De financiële dienstverlening onderscheidt zich van andere sectoren door een lange geschiedenis van gestructureerde data en strikte controle. Waar veel organisaties nog moeten beginnen met het ordenen van informatie, heeft deze sector vaak al decennia ervaring met datamodellen, audit trails en risicobeheer. Dat geeft een schijnvoorsprong. De dimensie datamanagement scoort in de praktijk vaak hoger dan in andere sectoren, maar dat betekent niet dat de organisatie als geheel klaar is voor AI. Waar bijvoorbeeld de bouw worstelt met versnipperde data over projecten, worstelt de financiële sector eerder met datasilo's die zo goed beveiligd zijn dat ze elkaar niet meer bereiken.
De verhouding tussen de fundamentele dimensies is daardoor scheef, maar op een andere manier dan elders. IT-infrastructuur is doorgaans robuust, maar ook log: grote, oude systemen die niet snel meebewegen. Organisatiestructuur is vaak hiërarchisch en verdeeld over strikte verantwoordelijkheidslijnen, wat besluitvorming over nieuwe technologie kan vertragen. Het resultaat is een sector die op papier goed scoort op de basis, maar in de praktijk traag is met de stap van foundation naar activation.
Compliance en risicobeheer zijn ingebakken in het DNA van de sector. Dat werkt twee kanten op. Aan de ene kant zorgt het voor discipline in datakwaliteit en voor heldere afbakening van verantwoordelijkheden, iets wat andere sectoren nog moeten opbouwen. Aan de andere kant zorgt de gewoonte om risico's eerst te doorrekenen voor terughoudendheid bij het inzetten van nieuwe technologie voordat de impact volledig is doorgerekend. Die terughoudendheid is niet per se een nadeel, maar het verklaart wel waarom pilots vaker blijven hangen in een proefopstelling dan dat ze doorgroeien naar een structurele toepassing.
De dimensie besluitvorming is hier bepalend. In veel financiële organisaties ontbreekt een helder overzicht van wie welk besluit mag nemen over een AI-toepassing, en op basis van welke informatie. Dat overzicht, wat er in een besluiten-inventaris hoort, is precies waar veel volwassenheidsmetingen een gat blootleggen: de techniek is aanwezig, de bevoegdheid om ermee te werken niet.
Wat deze sector verder onderscheidt, is de omvang van het verschil tussen afdelingen. Een risicoafdeling werkt al jaren met modellen en statistiek, en ziet AI als een logische uitbreiding van wat er al gebeurt. Een backoffice- of klantcontactafdeling ziet AI vooral als iets dat van bovenaf wordt opgelegd, zonder dat de eigen werkprocessen daarop zijn ingericht. Wanneer meerdere mensen uit dezelfde organisatie apart de zeven dimensies scoren, valt die spreiding vaak meteen op. De uitkomst is zelden een uniform beeld, en dat is precies waardevol: het laat zien waar het gesprek over gereedheid nog niet heeft plaatsgevonden.
Deze spreiding is minder toevallig dan het lijkt. Financiële instellingen zijn vaak opgebouwd uit divisies die historisch los van elkaar zijn gegroeid, elk met een eigen tempo van digitalisering. Dat is een ander patroon dan in bijvoorbeeld de installatiebranche, waar de spreiding vaker ontstaat tussen hoofdkantoor en uitvoering in het veld, of in de vastgoedsector, waar het verschil vaak zit tussen beheer en ontwikkeling.
De verleiding om te beginnen bij de zichtbare, afhankelijke dimensies is in de financiële sector groot, omdat er al veel data en veel modelervaring is. Toch blijft de volgorde gelden: organisatiestructuur, IT-infrastructuur en datamanagement vormen de basis waarop de rest steunt. Een organisatie die op papier hoog scoort op datamanagement, maar waar besluitvorming en verantwoordelijkheid niet zijn uitgewerkt, loopt tegen dezelfde muur aan als een organisatie die nog moet beginnen. Waarom de fundamentele dimensies eerst moeten komen, is dan geen kwestie van voorkeur, maar van de manier waarop AI-toepassingen daadwerkelijk werken: zonder een stevige basis blijft alles op het niveau van een pilot staan, hoe geavanceerd het model ook is.
De vergelijking met andere kapitaalintensieve sectoren, zoals de energiesector, laat zien dat een sterke technische basis niet automatisch leidt tot volwassenheid op de andere dimensies. Techniek en discipline zijn nodig, maar niet voldoende.
De volwassenheidsmeting laat zien of de organisatie als geheel de basis heeft staan om AI verantwoord te dragen: de structuur, de infrastructuur, het datamanagement en de besluitvorming daaromheen. Dat is een andere vraag dan welk deel van het werk zelf voor overname in aanmerking komt. Zodra die basis in beeld is, wordt het relevant om per taak te bekijken wat AI kan overnemen en wat niet. Dat is het domein van de werkscan van FTE TO AI, die per taak berekent welk deel van het werk door AI is over te nemen, gebaseerd op de aard van de taak zelf in plaats van op de gereedheid van de organisatie.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.