Как McKinsey предлагает банкам извлекать выгоду из AI

Аналитический центр red_mad_robot перевёл исследование McKinsey о применении GenAI для банковского сектора. Помимо нового уровня автоматизации, AI поможет сделать банки более интеллектуальными, эффективными и финансово устойчивыми. Собрали для вас основные принципы построения AI-First банка, в конце вас ждёт пара полезных артефактов — ставьте лайки, если материал пригодится.

Четыре задачи AI-трансформации банка

1. Разработать вижн, в котором AI создаёт ценность для банка. Важно смотреть на технологию как на способ увеличения доходов и улучшения опыта клиентов и сотрудников. AI должен играть ключевую роль в стратегии банка.

2. Укоренить AI-трансформацию, преобразуя целые домены, процессы и пути, а не просто развертывая узкие кейсы AI-решений, например, чат-бот для поддержки — да, их можно быстро запустить, но они не принесут существенной ценности.

3. Создать комплексный AI-стек. С обработкой больших массивов данных может справиться только сочетание AI-агентов с предиктивным моделями и цифровыми сервисами, а не отдельные юниты.

4. Масштабировать ценность, создавая энейблеры для AI-трансформации. Банки развивают кросс-функциональные команды, а также создают центральную группу для координации и управления AI-трансформацией.

Разработать вижн, в котором AI создаёт ценность для банка

Ведущие банки рассматривают AI как инструмент трансформации и используют его для стратегических приоритетов: например, с помощью AI банк увеличит доход, дифференцируется от конкурентов или повысит удовлетворенность клиентов и сотрудников.

Кроме того, важно внедрить AI в процесс стратегического планирования, требуя от каждого подразделения пересмотреть процессы и поставить смелые цели. Так можно фокусироваться на стратегических инновациях, а не экспериментировать в периферийных областях, которые считаются безопасными.

Всегда нужно помнить о бизнес-фокусе AI-инициатив — руководители берут на себя ответственность за то, что создаваемые процессы тесно связаны с целями банка, и совместно с технологическими лидерами стремятся к достижению результатов.

Укоренить AI-трансформацию

Типичный банк имеет 25 поддоменов. После того, как руководители банка выбирают поддомены для трансформации, они переосмысливают каждый из них от начала до конца, используя текущий спектр технологий для достижения желаемых результатов.

Можно использовать матрицу, чтобы оценить влияние AI на бизнес и техническую осуществимость AI-трансформации определенного поддомена. Также важно, чтобы поддомен включал элементы, которые можно повторно использовать в последующих трансформациях поддоменов. Поддомены, которые представляют наибольшую выгоду от AI, должны стать первыми кандидатами на трансформацию, так как это может принести 70-80% выгоды.

Раскрыть выгоду с помощью AI-стека

Банковский AI-стек содержит четыре ключевых слоя: взаимодействие, принятие решений, данные и core-технологии, а также операционную модель. Каждому слою необходимо уделить внимание и инвестиции, чтобы раскрыть весь потенциал AI для банка.

Engagement — слой взаимодействия с клиентами

Банкам нужно сделать клиентский опыт максимально персонализированным и удобным, улучшив коммуникацию с помощью AI через текстовые, визуальные и голосовые чаты и упростив перемещение между разными каналами взаимодействия: приложением, веб-сайтом, отделениями и контактными центрами.

AI-powered decision-making layer — слой принятия решений с AI

Это мозг банка, который координирует и обеспечивает принятие решений на основе AI, влияющие на клиентов и сотрудников на протяжении всего цикла предоставления услуг и продуктов.

Предиктивные AI-модели — основная часть этого уровня в большинстве банков. Они легко справляются с задачами, когда есть структурированные данные в контролируемых условиях. Сложнее адаптироваться, когда данные неструктурированы, а задачи требуют много этапов планирования и рассуждений. В этот момент на помощь приходят мультиагентные системы, которые помогают планировать, рассуждать и действовать.

Мультиагентные системы пока ещё не готовы к масштабному развертыванию в компаниях и требуют доработки. Тем не менее, AI-агенты привлекают внимание банков благодаря перспективе полной автоматизации сложных рабочих процессов.

• Уровень оркестровки AI включает копилотов и справляется с планированием задач. Может автономно планировать действия, принимать решения, использовать инструменты, внутренние данные и AI-агентов для достижения целей. Но на данный момент вмешательство человека все ещё необходимо для обучения и определения процедур, которым должны следовать AI-оркестраторы.

• Уровень агента включает AI, ориентированный на выполнение задач в соответствии с указаниями уровня оркестровки или других агентов. Каждый из агентов настраивается с помощью подходящих для домена датасетов и обратной связи от человека.

