Οι χρηματοοικονομικές υπηρεσίες διαφοροποιούνται από άλλους κλάδους λόγω μιας μακράς ιστορίας δομημένων δεδομένων και αυστηρού ελέγχου. Εκεί όπου πολλοί οργανισμοί πρέπει ακόμη να ξεκινήσουν με την οργάνωση της πληροφορίας, αυτός ο κλάδος έχει συχνά ήδη δεκαετίες εμπειρίας με μοντέλα δεδομένων, ιχνηλασιμότητα ελέγχου (audit trails) και διαχείριση κινδύνου. Αυτό δίνει ένα φαινομενικό προβάδισμα. Η διάσταση της διαχείρισης δεδομένων στην πράξη σημειώνει συχνά υψηλότερη βαθμολογία σε σχέση με άλλους κλάδους, αλλά αυτό δεν σημαίνει ότι ο οργανισμός ως σύνολο είναι έτοιμος για AI. Εκεί όπου, για παράδειγμα, ο κατασκευαστικός κλάδος αντιμετωπίζει δυσκολίες με κατακερματισμένα δεδομένα σχετικά με έργα, ο χρηματοοικονομικός κλάδος αντιμετωπίζει μάλλον δυσκολίες με σιλό δεδομένων που είναι τόσο καλά προστατευμένα ώστε δεν επικοινωνούν πλέον μεταξύ τους.
Η σχέση μεταξύ των θεμελιωδών διαστάσεων είναι επομένως στρεβλή, αλλά με διαφορετικό τρόπο σε σχέση με αλλού. Η υποδομή IT είναι συνήθως ισχυρή, αλλά και δυσκίνητη: μεγάλα, παλιά συστήματα που δεν προσαρμόζονται γρήγορα. Η οργανωτική δομή είναι συχνά ιεραρχική και διαιρεμένη σε αυστηρές γραμμές ευθύνης, κάτι που μπορεί να επιβραδύνει τη λήψη αποφάσεων σχετικά με νέες τεχνολογίες. Το αποτέλεσμα είναι ένας κλάδος που στα χαρτιά σημειώνει καλή βαθμολογία στα βασικά στοιχεία, αλλά στην πράξη είναι αργός στο βήμα από το foundation στο activation.
Η συμμόρφωση και η διαχείριση κινδύνου είναι ενσωματωμένες στο DNA του κλάδου. Αυτό λειτουργεί προς δύο κατευθύνσεις. Από τη μία πλευρά, εξασφαλίζει πειθαρχία στην ποιότητα δεδομένων και σαφή διάκριση αρμοδιοτήτων, κάτι που άλλοι κλάδοι πρέπει ακόμη να οικοδομήσουν. Από την άλλη πλευρά, η συνήθεια να υπολογίζονται πρώτα οι κίνδυνοι δημιουργεί επιφυλακτικότητα στην εφαρμογή νέων τεχνολογιών πριν ο αντίκτυπος έχει υπολογιστεί πλήρως. Αυτή η επιφυλακτικότητα δεν αποτελεί απαραίτητα μειονέκτημα, αλλά εξηγεί γιατί τα πιλοτικά προγράμματα συχνότερα παραμένουν σε δοκιμαστική φάση παρά εξελίσσονται σε διαρθρωτική εφαρμογή.
Η διάσταση της λήψης αποφάσεων είναι εδώ καθοριστική. Σε πολλούς χρηματοοικονομικούς οργανισμούς λείπει μια σαφής επισκόπηση του ποιος επιτρέπεται να λαμβάνει ποια απόφαση σχετικά με μια εφαρμογή AI, και βάσει ποιας πληροφορίας. Αυτή η επισκόπηση, το τι ανήκει σε μια απογραφή αποφάσεων, είναι ακριβώς το σημείο όπου πολλές μετρήσεις ωριμότητας αποκαλύπτουν ένα κενό: η τεχνολογία υπάρχει, η αρμοδιότητα να εργαστεί κανείς με αυτήν όχι.
