*Перешлите оригинальное название ‘#81 - За пределами шумихи: почему Gen AI является следующим истинным сдвигом платформы в банковском деле (Читать бесплатно)’

Спонсировано Triage

Создано руководителями

В финансовом секторе Африки узкая специализация в таких областях, как риск, кредит, соблюдение норм и технологии, может определить успех или неудачу компании. Ориентирование в сложных регуляциях и интеграция новых технологий требуют от лидеров понимания нюансов финансовых продуктов, ожиданий заинтересованных сторон и рыночной реальности. Без такой глубины знаний даже хорошо финансируемые учреждения рискуют дорогостоящими ошибками, которые расстраивают инвесторов, тормозят рост и подрывают доверие клиентов.

Triage приносит сочетание практического опыта в качестве операторов в банковском и финансовом секторах, а также глобального опыта работы с некоторыми из крупнейших финансовых организаций в мире. Наша команда работала с высшими руководителями более чем в 35 странах Африки, поддерживая ряд стратегий роста и изменений для различных клиентов, от начинающих предприятий до компаний на стадии роста, цифровых трансформаций и изменений. Этот широкий опыт позволяет нам отличать мимолетную экспертизу от подлинной способности, гарантируя, что вы взаимодействуете с лидерами, которые действительно понимают, что необходимо для достижения успеха в быстро развивающемся мире финансовых услуг.

Введение

Скептицизм — это то, что необходимо, чтобы заглянуть за баланс, последние чудеса финансовой инженерии или историю, которую нельзя упустить. . . . Только скептик может отделить вещи, которые звучат хорошо и являются таковыми, от вещей, которые звучат хорошо, но не являются. Лучшие инвесторы, которых я знаю, воплощают эту черту. Это абсолютная необходимость. - Говард Маркс

Будучи молодым человеком в финансовой сфере, важно развивать здоровую дозу скептицизма. В банковской сфере особенно скептицизм оправдывает себя, потому что самые успешные банки – это те, которые избегают убытков, а не те, которые гонятся за выигрышем. Это негативное искусство. Тем не менее, скептицизм не равен пессимизму. Это просто означает наличие проницательности относительно того, что является хайпом, а что нет. Проблема многих людей в финансах заключается в том, что они попадают в ловушку скептицизма ради социального сигнала о том, что они умные.

Как сказал Джон Коллисон или это был Навал Равиканта: "Пессимисты звучат умно, оптимисты зарабатывают деньги". Скептический ум ценен. Однако для того, чтобы он был ценным, он должен сочетаться с аналитической строгостью и, что важно, способностью менять свое мнение, когда факты меняются.

Это полезный контекст для текущего обсуждения генеративного ИИ, особенно в банковском деле и финансах. Важно конкретно упоминать генеративный ИИ в отличие от машинного обучения, которое существует уже некоторое время, особенно в банковском секторе. Генеративный ИИ — это тип интеллекта, который может создавать новые вещи, такие как текст, изображения, аудио или видео, обучаясь на огромных объемах данных. Ленивый скептицизм заставляет многих людей преждевременно называть ИИ хайпом, в то время как безудержный оптимизм может привести к преждевременным инвестициям. Чтобы принимать разумные решения вокруг ИИ, важно поставить ИИ в контекст, особенно его экономический контекст. Это означает анализ ИИ как изменения платформы и его историческое сопоставление с другими изменениями платформ. ИИ в его историческом контексте должен заставить банкиров и финансовую индустрию в целом принимать правильные решения.

В сегодняшней статье мы разберемся, что такое изменение платформы, рассмотрим прошлые изменения платформ и их влияние на финансовую службу, поместим ИИ в его контекст как изменение платформы, взглянем на глобальные инициативы банков и финтехов в области ИИ и оценим ключевые уроки для лидеров финансовой службы.

