Agentic AI w finansach: Jak liderzy danych bezpiecznie zwiększają skalę

W całej Europie liderzy danych w sektorze usług finansowych znajdują się w trudnej sytuacji – są chętni do wdrażania i skalowania narzędzi AI, ale ograniczają ich wymogi zgodności, zarządzanie ryzykiem oraz wyzwanie udowodnienia namacalnej wartości. Zgodnie z naszym badaniem CDO Insights 2025, ponad 97% globalnych liderów danych przyznaje, że ma trudności z jasnym wykazaniem wartości biznesowej generatywnej AI. Co więcej, podczas gdy 87% planuje przyspieszyć inwestycje w AI, 67% przyznaje, że przekształciło mniej niż połowę swoich pilotaży AI w pełne wdrożenia. Jedną z największych przeszkód jest pozyskanie akceptacji kierownictwa. Ponad jedna trzecia (35%) twierdzi, że uzyskanie wsparcia i wykazanie wartości to kluczowe wyzwanie utrudniające wdrożenie AI. Oznacza to, że wiele organizacji tkwi w martwym punkcie, wahając się przed zaangażowaniem w szersze wdrożenia bez mierzalnych dowodów skuteczności. Ta niepewność pozostaje w ostrej sprzeczności z potencjałem technologii. McKinsey szacuje, że AI i analityka mogą dostarczyć nawet 1 bilion dolarów dodatkowej rocznej wartości dla globalnego sektora bankowego, podczas gdy sama generatywna AI może przyczynić się do zysku operacyjnego w wysokości do 340 miliardów dolarów. To zbyt znacząca okazja, by ją zignorować – ale należy do niej podejść w sposób, który zapewnia zgodność z przepisami, buduje zaufanie i generuje sprawdzone zwroty.

Droga naprzód

Pomimo znaczących przeciwności, istnieją organizacje w całej Europie i na świecie, które posuwają naprzód wdrożenie AI, badając, jak mogą zbierać owoce agentów AI. Te, które odnoszą postępy, nie robią tego, rzucając się na głęboką wodę w złożone, długoterminowe wdrożenia. Zamiast tego przyjmują przemyślane podejście: zaczynają od małych kroków, budują zaufanie, udowadniają wartość i zwiększają skalę dopiero wtedy, gdy technologia udowodni swoją skuteczność. Najbardziej udane wdrożenia AI nie dzieją się z dnia na dzień. Zaczynają się od małych, ale mających duży wpływ działań, które budują zaufanie i przynoszą rezultaty. Oto trzy kroki, od których można zacząć.

1. Użyj AI do oczyszczenia danych przed skalowaniem

Nawet z uzyskaną zgodnością, systemy AI są tak dobre, jak dane, na których są zbudowane. Niska jakość danych podważy dokładność, efektywność i zaufanie. W rzeczywistości 43% liderów danych twierdzi, że problemy z danymi są ich największą barierą w skalowaniu generatywnej AI. Dobrą wiadomością jest to, że sama AI może pomóc rozwiązać te problemy z danymi. W usługach finansowych na przykład niektóre firmy wykorzystują narzędzia AI do oczyszczania danych dotyczących należności, usuwając duplikaty, korygując nieaktualne wpisy i rozwiązując niezgodne rekordy. Gdy dane są uporządkowane i wiarygodne, firmy mogą zautomatyzować działania następcze, poprawić przepływy pieniężne i działać z większą pewnością w oparciu o oparte na AI wnioski. Jest to również główny priorytet inwestycyjny. 86% liderów danych planuje zwiększyć wydatki na zarządzanie danymi, a prawie połowa jako główną motywację podaje dostosowanie danych do AI.

