Deepak Kinger ประธานเจ้าหน้าที่ฝ่ายกลยุทธ์และผู้ร่วมก่อตั้ง EvoluteIQ – ชุดบทสัมภาษณ์

Deepak Kinger ประธานเจ้าหน้าที่ฝ่ายกลยุทธ์และผู้ร่วมก่อตั้ง EvoluteIQ เป็นผู้นำด้านเทคโนโลยีและธุรกิจที่มีประสบการณ์ โดยทำงานครอบคลุมด้านการเปลี่ยนแปลงองค์กร บริการทางการเงิน ระบบอัตโนมัติ และปัญญาประดิษฐ์มานานกว่าสองทศวรรษ ที่ EvoluteIQ เขามีส่วนกำหนดกลยุทธ์โดยรวมของบริษัท พร้อมกับเป็นผู้นำด้านพันธมิตรเทคโนโลยีที่สำคัญ ความร่วมมือด้านโซลูชัน การตลาด และความสัมพันธ์กับนักวิเคราะห์ ก่อนร่วมก่อตั้ง EvoluteIQ ในปี 2019 Kinger ดำรงตำแหน่งผู้นำระดับสูงที่ GALE Partners, Virtusa, Sapient, Headstrong, Wipro และ Mphasis โดยมีหน้าที่ตั้งแต่การบริหารธุรกิจบริการทางการเงินทั่วภูมิภาคเอเชียแปซิฟิก และให้คำปรึกษาผู้บริหารระดับสูงเกี่ยวกับการเปลี่ยนผ่านสู่ดิจิทัล ไปจนถึงการสร้างสายธุรกิจใหม่และเป็นผู้นำโครงการเทคโนโลยีขนาดใหญ่ ประสบการณ์ของเขาครอบคลุมด้านกลยุทธ์ การพัฒนาธุรกิจ การบริหารความสัมพันธ์กับลูกค้า การบริหาร P&L การดำเนินงาน และเทคโนโลยีเกิดใหม่ เช่น AI, แมชชีนเลิร์นนิง, ระบบอัตโนมัติด้วยหุ่นยนต์ซอฟต์แวร์, บล็อกเชน และวิทยาการข้อมูล

EvoluteIQ เป็นบริษัทด้าน AI สำหรับองค์กรและระบบอัตโนมัติอัจฉริยะ ซึ่งมุ่งช่วยให้องค์กรทำให้กระบวนการทางธุรกิจที่ซับซ้อนและครอบคลุมตั้งแต่ต้นจนจบเป็นระบบอัตโนมัติและประสานการทำงานเข้าด้วยกัน แพลตฟอร์ม EIQ ผสาน AI แบบเอเจนต์, generative AI, ระบบอัตโนมัติสำหรับกระบวนการและการตัดสินใจ, RPA อัจฉริยะ, การประมวลผลเหตุการณ์, โครงข่ายข้อมูล, การวิเคราะห์ข้อมูล, ตัวเชื่อมต่อระดับองค์กร และการพัฒนาแอปพลิเคชันแบบหลายช่องทางไว้ในสภาพแวดล้อมแบบโลว์โค้ด/โนโค้ด แพลตฟอร์มนี้ออกแบบมาเพื่อให้องค์กรเชื่อมต่อระบบเดิมที่มีอยู่ สร้างและปรับใช้ AI agent กับเวิร์กโฟลว์อัตโนมัติ ติดตามผลลัพธ์ และขยายการใช้ระบบอัตโนมัติในด้านต่าง ๆ เช่น ประสบการณ์ลูกค้า การเงิน การดำเนินงาน การขาย และการจัดการห่วงโซ่อุปทาน นับตั้งแต่ก่อตั้งในปี 2019 EvoluteIQ ได้ขยายจุดมุ่งเน้นไปสู่ระบบอัตโนมัติสำหรับองค์กรที่ขับเคลื่อนด้วย AI แบบเอเจนต์ ผ่านเทคโนโลยีต่าง ๆ ซึ่งรวมถึง AI Workbench และ Agentic Mesh Architecture และในปี 2025 บริษัทประกาศรับเงินลงทุนเพื่อการเติบโตแบบถือหุ้นส่วนน้อยมูลค่า 53 ล้านดอลลาร์ นำโดย Baird Capital เพื่อสนับสนุนการขยายธุรกิจทั่วโลกและเพิ่มการลงทุนในการดำเนินงานด้านวิจัยและพัฒนาในเบงกาลูรู

