Mengapa bank tidak melihat pengembalian tinggi pada AI generatif

Pengeluaran perusahaan untuk kecerdasan buatan berada pada titik tertinggi sepanjang masa, namun eksekutif C-suite mengakui bahwa mereka belum melihat banyak nilai dari investasi mereka, terutama dari AI generatif.

Boston Consulting Group mensurvei lebih dari 1.800 eksekutif tingkat C untuk laporan terbarunya, “Dimana nilainya di AI?“Dan menemukan bahwa 41% mengharapkan perusahaan mereka menghabiskan lebih dari $ 25 juta untuk AI pada tahun 2025. Accenture’s”Membuat reinvention nyata dengan gen ai“Penelitian, yang didasarkan pada analisis lebih dari 2.000 proyek AI generatif dan survei lebih dari 3.000 eksekutif tingkat C menemukan bahwa 36% perusahaan telah menggunakan AI generatif dalam skala besar.

“Teknologi ini ada di ujung jari kami,” kata Vlad Lukić, direktur pelaksana dan mitra senior di Boston Consulting Group, dalam podcast bankir Amerika yang akan mengudara 1 April. “Kami menggunakannya dalam kehidupan sehari -hari kami. Oleh karena itu, secara default, kami berharap untuk melihatnya di tempat kerja kami juga. Ini tersedia dan biayanya berkurang secara dramatis.”

Tetapi pengembalian pengeluaran ini tampak sulit dipahami: hanya 25% responden untuk survei BCG mengatakan mereka melihat nilai yang signifikan dari investasi AI. Di antara eksekutif Accenture yang disurvei, hanya 13% yang dilaporkan menciptakan nilai tingkat perusahaan yang signifikan.

Yang pasti, beberapa bank melihat pengembalian. Goldman Sachs Dan Citi telah melaporkan hasil yang kuat dalam produktivitas pengembang dari menyediakan alat gen AI seperti github copilot untuk membantu menghasilkan kode. Goldman memberikan 12.000 pengembang perangkat lunak kopilot seperti itu enam bulan lalu dan secara konsisten melihat pengurangan 10% hingga 20% dalam waktu yang diperlukan untuk menulis kode.

“Setiap jam produktivitas yang kami dapatkan dari pengembang melipatgandakan dirinya dengan 12.000 – mudah untuk melakukan perhitungan,” kata kepala informasi Goldman Marco Argenti dalam sebuah wawancara baru -baru ini.

“Tentu saja ada beberapa pengembalian investasi, misalnya dalam mengidentifikasi penipuan, agen pendukung di pusat -pusat panggilan atau dengan asisten yang dapat mempersiapkan penasihat, atau alat -alat pencerahan dan transkripsi,” kata Vik Sohoni, mitra senior dan pemimpin global praktik analitik digital bank -bank McKinsey. “Pertanyaan lainnya adalah apakah ini dapat diukur, nyata, dan terlihat di garis bawah atau apakah mereka sesaat dan beberapa menit di sana -sini? Sejauh ini lebih merupakan yang terakhir, dengan beberapa pengecualian seperti pusat panggilan.”

Menunggu imbalan

Ada banyak sekali alasan investasi Gen AI belum menghasilkan hasil besar.

Salah satunya adalah masih hari -hari awal. Boom Gen AI bisa dibilang dimulai pada November 2022 ketika Openai membuat chatgpt publik, dan beberapa bank masih dalam mode test-and-learn.

Lain adalah bahwa bank harus berhati -hati dalam pendekatan mereka terhadap AI generatif, karena teknologi ini tunduk pada bias potensial, halusinasi dan kesalahan.

“Metode ini bersifat probabilistik dan kesalahan pada dasarnya sulit untuk diukur, sehingga bank sebagai entitas yang diatur harus sangat bijaksana,” kata Sohoni. “Infrastruktur risiko dan kepatuhan membutuhkan pematangan untuk mengimbangi sifat, skala, dan kecepatan output mesin.”

Tantangan tambahan adalah bahwa AI generatif sering bekerja di belakang layar, kata Michael Abbott, pemimpin perbankan global di Accenture.

“Saya tidak berpikir Jenderal AI akan mengubah perbankan, tetapi itu akan memperbaiki bagaimana perbankan disampaikan,” kata Abbott. Banyak AI generatif terjadi “di bawah ujung gunung es” daripada sesuatu yang lebih terlihat, katanya.

“Bank mengambil pendekatan yang sangat bijaksana dan berbasis risiko untuk itu, tidak melepaskannya ke pelanggan mereka secara langsung, fokus pada sebagian besar proses internal saat ini,” katanya.