2. Zacznij od skupionych agentów wykonawczych

Wdrażanie wąsko wyspecjalizowanych agentów „wykonawczych” to jeden z najszybszych sposobów na osiągnięcie mierzalnych sukcesów. Agenci ci są zaprojektowani do obsługi bardzo konkretnych, dobrze zdefiniowanych zadań, takich jak kompilowanie podsumowań spotkań, przetwarzanie standardowych transakcji lub kategoryzowanie napływających zapytań klientów. Ponieważ agenci wykonawczy są łatwi w monitorowaniu, wytwarzają wyniki, które są wyraźnie śledzone i łatwiejsze do weryfikacji pod kątem dokładności. To nie tylko zmniejsza ryzyko operacyjne, ale także dostarcza wczesnych dowodów skuteczności dla interesariuszy, pomagając w pozyskaniu akceptacji dla szerszego wdrożenia. Po wykazaniu sukcesu w przypadku agentów jednozadaniowych, organizacje mogą wprowadzać bardziej złożone struktury agentowe, takie jak planiści i orkiestratorzy, do obsługi wieloetapowych przepływów pracy.

3. Usprawnij raportowanie zgodności poprzez automatyzację

Zgodność to obszar w usługach finansowych wymagający dużych nakładów zasobów. Raportowanie regulacyjne często wymaga gromadzenia i uzgadniania danych z wielu źródeł, proces ten może pochłaniać setki godzin i opierać się na niewielkiej grupie wykwalifikowanych specjalistów. AI doskonale się tu sprawdza, stanowiąc doskonały punkt wyjścia do testowania i skalowania technologii. Gdy podstawowe dane są oczyszczone i ustrukturyzowane, AI może przejąć część ciężkiej pracy. Na przykład, generowanie raportów zgodnych z BCBS 239 można częściowo zautomatyzować, wykorzystując mapowanie metadanych w połączeniu z agentycznymi modelami AI. Systemy te mogą wytwarzać dokładne pierwsze wersje, które są następnie recenzowane przez pracowników ds. zgodności, skracając czas realizacji przy zachowaniu kontroli jakości. Potencjał w tym obszarze jest znaczący. McKinsey podkreśla przypadek jednego globalnego banku, który osiągnął wzrost produktywności o 200% do 2000% w procesach poznania klienta (KYC), adoptując podejście „fabryki agentów AI”. Zachowano nadzór człowieka, ale zautomatyzowano najbardziej czasochłonne etapy.

Lekcje z podróży danych wielonarodowego banku

Jeden holenderski bank wielonarodowy uznał ważność zbudowania fundamentów danych dla sukcesu AI. Zdał sobie sprawę z wagi zarządzania danymi, czyniąc z tego priorytet. Zainwestował we właściwe procesy organizacyjne umożliwiające dostarczanie na skalę, dokonując przemyślanych wyborów, aby umocnić zespoły. Dał też zespołom jasny kierunek i silną współpracę międzyfunkcjonalną, aby odniosły sukces. To połączenie wiarygodnych danych, umocnionych zespołów i jasnego kierunku strategicznego umożliwia AI dostarczanie wartości biznesowej – a nie tylko rezultatów technologicznych.

Budowanie impetu bez utraty kontroli

Ponieważ 76% firm z sektora usług finansowych planuje wdrożyć rozwiązania agentycznej AI w ciągu najbliższych 12 miesięcy, impet rośnie. Jednak jasne jest, że najbardziej udane organizacje nie rzucają się w pełną transformację. Wdrażają AI strategicznie, skupiając się na małych, dobrze ograniczonych przypadkach użycia, które dostarczają mierzalnej wartości i poprawiają efektywność operacyjną. Wbudowują również zarządzanie na każdym etapie, zapewniając wczesne i częste zaangażowanie zespołów ds. zgodności. Poprzez przyjęcie tego przyrostowego podejścia firmy mogą przyspieszyć adopcję AI bez poświęcania zaufania lub zgodności regulacyjnej, przekształcając „zaczynanie od małego” z postrzeganego ograniczenia w przemyślaną, sprawdzoną strategię wzrostu. W adopcji AI szybkość ma znaczenie, ale bezpieczeństwo i skalowalność mają znaczenie większe. Instytucje usług finansowych, które zaczynają od małego, udowadniają wartość i zwiększają skalę z pewnością siebie, będą najlepiej przygotowane do uwolnienia bilionowego potencjału AI.