ก่อนร่วมก่อตั้ง EvoluteIQ ในปี 2019 คุณทำงานในแวดวงบริการทางการเงิน เทคโนโลยีองค์กร และการเปลี่ยนผ่านสู่ดิจิทัลมานานสองทศวรรษ คุณพบปัญหาใดบ้างที่เกิดขึ้นซ้ำ ๆ ภายในองค์กรขนาดใหญ่ ซึ่งท้ายที่สุดทำให้คุณเชื่อว่ามีโอกาสในการสร้าง EvoluteIQ และคุณต้องการใช้แนวทางที่แตกต่างอย่างไร

ก่อนก่อตั้ง EvoluteIQ ผมทำงานด้านที่ปรึกษามา 25 ปี โดยส่วนใหญ่มุ่งช่วยสถาบันการเงินขนาดใหญ่ดำเนินโครงการเปลี่ยนแปลง ซึ่งรวมถึงโครงการธนาคารดิจิทัลในยุคแรก ตลอดจนการซื้อขาย การบริหารความเสี่ยง และการเปลี่ยนแปลงในวงกว้างตั้งแต่ต้นจนจบ เมื่อเวลาผ่านไป ผมเห็นความต้องการระบบอัตโนมัติเพิ่มขึ้น และเราได้ช่วยองค์กรต่าง ๆ นำแพลตฟอร์มจากผู้ให้บริการรายใหญ่ที่สุดบางรายไปใช้งาน

ท้ายที่สุด สิ่งที่ผลักดันให้เราเริ่มต้น EvoluteIQ คือโอกาสที่จะเปลี่ยนจากการนำเทคโนโลยีของผู้อื่นไปใช้งาน มาเป็นการสร้างเทคโนโลยีขึ้นเอง เราเห็นโอกาสในการพัฒนาแนวทางด้านระบบอัตโนมัติที่บูรณาการมากขึ้น แทนที่จะให้องค์กรต้องนำเทคโนโลยี ใบอนุญาตใช้งาน และชั้นการผสานระบบหลายส่วนมาประกอบเข้าด้วยกัน นี่เป็นส่วนหนึ่งของแรงจูงใจในการก่อตั้ง EvoluteIQ ในปี 2019

ในการให้สัมภาษณ์ของเราครั้งก่อนกับ Unite.AISameet Gupte ผู้ร่วมก่อตั้งของคุณได้กล่าวถึงวิสัยทัศน์ในภาพกว้างของ EvoluteIQ ที่ต้องการเปลี่ยนองค์กรจากระบบอัตโนมัติที่ทำงานตามภารกิจ ไปสู่การดำเนินงานอัตโนมัติครบวงจรตั้งแต่ต้นจนจบ ซึ่งมี AI เป็นแกนหลัก การจัดการการเปลี่ยนแปลงด้านกฎระเบียบแสดงให้เห็นอย่างไรว่าเหตุใดจึงจำเป็นต้องเปลี่ยนจากการทำงานแต่ละอย่างให้เป็นระบบอัตโนมัติ ไปสู่การประสานกระบวนการทางธุรกิจทั้งหมดเข้าด้วยกัน

การเปลี่ยนแปลงด้านกฎระเบียบแทบไม่เคยส่งผลกระทบต่อภารกิจใดภารกิจหนึ่งเพียงลำพัง ในปี 2020 เราสร้างโซลูชันเพื่อรองรับการเปลี่ยนผ่านจาก LIBOR ธนาคารต้องรับมือกับการเปลี่ยนแปลงขนาดใหญ่ที่ส่งผลต่อสัญญาที่มีอยู่ และกำหนดให้ทีมปฏิบัติการ ผู้ช่วยทนายความ และทีมธุรกิจต้องตรวจสอบและแก้ไขสัญญาเหล่านั้น สถาบันหลายแห่งแก้ปัญหาด้วยการเพิ่มจำนวนคนเข้ามาทำงานเป็นหลัก บทเรียนที่เราได้จาก LIBOR คือ แม้กฎระเบียบที่เปลี่ยนแปลงไปในแต่ละครั้งจะแตกต่างกัน แต่ความท้าทายเบื้องหลังเกิดขึ้นซ้ำอยู่เสมอ การเปลี่ยนแปลงด้านกฎระเบียบและการปฏิบัติตามข้อกำหนดเป็นภารกิจที่ต้องดำเนินการอย่างต่อเนื่อง

