Tankeledere

Hvordan banker kan gjenvinne tillit i en tid med AI-drevet digital bankvirksomhet

Corey Gross
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterTillit til bankvirksomhet avhenger nå av resultater snarere enn feilfri presisjon fra…
Vis mer
  • Tillit til bankvirksomhet avhenger nå av resultater snarere enn feilfri presisjon fra probabilistiske systemer.
  • Adaptiv tillit kombinerer probabilistisk AI med sikkerhetsmekanismer, tilbakemeldingssløyfer og menneskelig skjønn der innsatsen krever det.
  • Banker som definerer hvor AI hører hjemme, vil oppnå adopsjon, mens vage plattformer vil miste skeptiske institusjonelle kjøpere.

Tillit har alltid vært grunnlaget for bankvirksomhet. Men når kunstig intelligens blir mer og mer integrert i bankdrift og kundeopplevelser, har måten tillit skapes og brytes ned på, endret seg fundamentalt.

I flere tiår har banker og kredittforeninger bygget tillit gjennom deterministiske systemer. Hvis en kunde satte inn en sjekk, dukket pengene opp. Hvis de betalte en regning, ble den betalt. Disse systemene fulgte klare, lineære logiske regler: hvis X skjer, så følger Y. Pålitelighet og konsistens var tillitssignalene.

AI-drevet digital bankvirksomhet opererer annerledes. Mange av de mest lovende AI-teknologiene, særlig store språkmodeller (LLM), er probabilistiske av design. De produserer ikke ett enkelt “korrekt” svar hver gang. De produserer en rekke plausible resultater basert på kontekst, mønstre og innlært atferd. Den probabilistiske naturen er ikke en feil; det er grunnen til at AI kan være nyttig i visse bankprosesser. Men det betyr også at finansielle institusjoner ikke kan evaluere eller styre AI ved hjelp av samme tillitsrammeverk de har brukt til tradisjonell programvare.

Bankene og kredittforeningene som sliter mest med implementering og innføring av AI i dag, gjør ofte samme feil: de forventer perfeksjon der det ikke er mulig eller nødvendig. Ved å gjøre dette, blander de sammen nøyaktighet og tillit. De to er ikke det samme.

Nøyaktighet er ikke det samme som tillit

Ingen maskinlæringsmodell er 100% nøyaktig. Dette er ikke et teknologisk gap som venter på å bli løst; det er et definerende kjennetegn for hvordan disse systemene fungerer. AI-modeller lærer på måter som speiler menneskelig resonnering: absorberer inndata, vektlegger sannsynligheter og genererer resultater basert på kontekst. Akkurat som mennesker ikke er perfekt konsistente i sine vurderinger, er heller ikke probabilistiske systemer det.

Når finansielle institusjoner behandler denne variasjonen som en defekt, legger de opp til skuffelse. Enda viktigere, de risikerer å bruke AI feil på problemer der deterministiske systemer er bedre verktøy. Hvis målet er presisjon, konsistens og absolutt korrekthet hver gang, er tradisjonell programvare fortsatt raskere, billigere og mer pålitelig.

Tillit, i en AI-kontekst, bør i stedet måles ved resultater. Hjalp verktøyet brukeren med å fullføre oppgaven de hadde tenkt? Reduserte det friksjon, forbedret klarhet eller akselererte beslutningstaking? Hvis svaret er ja, og bruksområdet er passende, er tillit etablert selv om selve resultatet ikke er helt presist.

Tenk på en kundeservicemedarbeider som utarbeider en sikker melding til en kunde. En deterministisk arbeidsflyt kan ikke hjelpe med å skrive empatisk, kontekstbevisst språk. En LLM kan. Resultatet er kanskje ikke perfekt ved første forsøk, men med menneskelig gjennomgang som del av prosessen gir den pålitelig bedre resultater enn å starte fra grunnen av. I denne situasjonen er AI betrodd fordi den gjør det den skal gjøre.

Adaptiv tillit i praksis

Det er her ideen om adaptiv tillit blir essensiell. Adaptiv tillit erkjenner at ikke alle interaksjoner krever samme nivå av sikkerhet, tilsyn eller kontroll. I stedet for å bruke strenge regler universelt, tilpasses adaptive tillitsrammeverk etter kontekst, risiko og hensikt.

I praktisk forstand betyr adaptiv tillit å kombinere probabilistiske AI-systemer med tydelige sikkerhetsrammer og tilbakemeldingsløkker. Inndata er begrenset til relevante domener. Resultater er formet av retningslinjer, rollebaserte tillatelser og historiske bruksmønstre. Viktigst er det at mennesker forblir delaktige i prosessen der dømmekraft teller.