Платформенные изменения и финансовые услуги

Что такое смена платформы

Финансы, как и любая другая отрасль, подвержены капризам, которые приносит технология. Будь то телеграмма и ее влияние на банковское обслуживание через филиалы или мини-компьютер и его влияние на банкоматы. Финансы всегда адаптировались к изменениям платформ. В технологии изменение платформы относится к фундаментальному изменению базовой технологической архитектуры, которое позволяет новые возможности благодаря резкому изменению в структуре затрат. Часто это создает новые бизнес-модели и способы создания ценности. Ключевое в том, что должно произойти фундаментальное изменение в структуре затрат чего-либо, т.е. стоимость выполнения X должна снизиться в 10 раз или более, чтобы это действительно можно было считать изменением платформы. Ключевые характеристики можно описать так;

• Изменение базовой архитектуры: Платформенные изменения предполагают радикальные изменения в том, как структурируется и доступен технологии, а не просто улучшения существующих систем.
• Экспоненциальные улучшения соотношения цены и качества: Обычно они обеспечивают улучшения на порядок величины (10x и более) в стоимости, производительности или возможностях, а не просто поступательные улучшения.
• Новые модели создания ценности: изменения платформы позволяют создавать совершенно новые бизнес-модели и модели создания ценности, которые ранее не были жизнеспособны.
• Формирование экосистемы: Они порождают богатые экосистемы взаимодополняющих продуктов, услуг и бизнесов. Это часто является эффектом, а не определяющей чертой.
• Рынок разрушения: Изменения платформы часто нарушают существующие отрасли и создают совершенно новые рынки.
• Демократизация: Они, как правило, делают технологии доступными для более широкой аудитории, позволяя новым участникам.

Мы рассмотрим некоторые исторические изменения платформ и, что важно, проанализируем;

1. О чем была смена платформы;
2. Его влияние на структуру затрат;
3. Победители этого сдвига и как они использовали технологии;

1. Мейнфреймы: Централизация вычислений (1950-е – начало 1970-х)

Исторический контекст и ключевые характеристики
До 1950-х годов банки вели бухгалтерские книги вручную или с помощью электромеханических табуляторов. Обработка чека означала, что клерк вводил строку, архивировал бумагу и сверял итоги в конце дня. Главные машины, такие как IBM System / 360, представили вычисления с сохраненной программой, распознавание символов с магнитным чернилом и пакетную обработку. Впервые одна машина могла читать десятки тысяч чеков в час, автоматически применять правила учета и публиковать результаты за ночь.

Кривая затрат
Капитальные затраты были значительными, несколько миллионов долларов, но предельные затраты на размещение транзакции упали примерно в сто раз по сравнению с ручным вводом. Уровень ошибок снизился, временные рамки сократились, и масштабирование стало проблемой программного обеспечения, а не кадровой.

История победителя
В послевоенной Америке после Второй мировой войны средний класс США процветал, и спрос на банковские услуги, особенно на чеки, рос. В Bank of America число расчетных счетов увеличивалось на 23 000 счетов в месяц, и банку приходилось закрываться в 14:00 просто для обработки чеков. Bank of America внедрилаЭлектронный учетный аппарат(ERMA) система в 1959 году. Она обрабатывала около 36 000 чеков в час (около 10 в секунду) по сравнению с ~245 чеками/час, обрабатываемыми человеком-бухгалтером. Она справлялась с тремя четвертями миллиарда операций в год и позволила банку расширяться за пределы Калифорнии без найма тысяч клерков. Для Bank of America, благодаря резкому увеличению пропускной способности (более чем в 100 раз быстрее), это значительно снизило стоимость обработки каждого чека и позволило обслуживать больше клиентов. Автоматизация задач в бэк-офисе дала ранним пользователям, таким как BofA, ценовое преимущество, способствуя их росту в национальных лидеров.

2. Миникомпьютеры: Автоматизация отделов (1970-е – середина 1980-х)

Исторический контекст и ключевые характеристики
Появление мини-компьютеров — меньших и гораздо более дешевых, чем мэйнфреймы — демократизировало вычисления за пределами Fortune 500. Банки, брокерские компании и сервисные провайдеры могли внедрять мини- и средние системы (от таких поставщиков, как DEC, Data General, линии AS/400 от IBM и т. д.) на уровне отделов или филиалов. Эта эпоха ознаменовала рождение электронных сетей и финтех-услуг, которые могли работать на менее дорогой инфраструктуре, позволяя новым специализированным игрокам.