Tidak memiliki orang yang tepat memimpin proyek AI adalah masalah bagi banyak perusahaan, kata Lukić BCG.

“Dalam beberapa kasus, mereka hanya menunjuk tim yang salah untuk mengendarainya, tanpa akuntabilitas untuk hasil atau tanpa posisi organisasi untuk benar -benar mendorong dampak,” katanya. Misalnya, beberapa perusahaan memiliki tim sains data yang mapan yang diminta CEO untuk menggunakan AI generatif. Tetapi menggunakan Gen AI berbeda dari membangun model atau analisis khusus.

“Ilmuwan data bukan antropolog atau orang yang tahu cara memikirkan kembali proses bisnis,” kata Lukić. “Jadi mereka biasanya akan mengambil model -model ini, mereka akan terus menyetelnya, meningkatkan akurasi, tetapi kemudian mereka bergantung pada pemilik proses bisnis untuk menyebarkannya. Itu adalah titik kegagalan yang sangat sering kita lihat.”

Cara yang lebih baik, katanya, adalah menunjuk pemilik proses bisnis untuk mendorong proyek-proyek ini, dengan bantuan dari ilmu data dan tim teknis lainnya.

Tantangan manajemen yang mendasari seperti ini adalah kebutuhan akan bakat AI teratas. “Bank sendiri perlu membentuk proposisi nilai mereka untuk menarik tingkat bakat yang dapat mengimplementasikan dan menjalankan mesin yang kompleks ini,” kata Sohoni. “Beberapa memiliki, sementara yang lain akan merasa lebih sulit.”

Banyak bank mengandalkan vendor bahwa diri mereka sendiri tidak semua memiliki ahli staf AI, katanya.

“Ini adalah kemampuan yang sangat kompleks dan jika Anda seorang insinyur AI yang sangat berbakat, majikan pilihan Anda mungkin bukan salah satu vendor itu,” kata Sohoni. “Jadi ekosistem vendor memiliki cara untuk matang juga.”

Rintangan lain untuk mencapai pengembalian adalah kecenderungan untuk memberikan alat karyawan yang menghemat waktu tetapi tidak memberi tahu mereka apa yang harus dilakukan dengan waktu yang dibebaskan, kata Lukić.

Dan beberapa perusahaan fokus pada metrik yang salah, katanya. Salah satu contohnya adalah merampingkan proses pinjaman tanpa mengakui bahwa karena komite pinjaman hanya bertemu setiap 10 hari sekali, tingkat respons terhadap konsumen tetap sama. Jika bank fokus pada tingkat respons pelanggan, dan mungkin memodifikasi bottleneck komite pinjaman, maka bank dapat melihat hasilnya.

Perlu fokus pada pendapatan

Bank akan lebih baik berfokus pada menghasilkan pendapatan daripada mencoba memotong biaya melalui AI tingkat lanjut, kata Abbott.

“Bank terbaik yang saya lihat lebih khawatir tentang peluang generasi pendapatan daripada yang mereka khawatirkan tentang biaya dan peningkatan produktivitas,” kata Abbott. “Saya telah melihat bank-bank di seluruh dunia menyesuaikan pemasaran mereka dengan benar-benar berdasarkan satu-ke-satu, dengan bahasa berdasarkan kepribadian individu dan apa yang ingin mereka lakukan. Saya telah melihat orang menggunakannya di sisi koleksi untuk melihat ekonomi perilaku untuk mencari tahu dengan tepat kata-kata yang tepat untuk memastikan Anda berada di puncak koleksi-itu adalah peluang pendapatan.”

Contoh lain yang dikutipnya adalah penggunaan AI generatif di pusat panggilan. Cukup banyak bank menggunakan Gen AI untuk merangkum panggilan, menabung agen waktu dan pekerjaan tugas ini, dan mereka melihat 15% hingga 20% peningkatan produktivitas, yang berarti agen dapat menerima lebih banyak panggilan.

Tetapi teknologi ini juga dapat digunakan untuk menganalisis file pelanggan sebelum pelanggan menelepon, mencari tahu semua yang mungkin ingin dibicarakan orang dan merekomendasikan tindakan terbaik berikutnya “sehingga perwakilan call center dapat merasa seperti kesinambungan percakapan dan menutup masalah sebelum dimulai,” kata Abbott.

“Itu aperture sempit versus aperture lebar, dan saya pikir banyak orang telah mempersempit aperture terlalu kecil, dan dengan memperluas kesempatan Anda menemukan solusi yang jauh lebih kreatif,” katanya.