Bakom siffrorna: Hur AI blev finansens mest lönsamma “anställda”

I media porträtteras ofta banker och, i vidare mening, finans som människor i skräddarsydda kostymer som fattar affärsbeslut från skyskrapors översta våningar, eller begåvade traders som kan förstå marknadens tillstånd från lite data. Eftersom det är en av de mest kraftfulla bilderna av finans, fokuserar många diskussioner om nya tekniska funktioner inom detta område på hur de kommer att förändra detta arbete vid framsidan.

AI är inget undantag här, och en stor del av debatterna om dess antagande inom finans kretsar kring om agenter kommer att ersätta traders eller om de kan allokera kapital mer effektivt än rådgivare. Men den mest effektiva tillämpningen av AI visade sig vara långt ifrån den glamorösa bilden som många föreställer sig. I själva verket genererar artificiell intelligens mer pengar från vad som kan kallas den “tråkiga” sidan av finans, den dagliga verksamheten.

Där AI faktiskt skapar värde

Den största fördelen med AI är att den kan hantera uppgifter mycket billigare och flera gånger snabbare än människor. Och genom att göra detta genererar den faktiskt vinst genom ökad operativ effektivitet.

Till exempel har Citigroup, med hjälp av AI-verktyg, minskat tiden för dokumentgranskning före kontöppning från över en timme till bara 15 minuter. Naturligtvis kommer snabbare beslutsfattande att glädja kunderna och kanske till och med göra dem mer lojala. Men samtidigt översätter dessa 45 minuter till hundratusentals dollar i kostnadsbesparingar för banken, eftersom dessa verktyg frigör timmar av mänskligt arbete för viktigare uppgifter.

AI hjälper till att optimera den omfattande skiktet av finansiell byråkrati och interna ramar som företag förlitar sig på. Det är därför de mest värdefulla användningsfallen ofta visar sig vara långt ifrån de mest spektakulära. Autonoma traders eller en chattbot som föreslår de bästa erbjudandena till en kund kan låta imponerande, men automatiserade KYC-procedurer och due diligence-kontroller är sannolikt att ge mycket större ekonomiskt värde till en bank eller ett finansiellt företag.

Det sagda, precis som med Citigroups dokumentgranskningsprocess, finns det ingenting som hindrar att dessa förbättringar också gynnar kunderna. Användare kan uppskatta en personlig AI-assistent i en app, men de skulle uppskatta det ännu mer om lånebeslut kunde kortas från dagar till minuter, eller om deras transaktioner inte felaktigt flaggades som bedrägeri, eftersom sannolikheten för sådana minskats med dussintals procentenheter.

Hur blev AI den mest lönsamma “anställda”?

Vanligtvis, när en banks kundbas växer, måste personalen växa nästan proportionellt. Det var tidigare omöjligt att granska ett ökande antal transaktioner och kunddokument med samma lagstorlek. Olika moderna tekniska lösningar hjälpte till viss del, men affärsutvecklingen ledde fortfarande ofta till en ökning av personalstyrkan. Och ju fler anställda ett företag har, desto fler chefer behövs och desto dyrare blir det att övervaka hela strukturen.

Nu när AI har dykt upp, börjar detta problem att försvinna, eftersom färre anställda fortfarande kan effektivt betjäna en växande kundbas med hjälp av AI-verktyg. Vissa företag använder redan denna logik: Klarna har till exempel påstått att en AI-assistent kan göra arbetet för 700 personer. Oavsett vad kostnaden för att tillämpa sådana verktyg kan vara, är det osannolikt att den kommer i närheten av de regelbundna löneutbetalningarna för flera hundra anställda.

Men för att faktiskt få det att fungera måste ett företag integrera AI ordentligt i sina arbetsflöden, utöver bara experiment. Inom finans förblir många projekt fortfarande på pilotstadiet, vilket uppenbarligen inte kan generera mycket värde. Medan ett företag diskuterar om de ska anta nya instrument eller hur de ska skala upp AI-agenter, kommer deras konkurrenter inte att stå stilla och bygga upp sina egna AI-kapaciteter istället.