Кривая затрат
Теперь филиал мог иметь свою собственную вычислительную мощность за небольшую часть стоимости мейнфрейма. Интерактивные сеансы заменили пакетные отчеты, а новые каналы, такие как банкоматы, стали экономически выгодными. Миникомпьютеры значительно снизили цену вычислений. Мини-компьютер середины 1970-х годов мог стоить десятки тысяч, что на порядок снижало стоимость вычислений на единицу по сравнению с мейнфреймами 1960-х годов. Эта доступность расширила принятие ИТ в финансах. В результате к 1980-м годам даже средние финансовые компании начали компьютеризировать операции, что привело к более быстрому обслуживанию и снижению единичных затрат.

История победителя

Мини-компьютер DEC - Источник DEC

Сити банк купил сотни мини-компьютеров Tandem NonStop и DEC, связал их с банкоматами и запустил свою маркетинговую кампанию «Citi Never Sleeps» в 1977 году. Когда в 1978 году метель парализовала Нью-Йорк, банкоматы Citi продолжали обслуживать клиентов, объем транзакций увеличился на двадцать процентов, а доля депозитов в городе удвоилась за три года. Затраты на кассиров составляют примерно один доллар за посещение,упала до примерно тридцати центов на банкомате.

3. Клиент-серверные и реляционные базы данных: Распределенная обработка (конец 1980-х – 1990-е годы)

Исторический контекст и ключевые характеристики
Перед эпохой клиент-сервер базы данных находились внутри компьютера, объединяя как данные, так и интерфейс. Эпоха клиент-сервер создала разделение между уровнем данных и уровнем интерфейса. Существовал клиент (ПК) и сервер. ПК на Windows или Mac обрабатывал презентацию, сервер среднего класса хранил данные, а SQL обеспечивал взаимодействие между ними по локальной сети. Готовые реляционные базы данных означали новые возможности: миллионы строк могли быть запрошены за секунды, что позволяло создавать статистические маркетинговые и рискованные модели.

Кривая затрат
Компьютеры стоимостью менее 2000 долларов иUnix-серверы стоимостью менее 100000 долларов позволяют банкам выполнять запросы к миллионам строк за считанные секунды.

История победителя
Capital One, выделившийся из Signet Bank в 1994 году, использовал клиент-серверную сетевую систему на базе Oracle для параллельного тестирования тысяч предложений по кредитным картам. Он оценивал риски на индивидуальном уровне и увеличил количество клиентов на сорок процентов в 1997 году, в то время как старые игроки полагались на широкие уровни FICO. Рентабельность собственного капитала постоянно превышала двадцать процентов, поскольку аналитика заменила универсальное ценообразование. Другими победителями стали Charles Schwab, который понял, что эпоха клиент-сервера может демократизировать фондовую брокерскую деятельность.

В Африке, хотя и была небольшая задержка, победителями стали:

1. Банк Equity, который использовал клиент-серверную архитектуру и мини-компьютеры для масштабирования своих транзакционных возможностей, обновив систему Finacle (клиент-серверная система управления банковскими операциями), одновременно расширяя свою сеть банкоматов с использованием тех же систем. В конечном итоге это привело к агентскому банкингу. Они перешли от статуса незначительного игрока в 90-х годах к крупнейшему банку Восточной Африки по рыночной капитализации;
2. GT Банк - Использовал клиент-серверную архитектуру для улучшения обработки транзакций в филиале, что обеспечило лучшее обслуживание клиентов. Ранее клиентам приходилось ждать часами, чтобы обработать простой депозит или вывод средств.

4. Облачные технологии 1.0: Инфраструктура как услуга (2006–начало 2010-х)

Источник: Журнал Бизнеса и Финансов - Братья Коллисон

Исторический контекст и ключевые характеристики

Веб по-прежнему требовал, чтобы компании владели серверами. Amazon Web Services превратил вычисления, хранилище и базы данных в учетные утилиты. Приложение могло масштабироваться от десяти пользователей до десяти миллионов без заказа на оборудование.

