Kecerdasan Buatan: Pakaian Baru Sang Kaisar? Adopsi dalam Layanan Keuangan

Katharine Wooller adalah Kepala Strategi – Layanan Keuangan, Softcat plc, sebuah perusahaan IT yang terdaftar di FTSE.

Temukan berita dan acara fintech teratas!

Langganan buletin FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna dan lainnya

Sedikit topik yang sepolarisasi seperti AI; pendapat berkisar dari, di ujung yang lebih positif, batasan berikutnya dari kemajuan manusia, solusi teknologi yang mencari masalah untuk diperbaiki, atau, yang terburuk, potensi untuk menciptakan akhir umat manusia.

Sebagai Kepala Strategi untuk Softcat, yang mendukung 2.500 perusahaan layanan keuangan melalui layanan TI dan infrastruktur, saya memiliki tempat duduk barisan depan yang istimewa untuk menyaksikan inovasi terungkap di seluruh spektrum perusahaan FS&I.

Pertama kali keluar, ada adopsi yang kuat di dana lindung nilai kuantitatif, yang memanfaatkan investasi signifikan dalam AI untuk meningkatkan hasil, dan juga asuransi, yang mendapat manfaat dari jumlah data yang besar - keduanya dengan mudah dapat membenarkan kasus penggunaan yang jelas dengan ROI yang kuat.
 
Perusahaan layanan keuangan telah melakukan pemodelan matematis dan pembelajaran mesin hampir satu dekade sebelum AI dipasarkan dalam bentuknya yang sekarang, tetapi baru-baru ini kinerja infrastruktur AI yang luar biasa telah mendorong adopsi yang kuat oleh dana perdagangan kuantitatif dan perusahaan asuransi serta manajemen kekayaan, yang semuanya mencari manfaat dari jumlah data besar yang kini tersedia bagi mereka.

Lebih jauh lagi, banyak dari apa yang dijual sebagai AI hanyalah inkarnasi berikutnya dari otomatisasi.

Sementara kami melihat minat besar pada AI di semua jenis perusahaan layanan keuangan, berdasarkan potensi besar teknologi, kami pada akhirnya berada di kaki bukit adopsi. Selanjutnya, ada kasus penggunaan yang sangat bervariasi - bank tier satu akan menerapkan AI dengan cara yang sangat berbeda dibandingkan, katakanlah, sebuah lembaga pembangunan lokal dengan sepuluh cabang.

Saya sering melihat selera yang berbeda dalam organisasi yang sama, dengan dewan, generasi yang lebih muda yang lebih melek digital, dan fungsi operasional/keuangan seringkali lebih menerima ide ini, dibandingkan, katakanlah, rekan-rekan kepatuhan. Kekhawatiran yang diangkat sering mencakup sifat “kotak hitam” dari teknologi, kekhawatiran tentang penerapan AI yang etis, dan kurangnya kejelasan regulasi.

Namun, ada pola yang jelas muncul dalam apa yang membuat adopsi awal dan tingkat penggunaan yang kuat. Perusahaan yang sukses memiliki strategi yang kuat untuk mengadopsi AI, mendirikan pusat keunggulan dan memastikan bahwa data mereka berada dalam keadaan yang sesuai sejak awal; ini terdengar seperti upaya kecil, tetapi mereka adalah dasar dari inovasi yang sukses.

Kami sering melihat kasus penggunaan pertama untuk diterapkan dalam alat produktivitas seperti ChatGPT, Co-pilot, atau Claude, yang seringkali menjadi titik masuk bagi banyak rekan dalam menerima ide AI, dan kadang-kadang disebut dengan kering sebagai “obat gerbang”!
 
Secara budaya, mengadopsi AI bisa menjadi pergeseran besar dari status quo, dan tim kepemimpinan yang sangat efektif akan mencari cara untuk melindungi organisasi mereka di masa depan. Strategi SDM yang berpikiran maju sangat penting, membangun kemampuan dan keahlian AI internal, fokus pada keterampilan yang dapat diterapkan, keahlian, dan mendorong berbagi pengetahuan. Pandangan jangka panjang perlu diambil pada penempatan kembali rekan-rekan yang perannya tergeser oleh efisiensi yang didorong oleh AI.

Ada fokus yang tepat pada nilai tambah AI; ada beberapa bank yang memiliki ratusan potensi kasus penggunaan dan menavigasi mana yang masuk ke konsep pembuktian, dan diluncurkan lebih luas, bisa menjadi tantangan. Praktik terbaik, untuk teknologi yang baru seperti ini, baru saja muncul. Dalam tahap pertama, memilah melalui jumlah besar potensi kasus penggunaan untuk memprioritaskan yang menawarkan penciptaan nilai terbesar bisa menjadi sangat melelahkan, dan triase yang ketat dapat dilakukan berdasarkan dampak, biaya, kelayakan, dan keselarasan dengan tujuan bisnis yang lebih luas, untuk mengevaluasi potensi ROI.

Perlu ada kerangka pengukuran yang dipikirkan dengan baik untuk mengevaluasi proyek AI, dengan KPI yang relevan, metodologi pengumpulan data yang kuat, dan mekanisme pelaporan yang didefinisikan dengan jelas. Setelah proyek AI menjadi bagian dari BAU, perlu ada kebijakan pengembangan iteratif yang berkelanjutan seiring waktu untuk memaksimalkan hasil dan memastikan keselarasan dengan prioritas strategis - sekali lagi ini sering menjadi fitur budaya dari tim berkinerja tinggi.

Baru-baru ini, saya diundang untuk berbicara tentang AI dengan seorang regulator. Selama meja bundar industri, sebuah pertanyaan yang sangat membingungkan diajukan: “Masalah apa yang dapat diselesaikan AI lebih baik daripada yang lainnya?” Tak mengherankan, setiap organisasi memiliki jawaban yang sangat berbeda, dan saya mengharapkan perusahaan-perusahaan akan bergelut dengan pertanyaan ini selama bertahun-tahun yang akan datang.

Mereka yang tidak dapat bersikap strategis tentang AI, dan menerapkannya dengan cara yang tepat dan tepat waktu, akan berada dalam posisi yang sangat merugikan.