จากข้อเสนอการเปลี่ยนแปลงของ FinCenในระยะหลังเกี่ยวกับการต่อต้านการฟอกเงินและการต่อต้านการสนับสนุนทางการเงินแก่การก่อการร้าย (AML/CFT) เราเห็นการเปลี่ยนจากรูปแบบการปฏิบัติตามข้อกำหนดที่กำหนดรายละเอียดตายตัวและเน้นการทำเครื่องหมายให้ครบทุกข้อ การเปลี่ยนแปลงนี้กลับยกระดับมาตรฐานด้านการปฏิบัติตามข้อกำหนด แทนที่จะทำให้ภาระเบาลง เพราะสถาบันต่าง ๆ ต้องตีความกฎระเบียบ ระบุความเสี่ยงของตนเอง และกำหนดว่าความเสี่ยงเหล่านั้นมีความหมายอย่างไรต่อรูปแบบการดำเนินงานของตน การเปลี่ยนแปลงนี้ย่อมครอบคลุมแผนกและหน่วยงานต่าง ๆ ทั่วทั้งองค์กร ไม่ใช่แค่ทีมกำกับดูแลการปฏิบัติตามข้อกำหนดและทีมตรวจสอบเท่านั้น

คุณเคยกล่าวว่าธนาคารควรเลิกมองการเปลี่ยนแปลงด้านกฎระเบียบครั้งใหญ่แต่ละครั้งเป็นโครงการเปลี่ยนแปลงใหม่ และหันมาสร้างขีดความสามารถในการจัดการการเปลี่ยนแปลงด้านกฎระเบียบให้เป็นส่วนหนึ่งของการดำเนินงานอย่างถาวร ในทางปฏิบัติ รูปแบบการดำเนินงานดังกล่าวจะเป็นอย่างไร และเหตุใดสถาบันการเงินจึงประสบปัญหาในการสร้างขีดความสามารถนี้มาโดยตลอด

รูปแบบการดำเนินงานใหม่นี้ต้องมองว่าการเปลี่ยนแปลงเกิดขึ้นอย่างต่อเนื่อง ไม่ใช่กระบวนการที่ต้องนำมาใช้ทุกไตรมาสหรือเฉพาะเมื่อผู้ตรวจสอบเข้ามาตรวจสอบ การพัฒนาโซลูชันสำหรับ LIBOR ทำให้เราเห็นว่า แม้ในที่สุดจะนำการเปลี่ยนแปลงด้านกฎระเบียบครั้งหนึ่งไปใช้ได้แล้ว แต่ความจำเป็นในการปรับตัวก็ไม่ได้หมดไป การทำความเข้าใจการเปลี่ยนแปลง แปลงข้อกำหนดให้เป็นแนวทางปฏิบัติงาน และปรับปรุงกระบวนการต่าง ๆ จะยังจำเป็นเมื่อเกิดการเปลี่ยนแปลงด้านกฎระเบียบครั้งต่อไป

รูปแบบการดำเนินงานใหม่นี้ต้องไม่แยกการทำงานไว้เฉพาะภายในฝ่ายกำกับดูแลการปฏิบัติตามกฎเกณฑ์ด้วย ภายใต้รูปแบบที่ยึดความเสี่ยงเป็นหลักมากขึ้น แม้ท้ายที่สุดฝ่ายกำกับดูแลการปฏิบัติตามกฎเกณฑ์อาจยังเป็นผู้รับผิดชอบให้มีการปฏิบัติตามข้อกำหนด แต่ฝ่ายปฏิบัติการ ฝ่ายกฎหมาย และในบางกรณี ฝ่ายบริหารความเสี่ยงด้านคู่สัญญา ก็ล้วนมีความสำคัญมากขึ้น สถาบันการเงินอาจพลาดได้หากประเมินต่ำเกินไปว่าการเปลี่ยนแปลงด้านกฎระเบียบส่งผลกระทบต่อองค์กรในวงกว้างเพียงใด

ที่ผ่านมา เรื่องนี้เป็นเรื่องยาก เพราะองค์กรต่าง ๆ สั่งสมระบบเทคโนโลยีที่แยกส่วนและรูปแบบการดำเนินงานที่แบ่งแยกเป็นไซโล เมื่อหน่วยธุรกิจต่าง ๆ ใช้แพลตฟอร์ม RPA, BPM ระบบรายงาน และแพลตฟอร์มอื่น ๆ แยกจากกัน การตอบสนองต่อข้อกำหนดใหม่ก็กลายเป็นโครงการบูรณาการระบบขึ้นมาอีกโครงการหนึ่ง

