A pénzügyi szolgáltatás más szektoroktól abban különbözik, hogy régóta megvan a strukturált adatok és a szigorú kontroll hagyománya. Míg sok szervezetnek még el kell kezdenie az információ rendezését, ez a szektor gyakran már évtizedes tapasztalattal rendelkezik adatmodellek, audit trail-ek és kockázatkezelés terén. Ez látszólagos előnyt ad. A data management dimenzió a gyakorlatban gyakran magasabb pontszámot kap, mint más szektorokban, de ez nem jelenti azt, hogy a szervezet egésze felkészült az AI-ra. Míg például az építőipar a projektek közötti szétaprózott adatokkal küzd, a pénzügyi szektor inkább olyan adatsilókkal küzd, amelyek annyira jól védettek, hogy már egymást sem érik el.
Az alapvető dimenziók közötti viszony ezáltal kiegyensúlyozatlan, de más módon, mint másutt. Az IT-infrastruktúra általában robusztus, de nehézkes is: nagy, régi rendszerek, amelyek nem mozdulnak gyorsan. A szervezeti struktúra gyakran hierarchikus és szigorú felelősségi vonalak mentén osztott, amely lassíthatja a döntéshozást az új technológiáról. Az eredmény egy olyan szektor, amely papíron jól teljesít az alapokon, de a gyakorlatban lassú a foundationtől az activationig tartó lépésben.
A compliance és a kockázatkezelés be van ágyazva a szektor DNS-ébe. Ez két irányban hat. Egyrészt fegyelmet biztosít az adatminőségben és a felelősségek egyértelmű elhatárolását, amit más szektoroknak még ki kell építeniük. Másrészt az a szokás, hogy a kockázatokat előbb végig kell kalkulálni, tartózkodáshoz vezet az új technológia bevezetésénél, mielőtt a hatást teljesen átgondolták volna. Ez a tartózkodás nem feltétlenül hátrány, de megmagyarázza, miért maradnak a pilotok gyakrabban próbafelállásban, mint hogy strukturális alkalmazássá fejlődjenek.
A döntéshozás dimenzió itt meghatározó. Sok pénzügyi szervezetnél hiányzik az áttekintés arról, ki hozhat döntést egy AI-alkalmazásról, és milyen információ alapján. Ez az áttekintés, ami egy döntési leltárban kell szerepeljen, pontosan az, ahol sok érettségi mérés hiányosságot fed fel: a technika megvan, a vele való munkára szóló felhatalmazás nem.
Ezt a szektort tovább jellemzi az osztályok közötti különbség mértéke. Egy kockázati osztály évek óta dolgozik modellekkel és statisztikával, és az AI-t a már zajló folyamatok logikus kiterjesztéseként látja. Egy backoffice- vagy ügyfélkapcsolati osztály az AI-t inkább olyasminek látja, amit felülről kényszerítenek rá, anélkül hogy a saját munkafolyamatai erre fel lennének készítve. Amikor ugyanannak a szervezetnek több munkatársa külön-külön pontozza a hét dimenziót, ez az eltérés gyakran azonnal feltűnik. Az eredmény ritkán egységes kép, és ez pontosan az, ami értékes: megmutatja, hol nem zajlott még le a beszélgetés a készenlétről.
Ez az eltérés kevésbé véletlenszerű, mint amilyennek látszik. A pénzügyi intézmények gyakran olyan divíziókból épülnek fel, amelyek történelmileg egymástól függetlenül fejlődtek, mindegyik saját digitalizációs tempóval. Ez más mintázat, mint például a telepítési szektorban, ahol az eltérés gyakrabban a főiroda és a helyszíni végrehajtás között keletkezik, vagy az ingatlanszektorban, ahol a különbség gyakran a kezelés és a fejlesztés között van.
A kísértés, hogy a látható, függő dimenzióknál kezdjenek, a pénzügyi szektorban nagy, mivel már sok adat és sok modelltapasztalat áll rendelkezésre. Mégis érvényben marad a sorrend: a szervezeti struktúra, az IT-infrastruktúra és a data management alkotja azt az alapot, amelyre a többi épül. Egy szervezet, amely papíron magas pontszámot ér el a data managementben, de amelynél a döntéshozás és a felelősség nincs kidolgozva, ugyanabba a falba ütközik, mint egy szervezet, amelynek még el kell kezdenie. Az, hogy miért kell az alapvető dimenzióknak előbb jönniük, nem preferencia kérdése, hanem annak a módja, ahogyan az AI-alkalmazások valójában működnek: stabil alap nélkül minden a pilot szintjén marad, bármilyen fejlett is a modell.
Az összehasonlítás más tőkeintenzív szektorokkal, mint az energiaszektor, megmutatja, hogy egy erős technikai alap nem vezet automatikusan érettséghez a többi dimenzióban. A technika és a fegyelem szükséges, de nem elégséges.
Az érettségi mérés megmutatja, hogy a szervezet egésze rendelkezik-e azzal az alappal, amely szükséges az AI felelős hordozásához: a struktúrával, az infrastruktúrával, a data managementtel és az azt körülvevő döntéshozással. Ez más kérdés, mint hogy a munka mely része alkalmas magára az átvételre. Amint ez az alap képbe kerül, releváns lesz feladatonként megvizsgálni, mit vehet át az AI és mit nem. Ez az FTE TO AI munkascan területe, amely feladatonként kiszámítja, hogy a munka mely része vehető át az AI által, a feladat jellege alapján, nem pedig a szervezet készenléte alapján.
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.