Искусственный интеллект: новые одежды императора? Внедрение в финансовых услугах

Кэтрин Вуллер — главный стратег в сфере финансовых услуг, Softcat plc, компании из списка FTSE.

Откройте для себя самые актуальные новости и события в финтехе!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и др.

Немногие темы столь же поляризуют, как ИИ; вердикты варьируются от, в более позитивном ключе, следующей границы прогресса человека, до технологического решения, ищущего проблемы для устранения, или, в худшем случае, до потенциальной возможности положить конец человечеству.

Будучи главным стратегом Softcat, которая поддерживает 2 500 компаний в сфере финансовых услуг с помощью ИТ-услуг и инфраструктуры, я имею привилегированное место в первом ряду, наблюдая, как развивается инновация по всему спектру FS&I-организаций.

Сначала на взлет пошли квантовые хедж-фонды, которые активно используют значительные инвестиции в ИИ для улучшения доходности, а также страховые компании, которые выигрывают от огромных массивов данных — и то, и другое легко позволяет обосновать понятные сценарии применения с высокой окупаемостью (ROI).
 
Финансовые компании занимались математическим моделированием и машинным обучением почти за десятилетие до того, как ИИ начали продавать в нынешнем виде, но в последнее время «впечатляющая» производительность инфраструктуры ИИ подстегнула сильное внедрение со стороны количественных торговых фондов и компаний в сфере страхования и управления капиталом — все они стремятся извлечь выгоду из огромного объема данных, которые теперь доступны.

Кроме того, многое из того, что продаётся как ИИ, — это просто очередная инкарнация автоматизации.

Хотя мы видим огромный интерес к ИИ во всех типах компаний финансового сектора, исходя из огромного потенциала этой технологии, в итоге мы находимся у подножия стадии внедрения. Более того, существует множество сильно различающихся сценариев использования: топ-1 банк развернёт ИИ совсем иначе, чем, например, десятифилиальная локализованная строительная сберегательная организация.

Я часто вижу разный «аппетит» внутри одной и той же организации: советы директоров, более молодые, лучше ориентированные в цифровых технологиях поколения и подразделения операций/финансов нередко относятся к этой идее более благосклонно, чем, например, коллеги из комплаенса.  Среди часто озвучиваемых опасений — «чёрный ящик» (black box) технологии, беспокойство по поводу этичного внедрения ИИ и отсутствие ясности в регулировании.

Тем не менее, отчётливо проявляются понятные закономерности того, что способствует раннему внедрению и высокому уровню использования.  Успешные компании имеют чёткую стратегию внедрения ИИ, создают центры передового опыта и следят за тем, чтобы их данные были в соответствующем состоянии с самого начала; эти вещи выглядят как небольшие начинания, но именно они — фундамент успешных инноваций.

Мы часто видим первый сценарий использования, развёртываемый в инструментах повышения продуктивности, таких как ChatGPT, Co-pilot или Claude, которые нередко становятся точкой входа для многих коллег, чтобы проникнуться идеей ИИ, и иногда сухо называют «gateway drug» (препарат-вход в более сильные).
 
С точки зрения культуры внедрение ИИ может стать большим отходом от текущего положения вещей, и крайне эффективные руководящие команды будут стремиться «заранее подготовить» свои организации.  Парамаунт — дальновидная HR-стратегия: формирование внутренних возможностей и экспертизы в области ИИ, акцент на применимых навыках и компетенциях и поощрение обмена знаниями.  Потребуется долгосрочный подход к тому, чтобы переобучать и перераспределять коллег, чьи роли замещаются эффективностями, обеспечиваемыми ИИ.

Вполне справедливо много внимания уделяется добавленной стоимости от ИИ; есть банки, у которых сотни потенциальных сценариев использования, и навигация по тому, какие из них войдут в доказательство концепции (proof of concept), а затем будут масштабированы шире, может быть сложной.  Лучшие практики для такой новой технологии только формируются.  На первом этапе переход от огромного числа потенциальных сценариев использования к приоритетам — тем, которые создают наибольшую ценность, — может оказаться чрезмерным; а беспощадная «триаж»-оценка может выполняться на основе влияния (impact), стоимости (cost), реализуемости (feasibility) и согласованности с более широкими целями бизнеса, чтобы оценить потенциальный ROI.

Для оценки проектов ИИ необходим хорошо продуманный измерительный каркас (framework) с релевантными KPI, надёжными методологиями сбора данных и чётко определёнными механизмами отчётности.  Как только проект ИИ становится частью BAU (ежедневной операционной деятельности), должна существовать политика непрерывной итеративной разработки со временем, чтобы максимизировать отдачу и обеспечить соответствие стратегическим приоритетам — и снова это часто является культурной особенностью команд с высокой результативностью.

Недавно меня пригласили поговорить об ИИ с регулятором.  Во время отраслевого круглого стола был задан блестяще озадачивающий вопрос: «Какую одну проблему ИИ решает лучше всего?»  Неудивительно, что у каждой организации был совершенно разный ответ, и я ожидаю, что компании будут разбираться с этим вопросом ещё долгие годы.

Те, кто не сможет выстроить стратегию в отношении ИИ и внедрить его надлежащим образом и в подходящий момент, окажутся в существенном проигрыше.