เมื่อมีการประกาศใช้กฎระเบียบใหม่ ธนาคารอาจต้องพิจารณาว่าลูกค้า ผลิตภัณฑ์ สัญญา ระบบ และกระบวนการใดได้รับผลกระทบบ้าง AI จะช่วยปรับปรุงการวิเคราะห์ผลกระทบนี้ได้อย่างเป็นรูปธรรมในส่วนใด และกระบวนการส่วนใดยังคงต้องอาศัยกฎเกณฑ์ที่กำหนดไว้แน่นอนหรือการใช้วิจารณญาณของมนุษย์

AI สามารถลดปริมาณงานที่ต้องทำด้วยตนเองเพื่อทำความเข้าใจและนำการเปลี่ยนแปลงด้านกฎระเบียบไปใช้ได้อย่างมาก โดยเฉพาะอย่างยิ่ง AI ช่วยวิเคราะห์และจัดหมวดหมู่ข้อมูลปริมาณมาก ตลอดจนระบุได้ว่าควรให้มนุษย์มุ่งความสนใจไปที่จุดใด ตัวอย่างเช่น ความสามารถด้านการตอบสนองต่อกฎระเบียบของ EvoluteIQ สามารถจัดหมวดหมู่และจัดลำดับความสำคัญของสัญญาตามประเภทลูกค้าและสินทรัพย์ เชื่อมโยงข้อมูลดังกล่าวกับระบบภายในองค์กรและแหล่งข้อมูลภายนอก แล้วประสานงานขั้นตอนต่อเนื่องระหว่างฝ่ายกฎหมาย ฝ่ายบริหารความเสี่ยง และฝ่ายปฏิบัติการ วิธีนี้ช่วยให้สถาบันการเงินก้าวจากการระบุสิ่งที่อาจได้รับผลกระทบ ไปสู่การจัดการการเปลี่ยนแปลงที่เกิดขึ้นตลอดทั้งกระบวนการได้จริง

การควบคุมและกำกับดูแลโดยมนุษย์ยังคงเป็นสิ่งจำเป็น ในกระบวนการที่อยู่ภายใต้กฎระเบียบ มีบางส่วนที่สถาบันต้องกำหนดกฎเกณฑ์ทางธุรกิจ เงื่อนไข ข้อยกเว้น และแนวทางยกระดับปัญหาไว้อย่างชัดเจน รูปแบบที่เราเชื่อมั่นคือการผสานความสามารถในการปรับตัวของ AI เข้ากับระบบอัตโนมัติที่ทำงานตามกฎเกณฑ์แน่นอน และการใช้วิจารณญาณของมนุษย์ในจุดที่เหมาะสม AI ช่วยตีความและชี้ให้เห็นสิ่งที่อาจต้องดำเนินการได้ ส่วนกฎเกณฑ์ที่กำหนดไว้แน่นอนสามารถกำกับวิธีดำเนินการตามการตัดสินใจที่ระบุไว้ ขณะที่ข้อยกเว้นหรือการตัดสินใจที่ต้องอาศัยวิจารณญาณสามารถส่งต่อให้ผู้รับผิดชอบที่เหมาะสมพิจารณาได้

การนำกฎระเบียบไปใช้มักเกี่ยวข้องกับทีมกฎหมาย กำกับดูแลการปฏิบัติตามกฎเกณฑ์ บริหารความเสี่ยง ปฏิบัติการ ข้อมูล และเทคโนโลยี AI และการประสานงานกระบวนการจะช่วยให้ทีมเหล่านี้ใช้การตีความกฎระเบียบร่วมกันได้อย่างไร แทนที่จะสร้างเวิร์กโฟลว์แยกกันและอาจกำหนดกฎเกณฑ์ทางธุรกิจที่ขัดแย้งกัน

