Kennisbank

AI-modenhed hos banker, forsikringsselskaber og finansielle tjenesteudbydere

En sektor der allerede er vant til regler, men ikke til flexibilitet

Den finansielle sektor skiller sig ud fra andre sektorer ved en lang historie med struktureret data og strikt kontrol. Hvor mange organisationer stadig skal begynde med at ordne information, har denne sektor ofte allerede årtiers erfaring med datamodeller, audit trails og risikostyring. Det giver et skinforspring. Dimensionen datamanagement scorer i praksis ofte højere end i andre sektorer, men det betyder ikke, at organisationen som helhed er klar til AI. Hvor for eksempel byggebranchen kæmper med fragmenterede data om projekter, kæmper den finansielle sektor snarere med datasiloer, der er så godt sikret, at de ikke længere når hinanden.

Forholdet mellem de fundamentale dimensioner er derfor skævt, men på en anden måde end andre steder. IT-infrastruktur er som regel robust, men også trægt: store, gamle systemer, der ikke hurtigt bevæger sig med. Organisationsstruktur er ofte hierarkisk og opdelt i strikte ansvarslinjer, hvilket kan forsinke beslutningstagning om ny teknologi. Resultatet er en sektor, der på papiret scorer godt på grundlaget, men i praksis er langsom med skridtet fra foundation til activation.

Hvorfor compliance både hjælper og bremser

Compliance og risikostyring er indbygget i sektorens DNA. Det virker begge veje. På den ene side skaber det disciplin i datakvalitet og klar afgrænsning af ansvar, noget andre sektorer stadig skal opbygge. På den anden side skaber vanen med at beregne risici først tilbageholdenhed med at anvende ny teknologi, før effekten er fuldt beregnet. Den tilbageholdenhed er ikke nødvendigvis en ulempe, men den forklarer, hvorfor pilotprojekter oftere bliver hængende i en forsøgsopstilling, end de vokser til en strukturel anvendelse.

Dimensionen beslutningstagning er afgørende her. I mange finansielle organisationer mangler der et klart overblik over, hvem der må tage hvilken beslutning om en AI-anvendelse, og på baggrund af hvilken information. Det overblik, hvad der hører til i en beslutningsoversigt, er præcis, hvor mange modenhedsmålinger afdækker et hul: teknikken er til stede, beføjelsen til at arbejde med den er ikke.

Spredningen mellem afdelinger er ofte større end i andre sektorer

Hvad der yderligere kendetegner denne sektor, er omfanget af forskellen mellem afdelinger. En risikoafdeling har i årevis arbejdet med modeller og statistik og ser AI som en logisk udvidelse af, hvad der allerede sker. En backoffice- eller kundekontaktafdeling ser AI primært som noget, der bliver påtvunget fra oven, uden at de egne arbejdsprocesser er indrettet efter det. Når flere personer fra samme organisation hver for sig scorer de syv dimensioner, springer denne spredning ofte straks i øjnene. Resultatet er sjældent et enhedligt billede, og det er netop værdifuldt: det viser, hvor samtalen om parathed endnu ikke har fundet sted.

Denne spredning er mindre tilfældig, end den ser ud til. Finansielle institutioner er ofte opbygget af divisioner, der historisk er groet uafhængigt af hinanden, hver med sit eget digitaliseringstempo. Det er et andet mønster end for eksempel i installationsbranchen, hvor spredningen oftere opstår mellem hovedkontor og udførelse i felten, eller i ejendomssektoren, hvor forskellen ofte ligger mellem forvaltning og udvikling.

Hvorfor rækkefølgen af dimensioner her ikke må springes over

Fristelsen til at begynde med de synlige, afhængige dimensioner er stor i den finansielle sektor, fordi der allerede er meget data og meget modelerfaring. Alligevel gælder rækkefølgen stadig: organisationsstruktur, IT-infrastruktur og datamanagement udgør grundlaget, som resten hviler på. En organisation, der på papiret scorer højt på datamanagement, men hvor beslutningstagning og ansvar ikke er udarbejdet, løber ind i samme mur som en organisation, der stadig skal begynde. Hvorfor de fundamentale dimensioner skal komme først, er derfor ikke et spørgsmål om præference, men om den måde, AI-anvendelser faktisk fungerer på: uden et solidt grundlag forbliver alt på pilotniveau, hvor avanceret modellen end er.

Sammenligningen med andre kapitalintensive sektorer, som energisektoren, viser, at et stærkt teknisk grundlag ikke automatisk fører til modenhed på de andre dimensioner. Teknik og disciplin er nødvendige, men ikke tilstrækkelige.

Fra parathed til konkrete opgaver

Modenhedsmålingen viser, om organisationen som helhed har grundlaget til at bære AI ansvarligt: strukturen, infrastrukturen, datamanagementet og beslutningstagningen omkring det. Det er et andet spørgsmål end, hvilken del af arbejdet der selv er kandidat til overtagelse. Så snart dette grundlag er kortlagt, bliver det relevant at se på opgaveniveau, hvad AI kan overtage, og hvad den ikke kan. Det er domænet for FTE TO AI's arbejdsscan, som for hver opgave beregner, hvilken del af arbejdet der kan overtages af AI, baseret på selve opgavens karakter i stedet for organisationens parathed.