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

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

Temukan berita dan acara fintech teratas!

Berlangganan buletin FinTech Weekly

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

Sedikit topik yang sepolarisasi seperti AI; putusan berkisar dari, di ujung yang lebih positif, perbatasan 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 di barisan depan yang istimewa untuk menyaksikan inovasi berkembang di seluruh spektrum perusahaan FS&I.

Pertama kali keluar, ada peningkatan kuat dalam dana lindung nilai kuantitatif, yang merangkul investasi signifikan dalam AI untuk meningkatkan pengembalian, dan juga asuransi, yang mendapatkan manfaat dari jumlah data yang sangat besar – keduanya dapat dengan mudah 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 murni dari infrastruktur AI telah memicu peningkatan yang kuat oleh dana perdagangan kuantitatif dan perusahaan asuransi serta manajemen kekayaan, semuanya mencari manfaat dari jumlah data besar yang sekarang tersedia bagi mereka.

Selain itu, banyak dari apa yang dijual sebagai AI hanyalah inkarnasi berikutnya dari otomatisasi.

Sementara kita melihat minat besar pada AI di semua jenis perusahaan layanan keuangan, berdasarkan potensi besar teknologi ini, kita pada akhirnya berada di kaki gunung adopsi. Selain itu, ada kasus penggunaan yang sangat bervariasi – bank tier satu akan menerapkan AI dengan cara yang sangat berbeda dibandingkan, katakanlah, sebuah koperasi bangunan lokal dengan sepuluh cabang.

Saya sering melihat selera yang berbeda dalam organisasi yang sama, dengan dewan, generasi yang lebih muda yang lebih paham digital, dan fungsi operasi/keuangan seringkali lebih menyambut ide tersebut, dibandingkan, katakanlah, rekan-rekan kepatuhan. Kekhawatiran yang sering muncul termasuk sifat “kotak hitam” dari teknologi, kekhawatiran tentang penerapan etis AI, 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 data mereka berada dalam keadaan yang tepat sejak awal; ini terdengar seperti usaha kecil, tetapi mereka adalah landasan inovasi yang sukses.

Kami sering melihat kasus penggunaan pertama yang diterapkan dalam alat produktivitas seperti ChatGPT, Co-pilot, atau Claude, yang sering menjadi titik masuk bagi banyak rekan dalam merangkul ide AI, dan terkadang disebut dengan kering sebagai “narkoba pintu gerbang”!

Secara budaya, mengadopsi AI bisa menjadi perubahan besar dari status quo, dan tim kepemimpinan yang sangat efektif akan berusaha untuk mempersiapkan masa depan organisasi mereka. Strategi SDM yang berpikiran ke depan sangat penting, membangun kemampuan dan keahlian AI internal, fokus pada keterampilan yang berlaku, keahlian, dan mendorong berbagi pengetahuan. Pandangan jangka panjang perlu diambil mengenai penempatan kembali rekan-rekan yang perannya terdisrupsi oleh efisiensi yang didorong oleh AI.

Ada fokus yang tepat pada nilai tambah AI; ada beberapa bank yang memiliki ratusan kasus penggunaan potensial dan menavigasi mana yang harus masuk ke bukti konsep, dan diluncurkan lebih luas, dapat menjadi tantangan. Praktik terbaik, untuk teknologi baru seperti itu, baru saja muncul. Pada awalnya, menggeser melalui sejumlah besar kasus penggunaan potensial untuk memprioritaskan yang menawarkan penciptaan nilai terbesar bisa sangat menakutkan, dan triase yang kejam dapat dilakukan berdasarkan dampak, biaya, kelayakan, dan keselarasan dengan tujuan bisnis yang lebih luas, untuk mengevaluasi potensi ROI.

Harus ada kerangka pengukuran yang dipikirkan dengan baik untuk mengevaluasi proyek AI, dengan KPI yang relevan, metodologi pengumpulan data yang kuat, dan mekanisme pelaporan yang jelas. Setelah proyek AI menjadi bagian dari BAU, harus ada kebijakan pengembangan iteratif berkelanjutan dari waktu ke waktu untuk memaksimalkan pengembalian dan memastikan keselarasan dengan prioritas strategis - sekali lagi ini sering menjadi fitur budaya 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 bisa diselesaikan AI lebih baik daripada yang lain?” Tak mengherankan, setiap organisasi memiliki jawaban yang sangat berbeda, dan saya berharap perusahaan akan bergumul 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 tidak menguntungkan.