse. Etter alt, har de overlevd den store depresjonen, 1970-årene, den store resesjonen, og mer. De vet hvordan de skal tilpasse seg endringer. Fordi de har en arv, har de samlet inn enorme mengder kundedata, kapital og omdømme. Likevel, for å bruke disse fordelene på en meningsfull måte, bør de fullt ut integrere AI over sine prosesser, ettersom å bare legge det til en sideprodukt ikke ville hjelpe mye.