Finansinių paslaugų sektorius skiriasi nuo kitų sektorių ilga struktūrizuotų duomenų ir griežtos kontrolės istorija. Kai daugelis organizacijų dar tik turi pradėti informacijos sisteminimą, šis sektorius dažnai jau turi dešimtmečių patirtį su duomenų modeliais, audito pėdsakais ir rizikos valdymu. Tai sukuria tariamą pranašumą. Duomenų valdymo dimensija praktikoje dažnai įvertinama aukščiau nei kituose sektoriuose, tačiau tai nereiškia, kad organizacija kaip visuma yra pasirengusi AI. Kai, pavyzdžiui, statybų sektorius kovoja su fragmentuotais projektų duomenimis, finansų sektorius dažniau kovoja su duomenų salomis, kurios yra tokios geros apsaugotos, kad jau nebepasiekia vienas kito.
Santykis tarp pagrindinių dimensijų dėl to yra iškreiptas, tačiau kitaip nei kitur. IT infrastruktūra dažniausiai yra patikima, bet taip pat sunkiai valdoma: didelės, senos sistemos, kurios greitai neprisitaiko. Organizacinė struktūra dažnai yra hierarchinė ir padalinta pagal griežtas atsakomybės linijas, kas gali lėtinti sprendimų priėmimą dėl naujų technologijų. Rezultatas – sektorius, kuris popieriuje gerai įvertinamas pagal pagrindus, tačiau praktikoje lėtai žengia žingsnį nuo pagrindo (foundation) prie aktyvavimo (activation).
Atitiktis ir rizikos valdymas yra įsišakniję šio sektoriaus DNA. Tai veikia į dvi puses. Iš vienos pusės, tai suteikia discipliną duomenų kokybei ir aiškų atsakomybių apibrėžimą – tai, ką kiti sektoriai dar turi susikurti. Iš kitos pusės, įprotis pirmiausia apskaičiuoti riziką sukelia atsargumą naudojant naujas technologijas, kol jų poveikis nėra visapusiškai apskaičiuotas. Šis atsargumas nebūtinai yra trūkumas, tačiau jis paaiškina, kodėl bandomieji projektai dažniau įstringa eksperimentinės sąrangos lygmenyje, nei išauga į struktūrinį pritaikymą.
Sprendimų priėmimo dimensija čia yra lemiama. Daugelyje finansinių organizacijų trūksta aiškaus vaizdo, kas gali priimti kokį sprendimą dėl AI taikymo, ir kokia informacija tuo pagrindu remiantis. Tas vaizdas, kas turėtų būti sprendimų inventorizacijoje, yra tiksliai ta vieta, kur daugelis brandos vertinimų atskleidžia trūkumą: technologija yra, tačiau įgaliojimai su ja dirbti – ne.
Kas šį sektorių dar labiau išskiria, yra skirtumo tarp padalinių dydis. Rizikos padalinys jau metų metus dirba su modeliais ir statistika, ir mato AI kaip logišką to, kas jau vyksta, plėtinį. Backoffice arba klientų aptarnavimo padalinys AI mato pirmiausia kaip kažką, kas primetama iš viršaus, be to, kad jo pačio darbo procesai būtų tam pritaikyti. Kai keli žmonės iš tos pačios organizacijos atskirai įvertina septynias dimensijas, šis skirtumas dažnai iškart išsiskiria. Rezultatas retai būna vienodas vaizdas, ir tai yra tiksliai vertinga: tai parodo, kur pokalbis apie pasirengimą dar nėra įvykęs.
Šis skirtumas yra mažiau atsitiktinis, nei atrodo. Finansinės institucijos dažnai susidaro iš padalinių, kurie istoriškai augo atskirai vienas nuo kito, kiekvienas su savu skaitmenizacijos tempu. Tai kitoks modelis nei, pavyzdžiui, montavimo sektoriuje, kur skirtumas dažniau atsiranda tarp būstinės ir darbo vietoje, arba nekilnojamojo turto sektoriuje, kur skirtumas dažnai atsiranda tarp valdymo ir plėtros.
Pagunda pradėti nuo matomų, priklausomų dimensijų finansų sektoriuje yra didelė, nes jau yra daug duomenų ir daug patirties su modeliais. Tačiau eiliškumas išlieka: organizacinė struktūra, IT infrastruktūra ir duomenų valdymas sudaro pagrindą, ant kurio remiasi visa kita. Organizacija, kuri popieriuje aukštai įvertinama pagal duomenų valdymą, bet kurioje sprendimų priėmimas ir atsakomybė nėra išplėtoti, atsimuša į tą pačią sieną kaip ir organizacija, kuri dar tik turi pradėti. Kodėl pagrindinės dimensijos turi būti pirmiausia, tai nėra pasirinkimo klausimas, o susijęs su tuo, kaip AI taikymai faktiškai veikia: be tvirto pagrindo visa liks bandomojo projekto lygmenyje, kad ir kokia pažangi būtų modelis.
Palyginimas su kitais kapitalui intensyviais sektoriais, tokiais kaip energetikos sektorius, rodo, kad stipri techninė bazė automatiškai neprilygsta brandai kitose dimensijose. Technologija ir disciplina yra būtini, tačiau nepakankami.
Brandos vertinimas parodo, ar organizacija kaip visuma turi pagrindą, leidžiantį atsakingai vykdyti AI: struktūrą, infrastruktūrą, duomenų valdymą ir aplink tai esantį sprendimų priėmimą. Tai kitas klausimas nei tas, kuri darbo dalis pati savaime yra tinkama perėmimui. Kai tas pagrindas yra žinomas, tampa aktualu pagal kiekvieną užduotį įvertinti, ką AI gali perimti, o ko – ne. Tai yra FTE TO AI darbo skenavimo (werkscan) sritis, kuri pagal kiekvieną užduotį apskaičiuoja, kokią darbo dalį gali perimti AI, remiantis pačios užduoties pobūdžiu, o ne organizacijos pasirengimu.
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.