• Работа всех уровней улучшается с помощью AI-энейблеров, которые включают повторно используемые компоненты и сервисы, а также элементы безопасности, например, конфиденциальность данных и протоколы оценки рисков. В совокупности все уровни гарантируют, что модели будут развернуты быстро и безопасно.

Со временем банки будут иметь сотни AI-агентов, каждый из которых обучен для выполнения определенной задачи и готов к вызову другими агентами или людьми. Люди будут контролировать AI-агентов, проверяя и корректируя их результаты. При правильном внедрении мультиагентные системы могут перестроить различные области работы, например, повысить производительность кредитных аналитиков на 20-60% и ускорить принятие решений на 30%.

Core technology and data layer — слой core-технологий и данных

В этот слой входят технологии и данные, необходимые для преобразования AI, включая повторно используемые инструменты и пайплайны, оснащенные MLOps-возможностями. Другие части этого слоя включают в себя данные, необходимые для обучения мультиагентных систем или предоставления ответов конечным потребителям, а также API-архитектуру и кибербезопасность.

Operating model — операционная модель

Интегрируя бизнес-часть и технологии, управляемые кросс-функциональными командами, банки могут исправить организационную разрозненность, повысить гибкость и скорость, а также лучше согласовать цели и приоритеты.

Масштабировать ценность, создавая энейблеров для AI-трансформации

После разработки стратегии, в основе которой лежит AI, и выбора доменов и поддоменов, которые будут трансформированы, банкам следует сосредоточиться на реализации масштабной AI-трансформации, извлекая выгоду из повторно используемых компонентов, которые можно создать для одного домена, а затем подключать к другим.

AI-трансформация начинается с одного поддомена и разработки различных кейсов в этом поддомене, проходя через несколько фаз — от MVP до более сложных стадий. По мере продолжения трансформации повторно используемые компоненты могут применяться в других поддоменах. Но этот процесс требует поэтапного создания и улучшения AI-стека.

• Сетап команд. Банки должны создавать кросс-функциональные команды, которые сочетают знания о бизнесе в банкинге и техническую экспертизу в области данных и AI. Один из ключевых элементов — внедрение экспертизы управления рисками. Руководителям нужно уделять внимание тому, как возможности могут быть развернуты и приняты сотрудниками и клиентами банка.

• Поддержание ценности. Получение ценности из AI — это общекорпоративное правило, требующее централизованного планирования и координации усилий для преодоления проблем на пути AI-трансформации. Для этого ведущие банки создают центральную команду управления AI, которая выполняет три роли:

  1. Хранитель AI-стратегии.
     Отслеживает и контролирует ценность, полученную от различных AI-инициатив, обновляет области финансирования, закрывает проекты, если они не дали результатов и совершенствует роадмап AI-трансформации банка.

  2. Координатор ключевых решений.
     Устанавливает набор стандартов и протоколов рисков для обеспечения сплочённости подразделений.

  3. Драйвер повторного использования корпоративных AI-активов.
     Работает с различными сегментами и функциями бизнеса, соединяя подразделения и ускоряя распространение опыта AI-трансформации. Команда должна гарантировать, что AI-возможности, созданные в одной области, можно будет повторно использовать в других частях банка, экономя усилия и ускоряя time-to-market запуска продуктов и услуг.

Резюме: создавая AI-First банк

1. Переосмысление CX — персонализированные предложения и упрощение взаимодействия с продуктом для клиентов и сотрудников.

2. AI для принятия решений — повышение скорости получения аналитических данных и их трансформации в сообщения, отвечающие потребностям клиентов. 

3. Модернизация core-технологий — необходимый AI-стек: облачные вычисления, API, архитектура обмена данными между подразделениями банка.

4. Сетап платформенной операционной модели — объединение таланта, культуры и оргструктуры для AI-трансформации.

Чеклист для для банка, чтобы оценить, действительно ли он становится AI-First

1. Разработка концепции AI-трансформации с измерением ROI от AI.

2. Полномасштабная AI-трансформация, где сочетаются GenAI с аналитическим AI и цифровыми инструментами.

3. Переосмысление бизнес-областей, включая оптимизацию внутренних процессов и операций — не изолированное развертывания AI-решений для узких кейсов.

4. Использование мультиагентных систем и копилотов для автоматизации сложных рабочих процессов, а не обучение одной модели в ожидании, что она будет выполнять все задачи.

5. Обеспечение возможности реиспользования компонентов, чтобы не создавать каждый AI-проект с нуля.