Кривая затрат
Вместо миллионов капитальных затрат разработчику нужна была кредитная карта, и он мог платить копейки в час за вычисления. Эластичная мощность означала, что стоимость примерно пропорциональна использованию, что устраняло большие скачки. Это было далеко от эпохи реляционных баз данных, когда нужно было заранее оценивать свой рост, что приводило к значительным предварительным капитальным затратам.

История победителя
Stripe был запущен в 2010 году, через четыре года после запуска AWS в 2006 году, с платежным API, который стал доступен за считанные минуты. Его семи строчный код абстрагировал процесс андеррайтинга, расчетов и соблюдения норм для торговцев. К 2024 году Stripe обрабатывал около 1,4 триллиона долларов США в платежах, объемы которых ранее находились у банковских эквайеров и устаревших процессоров, а его затраты на подключение оставались незначительными благодаря облачному биллингу, основанному на использовании. API стали новой формой создания ценности, подтверждающей облако как истинный платформенный сдвиг.

5. Эра мобильных и облачных технологий (2010-е – 2020-е)

Источник: [itweb.co.za]

Исторический контекст и ключевые характеристики
Смартфоны помещают интернет-компьютер, биометрический датчик и защищенный элемент в каждый карман, превращая «распределение» в список приложений в магазине приложений. Более того, облачные платформы (AWS, GCP, Azure) предоставили инфраструктуру банковского уровня как утилиту; микросервисы и CI/CD конвейеры обеспечили еженедельные — даже ежедневные — выпуски новых функций. Мобильные сети также стали платежными системами; QR-коды и виртуальные счета вытеснили специализированное оборудование POS и сеть отделений.

Кривая стоимости
В этой новой системе клиенты предоставили терминал, пропускную способность и аутентификацию; затраты на постепенное подключение снизились до доли от затрат на подключение клиента или торговца на базе филиала. Комиссии за транзакции на основе приложений падают ниже 1%, открывая прибыльный доступ к платежам с низкими суммами и счетам без комиссии.

Победители & их плейбуки

• Nubank (Бразилия, основана в 2013 году)
  • Приобретение только для мобильных устройств через вирусный список ожидания; более 2000 микросервисов AWS для анализа кредитоспособности в реальном времени.
  • Развертывание кода десятки раз в день, выпуск новых функций быстрее, чем регуляторы могли одобрить увеличение цен у традиционных банков.
  • К 2023 году: 100 миллионов клиентов по всей Латинской Америке; 11 миллиардов долларов США сэкономлено на традиционных комиссиях для пользователей; доля на карточном рынке Бразилии в двузначном числе при этом сохранив один из самых низких коэффициентов затрат и доходов в глобальном банковском секторе.
  • Их доходы растут вдвое быстрее, чем их затраты, и они на пути к тому, чтобы стать самой прибыльной банком в Бразилии к 2028 году.
• TymeBank (Южная Африка, основана в 2019 году)
  • Облачное ядро на AWS; мгновенная безбумажная KYC через биометрические киоски в продуктовых сетях (Pick n Pay, Boxer).
  • Нет собственных филиалов, компактная техническая команда; кросс-продажа сбережений, кредитов и страховки в приложении.
  • К 2024 году: 8 миллионов клиентов; достигнутоприбыльность менее чем за пять лет, демонстрируя, что физическое распределение может быть передано на аутсорсинг, в то время как ядро остается исключительно цифровым.
• Другие примеры включают компании такие как Flutterwave, Stitch, MNT Halan, Paystack и Paymob.

Почему они победили

• Распределение без инфраструктуры ;
• Эластичная экономика
• Плоскости, ориентированные на разработчиков;
• Быстрые циклы итераций;

В совокупности эти игроки иллюстрируют, как устройства, принадлежащие клиентам, в сочетании с облачной архитектурой создают структурное преимущество в стоимости, и сделали скорость, а не наследственную масштабируемость, решающим оружием как в африканском, так и в глобальном банковском деле.

