Doslej je bila večina primerov uporabe umetne inteligence v bančništvu namenjena avtomatizaciji nalog ali ustvarjanju napovedi. To delo so opravljali nadzorovani in nenadzorovani modeli strojnega učenja (ML) (in včasih bolj zapleteni modeli globokega učenja), ki zahtevajo precejšnjo računalniško zmogljivost in velike količine podatkov. Uporaba strojnega učenja v bančništvu se je pospešila konec leta 2000 z razvojem programa Python for Data Analysis ali pandas – odprtokodnega paketa za analizo podatkov, napisanega za programski jezik Python. Finančna analiza je bila tudi naravni prejemnik inovativnih, podatkovno intenzivnih aplikacij, zlasti iz drugih disciplin. Primeri vključujejo življenjske tabele iz zavarovalništva, simulacije Monte Carlo in stohastične metode iz fizike, ki so po drugi strani spodbudile nov razvoj strojnega učenja in sorodnih tehnologij.
O prednostih te zgodnejše umetne inteligence priča dejstvo, da so (kljub njeni zapletenosti) banke, ponudniki finančnih storitev in zavarovalniški sektor postali eni izmed njenih najaktivnejših uporabnikov.
Avtomatizacija, ki jo vodi umetna inteligenca, je v glavnem pripomogla k poenostavitvi poslovanja bank in zmanjšanju stroškov, saj so banke opredelile ročna in mehanska opravila, ki jih opravlja osebje, ter jih nadomestile z računalniki, ki niso le stroškovno učinkoviti, temveč tudi manj nagnjeni k napakam pri delovanju. Primer umetne inteligence v bančništvu, ki spodbuja avtomatizacijo, je sistem za obdelavo dokumentov banke Standard Chartered, imenovan Trade AI Engine, ki je bil razvit skupaj z IBM-om. Ta lahko pregleduje nestrukturirane podatke v različnih oblikah, prepoznava in razvršča dokumente ter se uči iz lastnega delovanja.
Banke so zmogljivosti in podatke umetne inteligence, lastne in zunanje, uporabile tudi za povečanje zmogljivosti zaposlenih, tako da so jim omogočile opravljanje nalog, ki jih prej niso zmogli. Modeli za napovedovanje in priporočanje so na primer izkoristili sposobnost UI (predvsem z nenadzorovanim strojnim učenjem), da analizira velike količine podatkov in odkrije skrite vzorce, ki človeku ne bi bili očitni. To je omogočilo natančnejše in hitrejše sprejemanje odločitev.
To prepoznavanje vzorcev je bilo uporabljeno zlasti pri odkrivanju goljufij in finančnem napovedovanju, pri čemer se po podatkih S&P Global Market Intelligence TMT približno 40 % podjetij s področja finančnih storitev pri obeh primerih uporabe zanaša predvsem na strojno učenje.
Generativna umetna inteligenca bo prinesla nove priložnosti in grožnje
Medtem ko sta avtomatizacija in napovedovanje, ki ju omogoča umetna inteligenca, običajna dela digitalne preobrazbe bank (vsaj za večje in tehnološko izpopolnjene banke), so naložbe v orodja, ki jih poganjajo novejši sistemi na osnovi generativne umetne inteligence, in njihova uporaba še vedno v povojih (glej graf 4). Možnosti (in tveganja) torej še niso v celoti preizkušene. Vendar se zdi, da je potencial nove umetne inteligence za preoblikovanje bančništva velik.
Prav tako se je treba zavedati, da bo ta novi val umetne inteligence prinesel priložnosti tudi za veliko in rastočo mrežo podjetij s področja finančne tehnologije (fintech). Zmogljivosti, ki iz tega izhajajo, bi lahko povečale potencial fintech za motnje v bančnem sektorju in zaradi tega povečale pritisk na banke, da raziščejo nove aplikacije generativne UI.
