Finantsteenuste sektor erineb teistest sektoritest pika struktureeritud andmete ja range kontrolli ajaloo poolest. Kui paljud organisatsioonid peavad veel alustama info korrastamisest, on sellel sektoril tihti juba aastakümnete pikkune kogemus andmemudelite, auditi jälgede ja riskijuhtimisega. See annab näiliku edumaa. Dimensioon andmehaldus saab praktikas sageli kõrgemad hinded kui teistes sektorites, kuid see ei tähenda, et organisatsioon tervikuna oleks AI jaoks valmis. Kui näiteks ehitussektor võitleb projektide vahel killustatud andmetega, seisab finantssektor tihti silmitsi andmesiiludega, mis on nii hästi kaitstud, et ei jõua enam üksteiseni.
Seetõttu on suhe fundamentaalsete dimensioonide vahel viltu, kuid teistsugusel viisil kui mujal. IT-infrastruktuur on tavaliselt tugev, kuid ka raskepärane: suured, vanad süsteemid, mis ei kohane kiiresti. Organisatsiooni struktuur on tihti hierarhiline ja jaotatud rangete vastutusliinide vahel, mis võib uue tehnoloogia üle otsustamist aeglustada. Tulemuseks on sektor, mis paberil näitab head tulemust põhialustel, kuid praktikas on aeglane astuma samme foundationilt activationile.
Vastavus ja riskijuhtimine on sektori DNA-sse sisse kirjutatud. See mõjub kahes suunas. Ühelt poolt tagab see distsipliini andmekvaliteedis ja selge vastutuste piiritlemise, mida teised sektorid peavad veel üles ehitama. Teiselt poolt tekitab harjumus riske esmalt läbi arvutada tagasihoidlikkust uue tehnoloogia kasutuselevõtul enne, kui mõju on täielikult läbi arvutatud. See tagasihoidlikkus ei ole tingimata puudus, kuid see selgitab, miks pilootprojektid jäävad tihemini katsestaadiumisse pidama, kui kasvavad struktuurseks rakenduseks.
Dimensioon otsustamine on siin määrav. Paljudes finantsorganisatsioonides puudub selge ülevaade sellest, kes tohib teha otsuseid AI-rakenduse kohta ja millise info alusel. See ülevaade, mida kuulub otsuste inventuuri hulka, on täpselt see, kus paljud valmiduse mõõtmised paljastavad lünga: tehnika on olemas, volitus sellega töötamiseks ei.
Mis eristab seda sektorit veel, on osakondade vahelise erinevuse ulatus. Riskiosakond töötab juba aastaid mudelite ja statistikaga ning näeb AI-d loogilise laiendusena sellele, mis juba toimub. Tugiteenuste või kliendikontakti osakond näeb AI-d peamiselt kui midagi, mis surutakse peale ülevalt, ilma et enda töövood oleksid selleks kohandatud. Kui mitu inimest samast organisatsioonist hindavad eraldi seitset dimensiooni, tuleb see erinevus tihti kohe silma. Tulemus on harva ühtne pilt ja just see on väärtuslik: see näitab, kus valmiduse teemal ei ole vestlust veel toimunud.
See hajuvus on vähem juhuslik, kui esmapilgul paistab. Finantsasutused on tihti ülesehitatud divisjonidest, mis on ajaloo jooksul kasvanud teineteisest eraldi, igaüks oma digitaliseerimise tempoga. See on erinev mudel kui näiteks paigaldussektoris, kus erinevus tekib tihemini peakontori ja väliteenistuse vahel, või kinnisvarasektoris, kus erinevus peitub tihti haldamise ja arenduse vahel.
Kiusatus alustada nähtavatest, sõltuvatest dimensioonidest on finantssektoris suur, kuna seal on juba palju andmeid ja mudelikogemust. Sellegipoolest kehtib järjekord: organisatsiooni struktuur, IT-infrastruktuur ja andmehaldus moodustavad aluse, millele ülejäänu toetub. Organisatsioon, mis saab paberil kõrge hinde andmehalduses, kuid kus otsustamine ja vastutus ei ole välja töötatud, jookseb vastu sama müüri kui organisatsioon, mis peab veel alustama. Miks fundamentaalsed dimensioonid peavad tulema esimesena, ei ole seega eelistuse küsimus, vaid tuleneb sellest, kuidas AI-rakendused tegelikult toimivad: tugeva aluse puudumisel jääb kõik pilootprojekti tasemele, ükskõik kui täiustatud mudel on.
Võrdlus teiste kapitalimahukate sektoritega, näiteks energiasektoriga, näitab, et tugev tehniline alus ei toonud automaatselt kaasa valmidust teistes dimensioonides. Tehnika ja distsipliin on vajalikud, kuid ei ole piisavad.
Valmiduse mõõtmine näitab, kas organisatsioonil tervikuna on alus, mille peal AI-d vastutustundlikult kanda: struktuur, infrastruktuur, andmehaldus ja nende ümber toimuv otsustamine. See on teine küsimus kui see, milline osa tööst on tegelikult ülevõtmiseks sobiv. Kui see alus on kaardistatud, muutub oluliseks vaadata ülesande kaupa, mida AI saab üle võtta ja mida mitte. See on FTE TO AI töökava valdkond, mis arvutab ülesande kaupa, kui suur osa tööst on AI-le üle antav, tuginedes ülesande enda olemusele, mitte organisatsiooni valmidusele.
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.