Ключевые уроки из прошлых изменений платформ

Некоторые ключевые уроки из прошлых изменений платформы

1. Все изменения на платформе позволили производить финансовые услуги другим способом. Фундаментальная идея заключалась в структуре затрат конкретной проблемы, либо в стоимости транзакции, либо в стоимости распределения.
2. Бенефициарами изменений на платформе были либо банки, которые быстро адаптировались к технологиям (BoFA, Citi), либо новые игроки, которые поняли, что эти изменения позволили (Stripe, Nubank);

Контекст для генеративного ИИ

Для меня прошлые изменения платформы сосредоточились на стоимости и распределении, поскольку эти области действительно были специфичными для программного обеспечения, т.е. детерминированными. Генеративный ИИ может не обязательно быть проблемой стоимости и распределения. Мое мнение заключается в том, что Генеративный ИИ приведет к сокращению затрат на 10 000 раз при предоставлении индивидуальных отношений. В настоящее время банки и финтехи распределяют транзакции с помощью технологий, и эта тенденция будет продолжаться. Почти все совершают транзакции на своем телефоне, и очень мало транзакций происходит в отделении. Это касается как физических лиц, так и корпоративных клиентов. Тем не менее, оставляющим узким местом для дальнейшего распределения финансовых услуг является обеспечение банковских отношений в масштабе. Это связано с тем, что это остается работой человека, поскольку управление отношениями является высококонтекстным и требует суждения.

Генеративный ИИ может предоставить премиум «банковское обслуживание по отношениям» за копейки на клиента. Сегодня один из ведущих менеджеров по работе с клиентами в Африке стоит примерно 6000 долларов в месяц для обслуживания ~30 клиентов, что составляет около 300 долларов на человека после учета накладных расходов. Если эту работу перенести на ИИ, стоимость может упасть до считанных cents, открывая доступ к высококачественным консультациям для массового рынка и трансформируя финансовый доступ по всему континенту. На мой взгляд, это следующий рубеж, учитывая, что транзакционный финтех уже решен.

Отношения по-прежнему будут иметь значение в банкинге, но они изменятся с человеческих отношений на отношения человек‑к‑ИИ. Разговоры о деньгах часто вызывают стыд; многие клиенты скрывают базовые вопросы от взгляда банкира. Неживой, неутомимый ИИ снижает этот социальный барьер, приглашая к откровенности и бесконечным "глупым" вопросам. Большая честность и круглосуточное руководство делают ИИ мощным и масштабируемым менеджером по отношениям.

Глобальные инициативы в области ИИ

Как банки мира на самом деле используют генеративный ИИ

Если отбросить заголовки и шумиху, вопрос остается: что на самом деле делают крупнейшие банки мира с генеративным ИИ? Не будущее потенциала. Не то, что предлагают поставщики. Что действительно было развернуто и где?

За последние два года глобальный финансовый сектор тихо вошел в эпоху генеративного ИИ. Но картина, которая возникает, не однородна. Это смесь тихих внутренних инструментов, осторожных экспериментов с клиентами и нескольких по-настоящему смелых шагов, которые намекают на то, как банковское дело может быть структурировано изнутри. Я предоставляю обзор ниже;

Сначала внутренний, затем клиент

Если есть одна постоянная тема, то это: ИИ начинается внутри.

Большая часть внедрения генеративного ИИ сосредоточена на внутренней продуктивности — инструментах, которые помогают сотрудникам достигать большего с меньшими затратами. САссистент аналитика JPMorgan который анализирует исследование капитала, чтобы Инструмент Morgan Stanley на основе GPT для менеджеров по управлению капиталом, ранние ставки делаются на расширение полномочий банкиров, а не на их замену.

Голдман Сакс этосоздание копилотов для разработчиков.Citi использует ИИ-резюме, помогающие сотрудникам обрабатывать меморандумы и составлять электронные письма. Standard Chartered’s “SC GPT” работает среди 70 000 сотрудников, помогая с всем, от написания предложений до вопросов HR.

Учитывая, что мы живем в условиях жесткого регулирования, внутренние инструменты имеют смысл, потому что банки могут экспериментировать и улучшать свои навыки в области ИИ, не сталкиваясь с какими-либо нарушениями регулирования. Если недавние действия ЦБН против Zap о чем-то говорят, то лучше перестраховаться.