Zmogljive možnosti, ki jih ponuja generativna umetna inteligenca, izhajajo iz njene zmožnosti ustvarjanja vsebin na podlagi analize velikih količin podatkov, vključno z besedilom, sliko, videom in kodo. Ta zmožnost pomeni, da jo je na primer mogoče uporabiti za povzemanje vsebine, odgovarjanje na vprašanja v obliki klepeta ter urejanje ali pripravo novih vsebin v različnih oblikah. Natančneje to pomeni, da lahko generativna umetna inteligenca v bančništvu hitro in poceni (ko bodo modeli uporabljeni v velikem obsegu) ustvari hiperpersonalizirane izdelke in storitve ali pospeši inženiring programske opreme, migracijo IT in posodobitev programov. Prav tako bi lahko povečala sposobnosti ljudi s klepetalnimi roboti ali virtualnimi pomočniki z umetno inteligenco – to je v ospredju partnerstva med banko Morgan Stanley in OpenAI, ameriškim raziskovalnim laboratorijem, ki stoji za ChatGPT.
Generativna umetna inteligenca v bančništvu: Naslednjih pet let
Svetovna poraba za umetno inteligenco naj bi leta 2023 dosegla 166 milijard dolarjev (pri čemer bo bančništvo po panogah eden največjih prispevkov s približno 13 %), do leta 2027 pa naj bi se povečala na približno 450 milijard dolarjev, kaže poročilo družbe International Data Corp. (IDC), ponudnika tehnoloških tržnih informacij in svetovalnih storitev.
Načini, na katere bodo banke uporabljale generativno umetno inteligenco, bodo verjetno prinesli nekaj presenečenj, vendar se zdi gotovo, da bo nova tehnologija povzročila razvoj in razširitev vloge umetne inteligence v bančnem sektorju.
Pomembne spremembe zaradi uporabe generativne umetne inteligence v bančništvu verjetno ne bodo takojšnje. Pričakujemo, da bodo banke v naslednjih dveh do petih letih še naprej preizkušale generativne modele umetne inteligence in vanje veliko vlagale, preden bodo razširile uporabo pri strankah in se lotile bolj transformativnih projektov. Poleg tega se bo večina primerov uporabe v bankah v bližnji prihodnosti verjetno osredotočala na ponudbo inkrementalnih inovacij (tj. majhnih povečanj učinkovitosti in drugih izboljšav v poslovnih enotah) in bo temeljila na specifičnih poslovnih potrebah. Nazadnje, pričakujemo, da bodo zaposleni še naprej imeli nadzorno vlogo, znano kot človek v zanki (HITL), da bi zagotovili, da bodo rezultati izpolnili pričakovanja (v smislu točnosti, natančnosti in skladnosti), ko bo tehnologija dozorela.
Poleg novih poslovnih primerov uporabe bodo banke generativno umetno inteligenco (prek modelov temeljev) verjetno uporabile tudi za obstoječe in starejše aplikacije umetne inteligence, da bi izboljšale njihovo učinkovitost. Digitalizacija in avtomatizacija procesov, namenjenih strankam, na primer ustvarjata digitalno podatkovno sled, ki jo lahko generativna UI uporabi za natančnejšo prilagoditev storitve in njenih notranjih procesov. To lahko nato zagotovi nadaljnjo digitalizacijo, vključno s hiperobsežno prilagoditvijo, ki bi lahko omogočila boljšo segmentacijo in zadržanje strank. Digitalne podatkovne sledi bi lahko uporabili tudi za izboljšanje upravljanja tveganj, zbiranja podatkov, poročanja in spremljanja.
Kako bodo banke razvijale svoje generativne zmogljivosti umetne inteligence, bo verjetno odvisno od njihovega obsega in naložbenih zmogljivosti. Možnosti segajo od zunanjega izvajanja (s sklenitvijo pogodbe s tretjo osebo) do lastnega razvoja in številnih hibridnih rešitev, ki vključujejo fino prilagoditev obstoječih modelov. Čeprav je večina aplikacij generativne umetne inteligence v bančništvu še vedno v zgodnjih fazah razvoja, je spekter projektov in pristopov že viden.
