Finanssipalvelut erottuu muista sektoreista pitkän, strukturoituun dataan ja tiukkaan kontrolliin perustuvan historian ansiosta. Siinä missä monet organisaatiot ovat vielä aloittamassa tiedon järjestämistä, tällä alalla on usein vuosikymmenten kokemus datamalleista, auditointipoluista ja riskienhallinnasta. Tämä antaa näennäisen etumatkan. Datanhallinnan ulottuvuus saa käytännössä usein korkeamman pisteytyksen kuin muilla sektoreilla, mutta se ei tarkoita, että organisaatio kokonaisuutena olisi valmis AI:ta varten. Siinä missä esimerkiksi rakennusala taistelee projektien pirstaloituneen datan kanssa, finanssiala taistelee ennemminkin datasiiloilla, jotka on suojattu niin hyvin, että ne eivät enää tavoita toisiaan.
Peruspilarien keskinäinen suhde on siksi vinoutunut, mutta eri tavalla kuin muualla. IT-infrastruktuuri on tyypillisesti vakaa, mutta myös raskas: suuria, vanhoja järjestelmiä, jotka eivät liiku nopeasti. Organisaatiorakenne on usein hierarkkinen ja jakautunut tiukkoihin vastuulinjoihin, mikä voi hidastaa uutta teknologiaa koskevaa päätöksentekoa. Tuloksena on ala, joka pärjää paperilla hyvin perusasioissa, mutta on käytännössä hidas siirtymässä foundationista activationiin.
Compliance ja riskienhallinta ovat sisäänrakennettuja alan DNA:han. Tämä toimii kahteen suuntaan. Toisaalta se tuo kuria datan laatuun ja selkeän vastuunjaon, jota muut alat vielä rakentavat. Toisaalta tapa laskea riskit läpikotaisin ennen toimintaan ryhtymistä johtaa varovaisuuteen uuden teknologian käyttöönotossa ennen kuin vaikutukset on täysin laskettu läpi. Tämä varovaisuus ei ole itsessään haitta, mutta se selittää, miksi pilotit jäävät useammin koeasetelmiksi kuin kasvavat rakenteelliseksi sovellukseksi.
Päätöksenteon ulottuvuus on tässä ratkaiseva. Monista finanssialan organisaatioista puuttuu selkeä yleiskuva siitä, kuka saa tehdä minkä päätöksen AI-sovelluksesta, ja millä tiedon perusteella. Tämä yleiskuva, se mitä päätösinventaarioon kuuluu, on juuri se kohta, jossa monet kypsyysmittaukset paljastavat aukon: tekniikka on paikalla, valtuudet sen käyttämiseen eivät.
Mikä tätä alaa erityisesti erottaa, on osastojen välisen eron laajuus. Riskiosasto on työskennellyt vuosia mallien ja tilastotieteen kanssa ja näkee AI:n luonnollisena jatkumona sille, mitä jo tapahtuu. Back office- tai asiakaspalveluosasto näkee AI:n ennen kaikkea ylhäältä annettuna asiana, jota omat työprosessit eivät ole valmiiksi huomioineet. Kun useat samasta organisaatiosta olevat henkilöt pisteyttävät seitsemän ulottuvuutta erikseen, tämä hajonta nousee usein välittömästi esiin. Tulos on harvoin yhtenäinen kuva, ja juuri se on arvokasta: se osoittaa, missä keskustelua valmiudesta ei ole vielä käyty.
Tämä hajonta on vähemmän sattumanvaraista kuin miltä se vaikuttaa. Finanssilaitokset ovat usein rakentuneet divisioonista, jotka ovat historiallisesti kasvaneet erillään toisistaan, kukin omalla digitalisaation tahdillaan. Tämä on erilainen kuvio kuin esimerkiksi talotekniikka-alalla, jossa hajonta syntyy useammin pääkonttorin ja kentän suorittavan työn välille, tai kiinteistöalalla, jossa ero on usein hallinnan ja kehityksen välillä.
Houkutus aloittaa näkyvistä, riippuvaisista ulottuvuuksista on finanssialalla suuri, koska dataa ja mallikokemusta on paljon jo valmiiksi. Silti järjestys pysyy voimassa: organisaatiorakenne, IT-infrastruktuuri ja datanhallinta muodostavat perustan, jonka päälle muu rakentuu. Organisaatio, joka saa paperilla korkean pisteytyksen datanhallinnasta, mutta jossa päätöksentekoa ja vastuita ei ole työstetty, törmää samaan muuriin kuin organisaatio, joka on vasta alkamassa. Se, miksi peruspilarien on tultava ensin, ei ole tällöin mielipidekysymys, vaan kysymys siitä, miten AI-sovellukset todella toimivat: vahvan perustan puuttuessa kaikki jää pilotin tasolle, kuinka pitkälle kehitetty malli tahansa on.
Vertailu muihin pääomavaltaisiin sektoreihin, kuten energia-alaan, osoittaa, että vahva tekninen perusta ei automaattisesti johda kypsyyteen muilla ulottuvuuksilla. Tekniikkaa ja kuria tarvitaan, mutta ne eivät riitä.
Kypsyysmittaus osoittaa, onko organisaatiolla kokonaisuutena perusta, jonka päälle AI:ta voidaan kantaa vastuullisesti: rakenne, infrastruktuuri, datanhallinta ja niiden ympärillä oleva päätöksenteko. Tämä on eri kysymys kuin se, mikä osa työstä itsessään soveltuu korvattavaksi. Kun tämä perusta on kartoitettu, on olennaista tarkastella tehtäväkohtaisesti, mitä AI voi ottaa hoitaakseen ja mitä ei. Tämä on FTE TO AI:n työtehtäväskannauksen alue, joka laskee tehtäväkohtaisesti, minkä osan työstä AI voi ottaa hoitaakseen, perustuen itse tehtävän luonteeseen sen sijaan, että perustuisi organisaation valmiuteen.
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.