Finanšu pakalpojumu sektors atšķiras no citām nozarēm ar savu ilgo pieredzi strukturētos datos un stingrā kontrolē. Kur daudzām organizācijām vēl jāsāk sakārtot informāciju, šim sektoram bieži jau ir gadu desmitu pieredze datu modeļos, audita takās un riska pārvaldībā. Tas rada šķietamu priekšrocību. Datu pārvaldības dimensija praksē bieži novērtēta augstāk nekā citās nozarēs, bet tas nenozīmē, ka organizācija kopumā ir gatava AI. Kur, piemēram, būvniecība cīnās ar fragmentētiem datiem par projektiem, finanšu sektors drīzāk cīnās ar datu silosiem, kas ir tik labi aizsargāti, ka tie vairs nesasniedz viens otru.
Attiecība starp fundamentālajām dimensijām tāpēc ir izlīdzsvarota, taču citādā veidā nekā citur. IT infrastruktūra parasti ir robusta, bet arī smaga: lielas, vecas sistēmas, kas nespēj strauji pielāgoties. Organizācijas struktūra bieži ir hierarhiska un sadalīta stingrās atbildības līnijās, kas var kavēt lēmumu pieņemšanu par jauno tehnoloģiju. Rezultāts ir sektors, kas uz papīra labi novērtēts pamatos, bet praksē lēni virzās no foundation uz activation.
Atbilstība un riska pārvaldība ir iestrādātas šī sektora DNS. Tas darbojas divos virzienos. No vienas puses tas nodrošina disciplīnu datu kvalitātē un skaidru atbildību sadali, ko citām nozarēm vēl jāizveido. No otras puses ieradums vispirms izrēķināt riskus rada atturīgumu izmantot jauno tehnoloģiju, pirms ietekme ir pilnībā izrēķināta. Šī atturība nav automātiski trūkums, bet tā izskaidro, kāpēc pilotprojekti biežāk paliek izmēģinājuma stadijā, nevis izaug par strukturālu lietojumu.
Lēmumu pieņemšanas dimensija šeit ir izšķiroša. Daudzās finanšu organizācijās nav skaidra pārskata par to, kurš var pieņemt kādu lēmumu par AI lietojumu un uz kāda pamata informācijas. Šis pārskats, tas, ko satur lēmumu inventarizācija, ir tieši tas, kur daudzi briedumu novērtējumi atklāj plaisu: tehnika ir pieejama, bet pilnvaras strādāt ar to nav.
Kas šo sektoru tālāk atšķir, ir atšķirības apjoms starp nodaļām. Riska nodaļa gadiem strādā ar modeļiem un statistiku un uzskata AI par loģisku turpinājumu tam, kas jau notiek. Backoffice vai klientu apkalpošanas nodaļa AI uzskata galvenokārt par kaut ko no augšas uzspiestu, bez tā, ka pašu darba procesi būtu tam sagatavoti. Kad vairāki cilvēki no vienas organizācijas atsevišķi novērtē septiņas dimensijas, šī izkliede bieži uzreiz kļūst pamanāma. Rezultāts reti ir vienots priekšstats, un tas ir tieši vērtīgi: tas parāda, kur saruna par gatavību vēl nav notikusi.
Šī izkliede ir mazāk nejauša, nekā izskatās. Finanšu iestādes bieži ir veidotas no divīzijām, kas historiski attīstījušās nošķirti, katra ar savu digitalizācijas tempu. Tas ir citāds modelis nekā, piemēram, instalāciju nozarē, kur izkliede biežāk rodas starp galveno biroju un darbu izpildi laukā, vai nekustamā īpašuma sektorā, kur atšķirība bieži ir starp pārvaldību un attīstību.
Kārdinājums sākt ar redzamajām, atkarīgajām dimensijām finanšu sektorā ir lielas, jo tur jau ir daudz datu un liela pieredze modeļos. Tomēr secība saglabājas: organizācijas struktūra, IT infrastruktūra un datu pārvaldība veido pamatu, uz kura balstās viss pārējais. Organizācija, kas uz papīra augstu novērtēta datu pārvaldībā, bet kur lēmumu pieņemšana un atbildība nav izstrādāta, atduras pret to pašu sienu, kā organizācija, kurai vēl jāsāk. Kāpēc fundamentālajām dimensijām jābūt pirmajām, tāpēc nav vēlmes jautājums, bet gan atspoguļo to, kā AI lietojumi patiesībā darbojas: bez stabila pamata viss paliek pilotprojekta līmenī, kā arī neatkarīgi no tā, cik progresīvs ir modelis.
Salīdzinājums ar citām kapitālintensīvām nozarēm, piemēram, energosektoru, rāda, ka stipra tehniskā bāze automātiski nenoved pie brieduma citās dimensijās. Tehnika un disciplīna ir nepieciešamas, bet nav pietiekamas.
Brieduma novērtējums parāda, vai organizācija kopumā ir izveidojusi pamatu, lai atbildīgi nesa AI: struktūru, infrastruktūru, datu pārvaldību un ap to esošo lēmumu pieņemšanu. Tas ir cits jautājums nekā tas, kāda darba daļa pati par sevi ir piemērota pārņemšanai. Tiklīdz šis pamats ir apzināts, kļūst nozīmīgi apskatīt katru uzdevumu atsevišķi, lai noskaidrotu, ko AI var pārņemt un ko nevar. Tā ir FTE TO AI darba skenēšanas (werkscan) joma, kas katram uzdevumam aprēķina, kāda darba daļa ir pārnesama uz AI, pamatojoties uz uzdevuma raksturu, nevis uz organizācijas gatavību.
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.