Prednosti in pomisleki umetne inteligence v bančništvu
Generativna umetna inteligenca lahko bančnemu sektorju bolj kot drugim sektorjem koristi zaradi svoje sposobnosti razumevanja tako imenovanega naravnega jezika (jezika, kot se običajno uporablja). Naravni jezik se namreč pogosto uporablja na delovnih mestih, ki temeljijo na znanju in za katere so značilni višja izobrazba, učinkovita komunikacija, sodelovanje med ljudmi in logično-jezikovne spretnosti. Čeprav se bo vpliv generativne umetne inteligence na različne bančne dejavnosti razlikoval, bi lahko bile koristi precejšnje. Na primer, izboljšanje produktivnosti zaposlenih v službi za stranke bi lahko prineslo zmanjšanje stroškov in izboljšanje učinkovitosti. Graf 5 povzema nekatere od potencialnih koristi, ki jih pričakujemo z večjo uporabo generativne umetne inteligence v bančništvu.
Kot pri vsaki uporabi nove tehnologije bo tudi sprejetje generativne umetne inteligence povezano s tveganji, stroški in pomisleki. To še posebej velja za novo iteracijo umetne inteligence glede na hitrost, s katero se tehnologija razvija, njene možnosti uporabe v celotnih poslovnih funkcijah ter potencialno širino njene uporabe v panogah in družbi.
Ti pomisleki vključujejo splošna vprašanja, ki veljajo za številne panoge, in druga, ki so specifična za banke. V prvi košarici so etični pomisleki, povezani z umetno inteligenco, kot je zmožnost pojasnjevanja ustvarjenih vsebin ali pristranskosti, vgrajenih v podatke. Pristranskost pri izbiri v bančništvu lahko na primer ohranja vprašanja profiliranja na podlagi spola, rase ali etnične pripadnosti, kar bi lahko vodilo v nepošteno kreditno točkovanje in diskriminacijo strank. Drugo ključno generično vprašanje so okoljski pomisleki (in kritike) zaradi visoke ravni energije, ki jo porabijo modeli umetne inteligence – po ocenah se za usposabljanje generativnega modela umetne inteligence na leto porabi več energije kot za 100 ameriških domov.
Vprašanja bi se lahko pojavila tudi ob dozorevanju še vedno novih regulativnih okvirov umetne inteligence, pri čemer se lahko pojavijo razlike v nadzoru in zahtevah med regijami. To bi lahko vplivalo na številne panoge, vendar bo še posebej pomembno za bančni sektor, ki je strogo reguliran in se v primerjavi z drugimi sektorji sooča z višjimi tveganji ravnanja, ugleda in sistemskimi tveganji. Ker je umetna inteligenca vse bolj regulirana in se novi predpisi širijo na večje geografske regije, bi lahko bile banke izpostavljene tveganju glob ali regulativne prekinitve nekaterih dejavnosti, če bi modeli povzročili slabe rezultate za stranke (na primer diskriminacijo strank ali uhajanje podatkov), povzročili napake pri upravljanju tveganj, ki bi se jim bilo mogoče izogniti, ali če ne bi izpolnjevali zahtev glede preglednosti, varnosti in robustnosti.