ผลกระทบสำคัญประการหนึ่งของรูปแบบการกำกับดูแลการปฏิบัติตามกฎเกณฑ์ที่ยึดความเสี่ยงเป็นหลักมากขึ้น คือความรับผิดชอบกระจายไปทั่วทั้งองค์กรมากขึ้น แม้ท้ายที่สุดการรับผิดชอบยังอาจอยู่ที่ฝ่ายกำกับดูแลการปฏิบัติตามกฎเกณฑ์ แต่ทีมปฏิบัติการ กฎหมาย และบริหารความเสี่ยงด้านคู่สัญญาก็ล้วนมีบทบาทสำคัญ นั่นหมายความว่าสถาบันการเงินต้องไม่มองว่าฝ่ายกำกับดูแลการปฏิบัติตามกฎเกณฑ์สามารถดำเนินการตามข้อกำหนดได้เพียงลำพัง

นี่จึงเป็นเหตุผลที่แพลตฟอร์มแบบบูรณาการมีความสำคัญ ในองค์กรขนาดใหญ่ ระบบบันทึกข้อมูลหลักและกฎเกณฑ์ทางธุรกิจที่แตกต่างกันต้องได้รับการบูรณาการภายใต้รูปแบบใหม่นี้ แต่การทำเช่นนั้นยังต้องคำนึงถึงความซับซ้อนด้านความปลอดภัยด้วย แนวทางแบบรวมศูนย์ช่วยลดความเสี่ยงที่หน่วยงานต่าง ๆ ในองค์กรจะนำการเปลี่ยนแปลงเดียวกันไปใช้ผ่านชุดเทคโนโลยีที่แยกจากกันโดยสิ้นเชิง

Generative AI สามารถตีความเอกสารกฎระเบียบที่ซับซ้อนได้ แต่ธนาคารไม่อาจยอมรับข้อมูลหลอนหรือการตีความที่ไม่สอดคล้องกัน เมื่อมีการตัดสินใจด้านการกำกับดูแลการปฏิบัติตามกฎเกณฑ์ ควรวางมาตรการป้องกันใดไว้สำหรับระบบ AI ที่ใช้กับการเปลี่ยนแปลงด้านกฎระเบียบ และผู้เชี่ยวชาญที่เป็นมนุษย์ควรมีส่วนร่วมในกระบวนการตัดสินใจตรงจุดใดบ้าง

ประการแรก อย่านำเอเจนต์ AI ไปใช้งานแยกเดี่ยว เพราะอาจทำให้เอเจนต์แพร่กระจายจนขาดการกำกับดูแลที่เหมาะสม

ประการที่สอง สิ่งที่องค์กรทำให้เป็นระบบอัตโนมัติได้ไม่ได้ถูกจำกัดด้วยขีดความสามารถทางเทคนิคเพียงอย่างเดียว แต่ยังขึ้นอยู่กับกฎระเบียบ ความเป็นส่วนตัว และข้อมูลที่สามารถแบ่งปันได้โดยชอบด้วยกฎหมายด้วย

หลักการสำคัญในการออกแบบที่ต้องยึดถือคือ AI ควรช่วยเร่งงานด้านการตีความ แต่ไม่ควรเป็นผู้ตัดสินใจ ความรับผิดชอบในการกำกับดูแลการปฏิบัติตามกฎเกณฑ์ยังคงเป็นของบุคคลที่ระบุชื่อไว้ ตามที่หน่วยงานกำกับดูแลคาดหวัง มาตรการป้องกันแบ่งได้เป็นสองกลุ่ม ได้แก่ การควบคุมสิ่งที่ AI สร้างขึ้น และการกำหนดจุดตัดสินใจของมนุษย์ไว้อย่างตั้งใจ ผลลัพธ์ทุกอย่างที่ AI สร้างขึ้นต้องอ้างอิงแหล่งข้อมูลที่เชื่อถือได้ พร้อมกำหนดมาตรการควบคุมทั้งข้อมูลขาเข้าและขาออกไว้ภายในระบบ AI

ประการสุดท้าย ต้องจัดเก็บบันทึกการตรวจสอบสำหรับผลลัพธ์ทุกรายการ โดยระบุข้อกำหนดต้นทาง เวอร์ชันของโมเดลและพรอมป์ต์ ระดับความเชื่อมั่น ผู้ตรวจทาน การตัดสินใจ และเหตุผลประกอบ

ความสามารถในการตรวจสอบย้อนกลับมีความสำคัญเป็นพิเศษในภาคบริการทางการเงิน หาก AI ช่วยตีความกฎระเบียบ สร้างกฎเกณฑ์ทางธุรกิจ ระบุลูกค้าที่ได้รับผลกระทบ และเริ่มเวิร์กโฟลว์ สถาบันการเงินจะเก็บรักษาหลักฐานที่ชัดเจนเพื่อแสดงให้หน่วยงานกำกับดูแลเห็นได้อย่างไรว่าแต่ละการตัดสินใจเกิดขึ้นอย่างไรและเพราะเหตุใด

