Varför AI-lyckade beror på bättre arbetsflöden, inte fler AI-verktyg

Jag har lagt märke till ett konsekvent mönster över finansiella institutioner som har testat allmänna AI-verktyg men kämpar för att identifiera och mäta påverkan. Ledningen fattar beslutet att investera, sedan implementerar de över team och väntar på påverkan. Efter några månader kommer förvirringen. Resultaten är inte tydliga, processer förbättras inte, antagande är på efterkälken och siffrorna förblir oförändrade. Avkastningen är inte uppenbar, och de pekar på verktyget som problemet, men verkligheten är att när du implementerar ett allmänt verktyg för allmänna produktivitetsvinster, finns det ingen meningsfull way att bestämma avkastning.

När jag pratar med banker och kreditföreningar om AI, försöker jag gräva djupare och identifiera problemet de försöker lösa med det. Svaret speglar ofta en verktygsframåtriktad approach snarare än en problemframåtriktad approach. De får teknologi och blir tillsagda att vara produktiva, men ingen tar sig tid att utvärdera vilka arbetsflöden som är komprometterade, var flaskhalsarna lever och vad framgångsmått ser ut för institutionen. Denna identifiering och diskriminering hjälper till att klargöra om AI är rätt verktyg för jobbet och mildrar frånkopplingen mellan teknologin och arbetsflödena den försöker optimera.

Varför allmänt AI är problemet

När du lägger till ett allmänt AI-verktyg utan att infoga det i ett specifikt arbetsflöde, lägger du bara till bördan. Teammedlemmen måste lära sig något nytt, dra slutsatser kring var och hur man ska använda det, navigera mellan flera system för att informera sammanhang och sedan syntetisera resultaten för att informera beslut. Det bidrar också till vad många av oss kallar för “swivel chair-effekten”: konstant rörelse mellan plattformar och system för att bygga en komplett bild.

Jämförande, AI-verktyg som är utformade för specifika arbetsflöden möter anställda där de arbetar istället för att be dem introducera en ny vana eller system. Eftersom dessa verktyg är specialbyggda, förstår de arbetsflödesnyanser, har tillgång till datakällor och förstår vad som kan och inte kan göras.

Om målen är avkastning och antagande men ingen förändringsplan eller budget finns, är skillnaden mellan “ett verktyg till att lära” och “ett specialbyggt tillägg till ditt arbetsflöde” skillnaden mellan att se resultat och inte.

Hur det ser ut i praktiken

Användningsfallen är bekanta. Ett samtal dirigeras till en kundtjänstrepresentant som begär support för en kontoinnehavare som behöver göra en större betalning än vanligt och undrar om övergångsgränserna kommer att stoppa det från att hända. Utan ett infogat AI-verktyg, tvingas CSR att växla mellan flera system: ett för att granska nyliga transaktioner, ett för att utvärdera gränser och möjligen ett tredje för att begära eventuella justeringar, samt en policygranskning för att bekräfta vad som är auktoriserat. Allt detta sker medan kontoinnehavaren är i vänteläge och ibland tar det upp till trettio minuter.

När AI är specialbyggt i arbetsflödet, kan samma uppgift ta närmare tio sekunder. Relevanta transaktionsdetaljer ytas omedelbart, gränser jämförs, justeringar görs som överensstämmer med institutionens policys och allt kan ses på en plats. Rapport byggs mellan CSR och kontoinnehavaren, och institutionen kan ägna vad som kunde ha varit trettio minuter till mer meningsfullt arbete. Skillnaden är en kvantifierbar förbättring inom dagliga arbetsflöden som direkt påverkar kund- och medlemserfarenhet.

En grund för mätbara resultat

Specialbyggt AI förenklar förmågan att kvantifiera och mäta framgång eftersom det är konstruerat för de specifika arbetsflöden som identifierades, mättes och valdes som en möjlighet för optimering med AI. Detta innebär att en baslinje redan finns, och du kan sedan mäta mot dessa baslinjer efteråt. Detta är viktigt eftersom AI är dyrt. Användningskostnader är pågående och behöver motiveras. Förmågan att tydligt kommunicera mätbara förbättringar är avgörande för att säkerställa att budgetar godkänns och redovisas.

Den gemensamma institutionella konkurrensfördelen

Jag arbetar nära med många gemensamma institutioner, och de har en fördel som ofta förbises. Dessa banker och kreditföreningar känner sina kunder och medlemmar personligen. De förstår de operativa nyanser som gör dem unika och kan snabbt identifiera var arbetsflöden bryts, och var flaskhalsar och inkonsekvenser finns. Den närheten är viktig. När specialbyggt AI implementeras genomtänkt, finns ofta en omedelbar påverkan. Team dyker upp mer konsekvent och bättre informerade, och institutionell kunskap blir något som hela organisationen kan komma åt och bygga på.

När AI löser riktiga kundproblem och börjar automatisera vad som är upprepande, kan ett 20-mannateam leverera utmatning och konsekvens som ett 35-mannateam. Erfarenheten blir bättre för kunder och medlemmar, och anställda får tillbaka sin tid för att fokusera på vad människor gör bäst, som bedömningsbeslut, vänlighet och empati som håller människor komma tillbaka och sätter gemensamma institutioner isär.

Vart man ska börja

Om AI-investeringar känns överväldigande, börja med problemet, inte AI-verktyget. Ta dig tid att sitta med dina team för att lära dig vad deras utmaningar är och var möjligheten ligger att förbättra deras arbetsupplevelse. Förstå var friktionen finns, vad som kräver mer utmatning än det borde och vad informationen är en konstant utmaning att upptäcka. Svaren kommer att hjälpa till att informera var AI kan skapa verkligt värde.

De finansiella institutionerna som gör den största framstegen med AI är inte de som flyttade snabbast, utan de som byggde med syfte.