Druga tveganja umetne inteligence, ki so značilna za bančni sektor, vključujejo vprašanja, ki se vrtijo okoli varnosti in zasebnosti, tveganja, povezana s premestitvijo delovne sile zaradi umetne inteligence, in tveganje naraščajočih naložb v umetno inteligenco, ki so potrebne za sledenje digitalni preobrazbi
Strategije umetne inteligence lahko zagotovijo konkurenčne prednosti bankam, ki imajo zmogljivosti in prožnost, da jih kar najbolje izkoristijo. Dobro uporabljena umetna inteligenca bi lahko povečala prihodke iz poslovanja, in sicer z izboljšanjem odločanja zaposlenih in sprostitvijo prihodkovnega potenciala strank – nenazadnje tudi zaradi personaliziranih storitev in produktov. Poleg tega bi lahko pomembno pozitivno vplivala na stroške, saj bi lahko zanesljiva strategija UI v bančništvu poenostavila poslovanje, zmanjšala stroške poslovanja ter tako izboljšala učinkovitost in dobičkonosnost.
Premiki v teh dejavnikih so lahko pomembni za našo oceno poslovnega položaja bank, zlasti kadar povečujejo razliko med konkurenčnim položajem bank, saj prispevajo k močnejšim franšizam ter agilnejšim in donosnejšim poslovnim modelom.
Generativna umetna inteligenca v bančništvu obeta, da bo te razlike še povečala, saj bo imela vlogo tudi pri sposobnosti bank, da povečajo obseg in posodobijo starejše IT-sisteme – zlasti s programsko opremo z nizkim številom kod / brez kod, ki bi lahko ponudila pomembne prihranke. S tem bi se lahko zmanjšala tudi operativna tveganja in stroški, ki izhajajo iz delovanja bank na stari infrastrukturi in delovno intenzivnih sistemih. Ocenjujemo na primer, da bi 10-odstotno zmanjšanje stroškov bančnega osebja v povprečju izboljšalo donosnost kapitala za približno 100 bazičnih točk in razmerje med stroški in prihodki za približno 3 odstotne točke, in sicer na podlagi globalne lestvice 200 najbolje ocenjenih bank po svetu, ki jo sestavlja agencija S&P Global Ratings. Te potencialne koristi bi bilo treba uravnotežiti z naložbami v tehnologijo, ki jih zahtevajo, in z možnostmi, da banke zmanjšajo število zaposlenih (ob ohranitvi prihodkov). Tako je treba še videti, v kolikšni meri bodo banke, ki bodo uspešno uvajale strategije umetne inteligence, bistveno presegle tiste, ki so v ozadju pri uvajanju umetne inteligence.
UI lahko izboljša tudi upravljanje tveganj in bi tako lahko vplivala na naš pogled na profil tveganosti banke, čeprav posredno. Na primer pri kreditnem tveganju bo banka, ki lahko natančno določi ceno tveganja in uporabi vzorce, skrite v podatkih, za ugotavljanje verjetnosti, da bodo stranke odplačale dolg (ali postale problematične), izboljšala svoje modele izterjave, zmanjšala problematična posojila in izboljšala natančnost oblikovanja rezervacij. Posledično bi se morala njegova uspešnost, prilagojena tveganju, izboljšati v primerjavi s konkurenčnimi podjetji.
Razlike bodo zagotovile sprejetje več hitrosti
Vse banke ali celo regije ne bodo delovale enako hitro. Lokalna konkurenčna okolja, zakonodajni razvoj, naložbene zmogljivosti bank in preference strank bodo imeli pomembno vlogo pri določanju obsega, v katerem se bo regionalna uporaba umetne inteligence izkazala za konservativno ali bolj transformativno.
Čeprav je generativna umetna inteligenca še vedno v povojih, ima potencial, da postane tehnologija splošne rabe, ki je razširjena, omogoča dopolnilne inovacije, izboljšuje kakovost izdelkov in storitev ter zmanjšuje stroške (podobno kot internetna revolucija). Vendar pa je treba pri obravnavi teh potencialnih koristi enako težo nameniti razumevanju povezanih tveganj in pomislekov (znanih in tistih, ki se bodo šele pojavili).
Zato bo treba še ugotoviti, s kakšno hitrostjo in v kakšnem obsegu je za banke poslovno smiselno vlagati v transformacijske strategije umetne inteligence.