Сегмент за сегментом: где находится ценность

Разные подразделения движутся с разной скоростью. Розничный банкинг лидирует по объему. В этом отношении, Wells Fargo’sФарго или Банк АмерикиЭрика, чат-боты на основе генеративного ИИ теперь обрабатывают сотни миллионов взаимодействий ежегодно. В Европе Commerzbank недавно запустилАва, свой собственный чат-бот.

Тем не менее, проблема заключается в том, что некоторые из них на самом деле не используют генеративный ИИ и фактически полагаются на машинное обучение. Этостатьядает хорошее объяснение того, как работает Эрика от Банка Америки, на самом деле это механический турк. Тем не менее, именно эксперименты имеют значение.

В корпоративном и инвестиционном банкинге изменения более тонкие. Внутренние инструменты JPMorgan поддерживают исследовательские и торговые команды, а не клиентов.Deutsche Bank использует ИИ для анализа логов общения с клиентами.Это не обслуживание клиентов — это использование данных, помогающее банкирам лучше и быстрее понимать клиентов.

Управление состоянием находится где-то посередине. Искусственный интеллект Morgan Stanley не общается с клиентами напрямую, но он гарантирует, что консультанты никогда не приходят на встречу неподготовленными. Deutsche Bank и First Abu Dhabi Bank запускают клиентские ассистенты для своих клиентов высшего уровня, предназначенные для ответов на тонкие инвестиционные вопросы в реальном времени.

Региональные различия: кто движется быстро?

Источник:Очевидный индекс ИИ

Северная Америка лидирует, как и ожидалось. Банки США; JPMorgan, Capital One, Wells Fargo, Citi и RBC превратили ИИ в двигатель производительности. А благодаря партнерству с OpenAI и Microsoft они получили ранний доступ к передовым моделям.

Европа более осторожна. BBVA, Deutsche и HSBC тестируют инструменты внутри компании, часто с большими ограничениями. GDPR бросает длинную тень. Как всегда, Европа сосредоточена на регулировании, а не на прогрессе, и это может стоить им.

Африка и Латинская Америка находятся на более ранней стадии, но развиваются быстро. Nubank в Бразилии выделяется, сотрудничая с OpenAI для внедрения инструментов внутри компании и в конечном счете для клиентов. В Южной Африке такие банки, как Standard Bank и Nedbank, проводят внутренние пилотные проекты ИИ в области управления рисками, поддержки и разработки.

Китай: Создание собственного стека ИИ

Китайские банки не просто используют ИИ — они строят стек.

• ICBC запустилЖиёнг, крупная языковая модель с 100 миллиардами параметров, созданная внутри компании. Она была вызвана более миллиарда раз, обеспечивая применение от анализа документов до автоматизации маркетинга в 200 бизнес-доменах. Это не просто внутренние инструменты, это основополагающий сдвиг в том, как работает банк.
• Ant Group запустила две финансовые LLM -Zhixiaobao 2.0 (для розничных клиентов) и Zhixiaozhu 1.0(для финансовых специалистов). Первый предназначен для объяснения финансовых продуктов обычным пользователям внутри Alipay. Второй помогает управляющим активами подводить итоги рыночных отчетов и генерировать аналитические данные по портфелям.
• Группа Пиньань, одна из моих любимых финтех-компаний, гибрид страхования, банковского дела и технологий, идет еще дальше. Она построилаСпросите Боба, генеративный ИИ-ассистент как для клиентов, так и для менеджеров по связям с клиентами. Для клиентов AskBob может отвечать на вопросы об инвестициях и страховании на естественном китайском языке. Для консультантов он извлекает и обобщает историю клиентов, данные о продуктах и маркетинговые материалы, превращая каждого агента в цифрового финансового эксперта. Амбиция Ping An заключается в том, чтобы переопределить финансовые консультации с помощью ИИ, не просто отвечая на вопросы, но и предвосхищая их.

В Китае, где регулирующие рамки сильно способствуют локализации данных и прозрачности моделей, эти учреждения идут долгим путем: создавая специально обученные ИИ, которые могут процветать в домашних регуляторных, лингвистических и рыночных условиях. Более того, в Китае достаточно плотность талантов, чтобы банки могли создавать свои собственные фундаментальные модели, что может не повториться нигде больше в мире.

Кто это поддерживает?

