Kennisbank

AI vyspělost u bank, pojišťoven a finančních poskytovatelů služeb

Sektor, který je již zvyklý na pravidla, ale ne na flexibilitu

Finanční služby se od jiných sektorů liší dlouhou historií strukturovaných dat a striktní kontroly. Zatímco mnoho organizací musí ještě začít s uspořádáním informací, tento sektor má často už desetiletí zkušeností s datovými modely, audit trails a řízením rizik. To vytváří zdánlivý náskok. Dimenze správy dat v praxi často skóruje výše než v jiných sektorech, ale to neznamená, že organizace jako celek je připravena na AI. Zatímco například stavebnictví bojuje s roztříštěnými daty o projektech, finanční sektor bojuje spíše s datovými sily, která jsou tak dobře zabezpečená, že se navzájem už nedosáhnou.

Vztah mezi fundamentálními dimenzemi je tak nevyvážený, ale jiným způsobem než jinde. IT infrastruktura je obvykle robustní, ale zároveň těžkopádná: velké, staré systémy, které se nepohybují rychle. Organizační struktura je často hierarchická a rozdělená podle striktních linií odpovědnosti, což může zpomalovat rozhodování o nové technologii. Výsledkem je sektor, který na papíře skóruje dobře v základech, ale v praxi je pomalý při přechodu od foundation k activation.

Proč compliance zároveň pomáhá i brzdí

Compliance a řízení rizik jsou zakotveny v DNA sektoru. To působí na obě strany. Na jedné straně to zajišťuje disciplínu v kvalitě dat a jasné vymezení odpovědností, což jiné sektory musí ještě vybudovat. Na druhé straně zvyk nejprve propočítat rizika vede ke zdrženlivosti při nasazování nové technologie, dokud není dopad zcela propočítán. Tato zdrženlivost není nutně nevýhodou, ale vysvětluje, proč piloty častěji zůstávají ve fázi zkušebního nastavení, než aby se rozrostly do strukturální aplikace.

Dimenze rozhodování je zde klíčová. V mnoha finančních organizacích chybí jasný přehled o tom, kdo může rozhodovat o jaké AI aplikaci a na základě jakých informací. Tento přehled, tedy to, co patří do inventáře rozhodnutí, je přesně tam, kde mnohá měření vyspělosti odhalují mezeru: technika je přítomna, oprávnění s ní pracovat nikoliv.

Rozptyl mezi odděleními je zde často větší než v jiných sektorech

Co tento sektor dále odlišuje, je rozsah rozdílu mezi odděleními. Rizikové oddělení už léta pracuje s modely a statistikou a vnímá AI jako logické rozšíření toho, co se už děje. Oddělení backoffice nebo kontaktu s klienty vnímá AI především jako něco, co je nařízeno shora, aniž by na to byly přizpůsobeny vlastní pracovní procesy. Když více lidí ze stejné organizace samostatně skóruje sedm dimenzí, tento rozptyl je často okamžitě viditelný. Výsledkem je zřídka jednotný obraz, a to je právě to hodnotné: ukazuje, kde se diskuse o připravenosti ještě neuskutečnila.

Tento rozptyl je méně náhodný, než se zdá. Finanční instituce jsou často tvořeny divizemi, které historicky vyrostly odděleně, každá s vlastním tempem digitalizace. To je jiný vzorec než například u instalatérského oboru, kde rozptyl vzniká častěji mezi ústředím a provozem v terénu, nebo u sektoru nemovitostí, kde rozdíl často leží mezi správou a rozvojem.

Proč pořadí dimenzí nelze zde přeskočit

Pokušení začít u viditelných, závislých dimenzí je ve finančním sektoru velké, protože už existuje mnoho dat a mnoho zkušeností s modely. Přesto platí pořadí: organizační struktura, IT infrastruktura a správa dat tvoří základ, na kterém stojí zbytek. Organizace, která na papíře vysoce skóruje ve správě dat, ale kde rozhodování a odpovědnost nejsou vypracovány, naráží na stejnou zeď jako organizace, která musí ještě začít. Proč fundamentální dimenze musí přijít nejprve, tedy není otázkou preference, ale způsobu, jakým AI aplikace skutečně fungují: bez pevného základu vše zůstává na úrovni pilotu, jakkoli sofistikovaný model je.

Srovnání s jinými kapitálově náročnými sektory, jako je energetický sektor, ukazuje, že silný technický základ automaticky nevede k vyspělosti v ostatních dimenzích. Technika a disciplína jsou nutné, ale nikoli dostatečné.

Od připravenosti ke konkrétním úkolům

Měření vyspělosti ukazuje, zda má organizace jako celek základ pro odpovědné nesení AI: strukturu, infrastrukturu, správu dat a rozhodování kolem toho. To je jiná otázka než to, která část práce sama přichází v úvahu pro převzetí. Jakmile je tento základ zmapován, stává se relevantní zkoumat pro každý úkol, co AI může převzít a co ne. To je oblast pracovního skenu FTE TO AI, který pro každý úkol vypočítá, jakou část práce lze převzít AI, na základě povahy samotného úkolu, nikoli na základě připravenosti organizace.