For eksempel kan en AI-assistent brukt av bank- eller kredittforeningsansatte fremheve vanlige forespørsler basert på observert atferd: nylige transaksjoner, mislykkede innloggingsforsøk eller endringer i kontoinformasjon. Over tid lærer systemet hvilke spørsmål som er mest relevante i bestemte kontekster og tilpasser seg deretter. Irrelevante eller usikre forespørsler ignoreres. Høyrisikohandlinger krever eksplisitt bekreftelse. Informasjonsforespørsler med lavere risiko håndteres automatisk.

Tillit, i denne modellen, er ikke statisk. Den styrkes kontinuerlig gjennom gjennomsiktighet, konsistens og gjenoppretting. Brukere kan se hvor informasjonen kommer fra. De kan spore resultater tilbake til kildesystemer. Og hvis noe ikke ser riktig ut, kan de intervenere, rette feilen eller angre handlingen.

Hva gjør AI pålitelig i bankvirksomhet

AI blir pålitelig i bankvirksomhet når riktig verktøy brukes til riktig jobb, og når rollen er tydelig forstått av både institusjonen og brukeren.

Probabilistiske verktøy bør brukes til probabilistiske resultater: sammenfatting, veiledning, utarbeidelse, utforskning og mønstergjenkjenning. Deterministiske verktøy bør fortsatt håndtere oppgaver som krever presisjon, som transaksjonsbehandling, saldi og betalinger. Problemer oppstår når disse grensene blir uklare.

Gjennomsiktighet er et avgjørende virkemiddel for å bygge tillit. Når AI-systemer henviser til sine kilder, viser sitt arbeid eller tydelig skiller mellom innhenting av fakta og subjektiv veiledning, lærer brukerne hvordan de skal bruke dem på en passende måte. Over tid skaper dette informert tillit i stedet for blind tillit.

Like viktig er muligheten til gjenoppretting. Tillit eroderer raskt når brukere ikke kan verifisere eller angre en handling. Systemer som tillater brukere å inspisere resultater, sjekke referanser eller falle tilbake til tradisjonelle arbeidsflyter, opprettholder tillit selv når AI er involvert.

Hvorfor tillit vil være den virkelige differensiatoren i 2026

I 2026 vil AI-egenskapene selv ikke lenger være en meningsfull differensiator. De fleste finansielle institusjoner vil ha tilgang til lignende modeller, verktøy og infrastruktur. Hva som vil skille ledere fra etternølere, er hvor effektivt de tar i bruk disse verktøyene på måter som samsvarer med kundeforventninger.

Kunder og medlemmer kommer ikke til sin finansielle institusjon for å søke tvetydighet. De forventer determinisme der det teller mest: innskudd, betalinger, overføringer og saldi. AI-systemer som introduserer usikkerhet i disse arbeidsflytene, vil slite med å vinne aksept, uansett hvor imponerende demoen er.

Omvendt, banker og kredittforeninger som klart definerer hvor AI tilfører verdi – og hvor det ikke gjør det – vil oppnå raskere innføring og dypere tillit. Disse institusjonene vil motstå fristelsen til å vise frem prangende AI-opplevelser uten styring til fordel for løsninger som stille forbedrer resultater.

Samme prinsippet gjelder for kjøpere. Finansielle institusjoner er stadig mer skeptiske til AI-løsninger som ser imponerende ut, men ikke passer godt til reelle operative behov. Leverandører som kan demonstrere gjennomtenkt tilpasning til bruksområder, sikkerhetsrammer og styring, vil overgå de som selger brede, udefinerte “AI-plattformer”.

Tillit avhenger av bruksområdet

Til syvende og sist er tillit ikke absolutt. Den er kontekstavhengig. Vi stoler på verktøy som pålitelig gjør jobben de er designet for å gjøre. Vi mister tillit når de feiler i den ene jobben, selv om de er sofistikerte eller innovative.

AI kan ikke stoles på ved hjelp av samme målinger som brukes til deterministiske systemer. Å måle probabilistiske verktøy etter presisjon alene, er feil KPI. I stedet, må banker og kredittforeninger evaluere AI basert på effektivitet, gjennomsiktighet og brukerkontroll innen klart definerte brukstilfeller.

Når finansielle institusjoner omfavner denne distinksjonen, slutter tillit å være en barriere for innføring av AI og blir et designprinsipp. Adaptive tillitsrammeverk lar institusjoner gå raskere frem uten å ofre tillit og å ta i bruk AI på måter som styrker, i stedet for å undergrave, forholdet til deres kunder.

I en tid med AI-drevet digital bankvirksomhet krever det ikke perfeksjon å gjenvinne tillit. Det krever klarhet, disiplin og ydmykhet til å bruke hvert verktøy bare der det virkelig hører hjemme.

Corey Gross er VP og sjef for Data & AI i Q2, en leverandør av digitale transformasjonsløsninger for finansielle tjenester. Han driver selskapets portefølje av data-sentriske løsninger, inkludert Q2 SMART, Q2 Discover og Andi, og leder utviklingen av kapasiteter som utnytter AI.