ในอุตสาหกรรมที่มีการกำกับดูแลอย่างเข้มงวด การตรวจสอบย้อนกลับต้องไปไกลกว่าการบันทึกคำตัดสินสุดท้าย การสร้างภาพเส้นทางที่นำไปสู่คำตัดสินนั้นขึ้นมาใหม่มีประโยชน์มากกว่า โดยแสดงให้เห็นว่ามีการใช้ข้อมูลใด ใช้กฎข้อใด มีการตัดสินใจเรื่องใดบ้าง มีการเปลี่ยนแปลงอะไรเกิดขึ้นตลอดกระบวนการ และมีมนุษย์เข้ามาแทรกแซงตรงจุดใดพร้อมอนุมัติสิ่งใด

เมื่อเอเจนต์หลายตัว กฎทางธุรกิจ และเวิร์กโฟลว์ทำงานโต้ตอบกัน การตรวจสอบย้อนกลับยิ่งมีความสำคัญมากขึ้น ควรฝังความสามารถในการตรวจสอบไว้ในชั้นการประสานงานตั้งแต่ต้น เส้นทางการตัดสินใจช่วยติดตามการตัดสินใจ การเปลี่ยนแปลงกฎ และเหตุผลเบื้องหลัง ส่วนการตรวจสอบย้อนกลับของเอเจนต์ตั้งแต่ต้นจนจบช่วยให้มองเห็นการทำงานตลอดห่วงโซ่ของการกระทำอัตโนมัติ

หากหน่วยงานกำกับดูแลถามว่าเหตุใดจึงจัดการลูกค้า สัญญา หรือธุรกรรมรายใดรายหนึ่งในลักษณะนั้น สถาบันการเงินควรสามารถตรวจสอบย้อนกลับจากผลลัพธ์ไปยังข้อมูล กฎ การตัดสินใจที่ขับเคลื่อนด้วย AI การอนุมัติ และการดำเนินการที่ทำให้เกิดผลลัพธ์ดังกล่าวได้ สิ่งนี้ทำให้ความสามารถในการอธิบายเหตุผลเปลี่ยนจากประเด็นในระดับโมเดลให้กลายเป็นขีดความสามารถในการปฏิบัติงาน

ธนาคารขนาดใหญ่ดำเนินงานบนโครงสร้างพื้นฐานเดิมที่สั่งสมมาหลายทศวรรษ โดยข้อมูลลูกค้าและธุรกรรมที่สำคัญกระจายอยู่ในระบบจำนวนมาก ธนาคารจะสร้างชั้นการกำกับดูแลการปฏิบัติตามกฎระเบียบที่ใช้ AI โดยไม่ต้องพยายามเปลี่ยนเทคโนโลยีพื้นฐานซึ่งมีค่าใช้จ่ายสูงได้อย่างไร 

ขีดความสามารถใหม่ใด ๆ สำหรับองค์กรต้องทำงานได้ภายในโครงสร้างพื้นฐานที่มีอยู่ การคาดหวังเป็นอย่างอื่นย่อมไม่สมเหตุสมผล การรวมระบบก็สำคัญเช่นกัน เพราะเราได้ยินจากลูกค้ามากขึ้นเรื่อย ๆ ว่าพวกเขามีแพลตฟอร์ม RPA หลายแพลตฟอร์ม หรือมีระบบ BPM เดิมที่ใช้เทคโนโลยีการรายงานหลายระบบแยกจากกันทั่วทั้งองค์กร ลูกค้าของเราเริ่มแสดงจุดยืนชัดเจนขึ้นว่าต้องการมุ่งเน้นเครื่องมือและระบบที่สร้างผลตอบแทนจากการลงทุน แทนที่จะมองหาระบบมาทดแทน ดังนั้น ชั้นการกำกับดูแลการปฏิบัติตามกฎระเบียบที่นำกลับมาใช้ซ้ำได้จึงต้องทำงานร่วมกับระบบที่มีอยู่ทั้งหมด แทนที่จะตั้งสมมติฐานว่าจะเปลี่ยนทุกสิ่งที่อยู่เบื้องหลัง