Несколько крупных имен появляются повсюду: Microsoft (через Azure OpenAI) является самой распространенной платформой. Все, от Morgan Stanley до Standard Chartered, запускают свои модели в безопасной песочнице Microsoft.

LLM Google также участвуют в игре, Wells Fargo использует Flan для работы Fargo. А в Китае это в основном местные разработки: DeepSeek, Hunyuan и другие.

Некоторые банки, такие как JPMorgan, ICBC и PingAn, обучают свои собственные модели. Но большинство настраивают уже существующие. Дело не в том, чтобы владеть моделью. Дело в том, чтобы владеть слоем данных и оркестрацией.

Обзор различных инициатив в области ИИ по всему миру

И что с того?

В высокорегулируемой отрасли важно быть осторожным, и именно поэтому банки оставляют ИИ в контексте, а не на переднем плане. Тем не менее, как мы наблюдали при других переходах платформ, критически важно быть решительными и быстро экспериментировать. Регулирование никогда не будет опережать выполнение, и неразумно замедлять эксперименты с ИИ с мыслью о том, что нужно ждать регулирования. Я помню, как более десяти лет назад мы создавали агентский банкинг в стране, где таких регулирований не было. Как только мы его построили, именно мы объяснили это Центральному банку. Если бы я был в совете банка, мой вопрос был бы: «Сколько экспериментов мы проводим и сколько инсайтов мы генерируем?»

Чтобы действительно измерить прогресс, вы должны вернуться к основам изменения платформы. Ваша стратегия ИИ должна ответить на:

«Наша стратегия ИИ перестраивает основную архитектуру, снижает затраты в 100 раз, открывает новые модели ценности, запускает связи в экосистеме, нарушает рынки и демократизирует доступ?»

Логика ясна: важно быть скептичным, но логика и факты указывают на то, что ИИ является новым сдвигом платформы. Более того, логика и факты показывают, что прошлые сдвиги платформы образно сдвигали сыр в финансовых рынках. Работа Citi с технологиями в 70-х и 80-х годах значительно расширила его розничный бизнес. Capital One возникла из ниоткуда, чтобы стать одной из 10 лучших банков на рынке и значимым игроком в смежных отраслях, таких как автокредиты и ипотеки. В Африке Equity Bank воспользовался волной клиент-серверов, чтобы стать крупнейшим банком Восточной Африки по рыночной капитализации. Ту же волну поймали Access Bank, GT Bank и Capitec на своих соответствующих рынках.

Эра AI платформы пришла, и она создаст победителей. Идея заключается не в том, чтобы сосредоточиться на проигравших, потому что происходит следующее: победители занимают значительную долю рынка в определенной векторе, например, Stripe в платежах. Эти первоначальные клинья приводят к увеличению доли рынка в смежных областях, например, как Nubank использовал кредитные карты, чтобы стать серьезным игроком в банковском обслуживании SMEs и розничной торговли.

Мое мнение заключается в том, что победители в эпоху ИИ будут сосредоточены на стоимости отношений. Это уже не транзакционная игра. Это уже произошло. Это игра в клиентский опыт и отношения. Это основное понимание, которое должны усвоить лидеры финансовых услуг. Как можно создать 100-кратное улучшение в клиентском опыте и банковских отношениях при минимальных затратах? Как мы можем использовать интеллект как банк, чтобы помочь вам лучше управлять своими финансами, вашим бизнесом и вашей жизнью? Игроки, которые ответят на эти вопросы и реализуют их, станут победителями.

Отказ от ответственности：

1. Эта статья перепечатана из [Фронтирные финтех новости]. Пересылаем оригинальное название ‘#81 - За пределами хайпа: Почему генеративный ИИ является следующим истинным сдвигом платформы в банковском деле (бесплатно для чтения)’. Все авторские права принадлежат оригинальному автору [Мэри Могой]. Если у вас есть возражения против этого перепечатки, пожалуйста, свяжитесь с Gate Learn команда, и они займутся этим незамедлительно.
2. Отказ от ответственности: Мнения и взгляды, выраженные в этой статье, принадлежат исключительно автору и не являются инвестиционным советом.
3. Переводы статьи на другие языки выполняет команда Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.