Αυτό που διαφοροποιεί περαιτέρω αυτόν τον κλάδο είναι το μέγεθος της διαφοράς μεταξύ τμημάτων. Ένα τμήμα διαχείρισης κινδύνου εργάζεται εδώ και χρόνια με μοντέλα και στατιστικά στοιχεία, και βλέπει το AI ως λογική επέκταση του τι ήδη συμβαίνει. Ένα τμήμα backoffice ή εξυπηρέτησης πελατών βλέπει το AI κυρίως ως κάτι που επιβάλλεται από πάνω, χωρίς οι ίδιες οι εργασιακές διαδικασίες να έχουν προσαρμοστεί ανάλογα. Όταν περισσότεροι άνθρωποι από τον ίδιο οργανισμό βαθμολογούν ξεχωριστά τις επτά διαστάσεις, αυτή η διαφοροποίηση συχνά γίνεται αμέσως εμφανής. Το αποτέλεσμα σπάνια είναι μια ομοιόμορφη εικόνα, και αυτό ακριβώς είναι χρήσιμο: δείχνει πού η συζήτηση για την ετοιμότητα δεν έχει ακόμη πραγματοποιηθεί.
Αυτή η διαφοροποίηση είναι λιγότερο τυχαία απ' όσο φαίνεται. Οι χρηματοοικονομικοί οργανισμοί είναι συχνά δομημένοι από τμήματα που ιστορικά αναπτύχθηκαν ξεχωριστά το ένα από το άλλο, το καθένα με δικό του ρυθμό ψηφιοποίησης. Αυτό είναι διαφορετικό μοτίβο σε σχέση, για παράδειγμα, με τον κλάδο εγκαταστάσεων, όπου η διαφοροποίηση προκύπτει συχνότερα μεταξύ έδρας και εκτέλεσης στο πεδίο, ή με τον κλάδο ακινήτων, όπου η διαφορά βρίσκεται συχνά μεταξύ διαχείρισης και ανάπτυξης.
Ο πειρασμός να ξεκινήσει κανείς από τις ορατές, εξαρτημένες διαστάσεις είναι μεγάλος στον χρηματοοικονομικό κλάδο, επειδή υπάρχουν ήδη πολλά δεδομένα και πολλή εμπειρία με μοντέλα. Ωστόσο, η σειρά παραμένει ισχυρή: η οργανωτική δομή, η υποδομή IT και η διαχείριση δεδομένων αποτελούν τη βάση στην οποία στηρίζεται το υπόλοιπο. Ένας οργανισμός που στα χαρτιά σημειώνει υψηλή βαθμολογία στη διαχείριση δεδομένων, αλλά όπου η λήψη αποφάσεων και η ευθύνη δεν έχουν διαμορφωθεί, προσκρούει στον ίδιο τοίχο με έναν οργανισμό που πρέπει ακόμη να ξεκινήσει. Γιατί οι θεμελιώδεις διαστάσεις πρέπει να προηγηθούν δεν είναι λοιπόν ζήτημα προτίμησης, αλλά σχετίζεται με τον τρόπο με τον οποίο οι εφαρμογές AI λειτουργούν πραγματικά: χωρίς σταθερή βάση, όλα παραμένουν στο επίπεδο ενός πιλοτικού προγράμματος, όσο προηγμένο και να είναι το μοντέλο.
Η σύγκριση με άλλους κεφαλαιοεντατικούς κλάδους, όπως ο ενεργειακός κλάδος, δείχνει ότι μια ισχυρή τεχνική βάση δεν οδηγεί αυτόματα σε ωριμότητα στις άλλες διαστάσεις. Η τεχνολογία και η πειθαρχία είναι απαραίτητες, αλλά όχι επαρκείς.
Η μέτρηση ωριμότητας δείχνει αν ο οργανισμός ως σύνολο διαθέτει τη βάση για να φέρει το AI με υπευθυνότητα: τη δομή, την υποδομή, τη διαχείριση δεδομένων και τη λήψη αποφάσεων γύρω από αυτά. Αυτό είναι διαφορετικό ερώτημα από το ποιο μέρος της εργασίας είναι κατάλληλο για ανάληψη από μόνο του. Μόλις αυτή η βάση γίνει ορατή, γίνεται σχετικό να εξεταστεί ανά καθήκον τι μπορεί να αναλάβει το AI και τι όχι. Αυτό είναι το πεδίο της werkscan του FTE TO AI, που υπολογίζει ανά καθήκον ποιο μέρος της εργασίας μπορεί να αναληφθεί από το AI, με βάση τη φύση του ίδιου του καθήκοντος και όχι την ετοιμότητα του οργανισμού.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.