Att ligga efter i denna tävling skulle leda till betydande ekonomiska förluster. För att vara exakt, kan företag som misslyckas med att flytta sina verksamheter till AI-spår tidigt förlora upp till 9% av sina vinster. Att komma ikapp med en sådan nackdel senare skulle inte vara lätt, och det kräver att finansiella företag bygger upp en solid AI-strategi.

Hur man styr AI-beslut

Här kommer den största utmaningen, eftersom inbäddning av AI-agenter i finansiella operationer oundvikligen skulle innebära att delegera viss beslutsfattande myndighet till dem. Inom finans, där AI har blivit en sorts outtömlig källa till “junioranställda” genom att optimera grundläggande backoffice-operationer, utgör detta en betydande risk. Problemet är att misstag i detta arbete ofta är de dyraste.

Generellt sett förhindrar tillsynsmyndigheter finansiella organisationer från att göra något riskabelt och skapar regler för att minimera eventuella skador. Men när det gäller AI rör sig branschen mycket snabbare än tillsynen, eftersom bara en fjärdedel av myndigheterna samlar in data om AI-användning från reglerade enheter. Detta är uppenbarligen inte tillräckligt för att hålla jämna steg med det växande antalet företag som lägger till agenter i sina operationer.

Som ett resultat måste finansiella företag hitta sätt att reglera AI-drivna instrument själva. Detta är förståeligt, med tanke på att eventuella misstag här kan leda till förluster på miljontals dollar. Till exempel ges agenter i moderna banker begränsade behörigheter, precis som riktiga anställda. Om AI arbetar med kunddokument behöver den uppenbarligen inte rätten att ändra en kunds riskklassificering. Agenten tilldelas en strikt operativ roll och får inte överskrida den.

En annan möjlig och nödvändig mekanism är att spara detaljerade register över alla AI-åtgärder, så att om ett fel uppstår kan varje steg som agenten har tagit spåras. Inom områden som KYC och bedrägeridetektering kan frågor om en kund uppstå månader senare, så banker måste absolut spara ett fullständigt register över AI-assistentens logik.

AI-beteende kan också testas i en sandlåda. Bank of England har till exempel börjat simulera AI-handelssessioner för att förstå hur agenter skulle interagera med varandra och med den riktiga marknaden. Sådan testning hjälper till att identifiera exakt var en agent gör misstag och åtgärda problemet innan det blir offentligt.

Till slut är det värt att komma ihåg att varje AI-beslut måste bekräftas av en människa, som förblir ansvarig för det. I händelse av förluster kommer ingen att acceptera svaret “för att modellen bestämde så”, och en senior chef måste fortfarande godkänna AI:s åtgärder och ta ansvar för dem.

Från “Banker mot Fintech” till “Snabb mot Långsam”

AI-reglering formar också konkurrensen på den finansiella marknaden. Kunder kan vara nöjda när deras dokument bearbetas 30 minuter snabbare, men de kommer absolut inte att vara nöjda om en AI-bot skadar deras kreditvärdighet eller kostar dem pengar. För att undvika sådana problem är de mer benägna att lita på företag som förklarar sin AI-strategi öppet och ärligt. Och som, naturligtvis, har färre problem med att hantera det.

Fintech-företag har en uppenbar fördel här, enbart för att de inte tyngs ner av bördan av äldre system. Moderna fintech-företag kan bygga sina tjänster runt AI från början och automatisera alla processer omedelbart. Att bygga något nytt kan vara mycket lättare än att integrera AI-agenter i organisationer som fortfarande förlitar sig på faxmaskiner och årtionden gamla COBOL-system. Det är ingen överraskning att nästan hälften av fintech-företagen redan har nått en avancerad nivå av AI-antagande, jämfört med mindre än en tredjedel bland traditionella finansiella institutioner.

Banker är inte dömda till utdöende. Efter allt har de överlevt den stora depressionen, 1970-talet, den stora recessionen och mer. De vet hur man anpassar sig till förändringar. På grund av deras arv har de ackumulerat enorma mängder kunddata, kapital och rykte. Men för att meningsfullt använda dessa fördelar bör de fullt ut integrera AI i alla sina processer, eftersom att enbart lägga till det i en sidoprodukt inte skulle hjälpa mycket.