คุณทำงานร่วมกับสถาบันการเงินผ่านเทคโนโลยีมาหลายยุค ตั้งแต่ระบบหลักแบบดั้งเดิมไปจนถึงระบบอัตโนมัติด้วยหุ่นยนต์ การเรียนรู้ของเครื่อง และปัจจุบันคือ AI แบบเอเจนต์ อะไรคือความแตกต่างพื้นฐานของการเปลี่ยนผ่านสู่ AI ในครั้งนี้ และคุณคิดว่าสถาบันการเงินเสี่ยงที่จะทำผิดพลาดซ้ำจากวงจรระบบอัตโนมัติในอดีตตรงไหนบ้าง

ระบบอัตโนมัติในยุคก่อน ๆ ใช้กับงานที่กำหนดไว้ชัดเจนแล้ว ระบบธนาคารหลักจัดระเบียบข้อมูลบันทึกและธุรกรรมให้เป็นระบบ RPA ใช้สคริปต์จำลองการกดแป้นพิมพ์ไปตามหน้าจอต่าง ๆ ส่วนการเรียนรู้ของเครื่องใช้ทำนายเรื่องเฉพาะด้าน เช่น คะแนนความเสี่ยงการฉ้อโกงและความเสี่ยงด้านเครดิต จากข้อมูลที่มีโครงสร้างและวัดความแม่นยำได้ ในทุกกรณี มนุษย์หรือกฎที่กำหนดไว้ตายตัวจะเป็นผู้ตัดสินใจว่าควรทำอะไรต่อ จากนั้นเทคโนโลยีจึงดำเนินการตามเส้นทางที่ทราบอยู่แล้ว

AI แบบเอเจนต์ทำให้สิ่งนี้เปลี่ยนไปในหลายด้าน:

• จัดการงานที่ไม่มีโครงสร้างและต้องใช้วิจารณญาณได้มีประสิทธิภาพยิ่งขึ้น ธนาคารไม่ได้เพียงทำให้งานเป็นระบบอัตโนมัติอีกต่อไป แต่กำลังมอบหมายให้ระบบรับผิดชอบผลลัพธ์ และให้ระบบเลือกเส้นทางดำเนินงานเอง
• เกิดข้อผิดพลาดโดยไม่ส่งสัญญาณชัดเจน เมื่อธนาคารเปลี่ยนรูปแบบหน้าจอ บอต RPA จะหยุดทำงานอย่างเห็นได้ชัดและมีคนเข้ามาแก้ไข แต่เมื่อโมเดลภาษาตอบผิด คำตอบที่ได้กลับลื่นไหล ดูน่าเชื่อถือ และมั่นใจ นี่คือปัญหา
• พฤติกรรมของระบบเป็นแบบความน่าจะเป็น ดังนั้นการเชื่อมโยงระบบเข้ากับบริบทขององค์กรเพื่อหลีกเลี่ยงการสร้างข้อมูลหลอนจึงสำคัญอย่างยิ่ง
• ท้ายที่สุด การพัฒนาด้วย AI มีต้นทุนต่ำลง และ ขณะนี้ผู้ใช้ในสายธุรกิจสามารถสร้างเอเจนต์ที่ใช้งานได้จริงภายในบ่ายเดียว ในอดีต ขีดความสามารถด้านไอทีเป็นคอขวดของระบบอัตโนมัติ แต่ตอนนี้คอขวดอยู่ที่ขีดความสามารถด้านการกำกับดูแล

สถาบันการเงินควรระมัดระวังไม่ให้บทเรียนจากยุคระบบอัตโนมัติแบบดั้งเดิมถูกลืมไป ตัวอย่างเช่น:

• ทำให้กระบวนการที่มีปัญหาเป็นระบบอัตโนมัติ มรดกสำคัญที่สุดของ RPA คือบอตนับพันที่ซ้อนทับอยู่บนกระบวนการซึ่งไม่มีใครออกแบบใหม่ สิ่งนี้ก่อให้เกิดหนี้ทางเทคนิคที่เปราะบาง ซึ่งธนาคารยังคงต้องเสียค่าใช้จ่ายในการบำรุงรักษา การนำเอเจนต์ไปวางทับเวิร์กโฟลว์ที่กระจัดกระจายแบบเดิมเป็นการทำผิดพลาดซ้ำในระดับที่ซับซ้อนกว่าเดิม ธนาคารควรออกแบบงานใหม่ก่อน แล้วจึงตัดสินใจว่าจะมอบหมายงานใดให้ระบบ
• ไล่ตามตัวชี้วัดที่ดูดีแต่ไร้ความหมาย: โครงการพิสูจน์แนวคิดมักหยุดชะงักหากไม่มีแผนที่ได้รับงบประมาณรองรับเพื่อนำไปใช้งานจริง การนับจำนวนเอเจนต์ที่นำไปใช้งานเป็นการทำซ้ำนิสัยแบบ RPA ที่นับจำนวนบอต แทนที่จะวัดผลลัพธ์ทางธุรกิจที่แท้จริง
• ลงทุนด้านรากฐานข้อมูลไม่เพียงพอ การเรียนรู้ของเครื่องสอนให้เห็นว่าคุณภาพของโมเดลมีเพดานตามคุณภาพของข้อมูล เอเจนต์ที่ดึงข้อมูลจากนโยบายที่ล้าสมัย เอกสารที่ซ้ำกัน หรือแหล่งข้อมูลที่ขัดแย้งกัน จะให้เหตุผลอย่างมั่นใจโดยตั้งอยู่บนข้อมูลพื้นฐานที่ผิดพลาด

เมื่อมองไปข้างหน้า คุณเห็นว่าการกำกับดูแลการปฏิบัติตามกฎระเบียบจะพัฒนาไปสู่รูปแบบที่ดำเนินอย่างต่อเนื่องหรือเป็นอิสระบางส่วนหรือไม่ โดยระบบ AI ตรวจจับการเปลี่ยนแปลงด้านกฎระเบียบ ประเมินผลกระทบ ปรับปรุงเวิร์กโฟลว์ และยกระดับเฉพาะกรณียกเว้นที่ต้องใช้วิจารณญาณของมนุษย์เท่านั้น ธนาคารและหน่วยงานกำกับดูแลจะต้องทำอะไรบ้างก่อนจึงจะมั่นใจกับการทำงานอัตโนมัติในระดับนั้น

ใช่ แต่การทำงานอัตโนมัติจะเกิดขึ้นเป็นขั้น ๆ การตรวจจับ การคัดแยก การประเมินผลกระทบ และการปรับปรุงเวิร์กโฟลว์สำหรับการเปลี่ยนแปลงที่กำหนดได้ชัดเจนจะดำเนินอย่างต่อเนื่องและเป็นระบบอัตโนมัติเป็นส่วนใหญ่ ส่วนการใช้วิจารณญาณกับกฎที่คลุมเครือ การยอมรับความเสี่ยง และจุดยืนด้านกฎระเบียบ จะยังคงเป็นหน้าที่ของมนุษย์ เป้าหมายปลายทางที่เป็นไปได้จริงคือ “การทำงานอัตโนมัติภายใต้การกำกับดูแล” ซึ่งเครื่องจักรดำเนินวงจรงานตามปกติ ขณะที่มนุษย์กำกับดูแลกรณียกเว้น

เพื่อให้สิ่งนี้เกิดขึ้น หน่วยงานกำกับดูแลยังต้องเผยแพร่กฎในรูปแบบที่มีโครงสร้างและระบุเวอร์ชัน โดยต่อยอดจากโครงการต่าง ๆ เช่น งานด้านการรายงานข้อมูลตามข้อกำหนดทางดิจิทัลของ FCA และ Bank of England

นอกจากนี้ ยังจำเป็นต้อง ติดตั้งกลไกที่ย้อนคืนการเปลี่ยนแปลงได้และสวิตช์หยุดฉุกเฉินไว้ในระบบดำเนินการ เพื่อให้ การเปลี่ยนแปลงเวิร์กโฟลว์แบบอัตโนมัติสามารถย้อนกลับได้โดยง่ายเมื่อตรวจพบความผิดปกติ อัตราข้อผิดพลาด หรือการเปลี่ยนแปลงของโมเดล ผู้กำกับดูแลจะคุ้นเคยกับระบบเหล่านี้ได้เร็วขึ้นหากได้ใช้เครื่องมือที่คล้ายกันด้วย ซึ่งจะช่วยสร้างภาษากลางสำหรับการทดสอบ และอาจนำไปสู่การกำกับดูแลโดยตรงระหว่างเครื่องจักรด้วยกันเองในอนาคต

ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการทราบข้อมูลเพิ่มเติมสามารถเยี่ยมชม EvoluteIQ ได้