هوش مصنوعی برای صنعت بانکداری بیش از ۲۰۰ میلیارد دلار ارزش‌آفرینی می‌کند

به گزارش پیوست، طبق برآورد مکینزی صنعت بانکداری به لطف استفاده از انواع مختلف هوش مصنوعی (از هوش مصنوعی سنتی گرفته تا هوش مصنوعی مولد) رشد چشمگیری را در بخش‌های مختلف تجربه می‌کند. در این بین هوش مصنوعی مولد یا generative AI، بیشتر از همه برای بانکداری خرد و شرکتی (به ترتیب با ۵۴ و ۵۶ میلیارد دلار ارزش‌آفرینی)، مفید خواهد بود.

طبق بررسی‌های این موسسه، هوش مصنوعی مولد به افزایش بهره‌وری بانک‌ها منجر می‌شود و روند انجام یک سری مشاغل رایج بانکی و نحوه ارتباط مشتریان با بانک‌ها را متحول می‌کند.

لزوم تغییرات عمده و سریع در سطح مدیریتی

مکینزی معقتد است که برای بهره‌برداری از تکنولوژی هوش مصنوعی و از آنجایی که بیشتر رهبران با این تکنولوژی هیچ آشنایی قبلی ندارند، مهارت‌های مدیریت سنتی باید تغییر کند و رهبران ارشد خود را با روند جدید وفق دهند.

درست شبیه به گوشی هوشمند که اکوسیستم و مدل‌های تجاری را متحول کرد، هوش مصنوعی مولد نیز طیف جدیدی از تجزیه‌ تحلیل و کاربرد‌ها را ممکن کرده است.

مدیران بانکی باید با مفاهیمی مثل یادگیری تقویتی (reinforcement learning) و شبکه‌های عصبی همگشتی (convolutional neural networks) آشنایی پیدا کنند و همچنین راهکار مختلف برآمده از هوش مصنوعی مولد را شناسایی کرده و خود را در سطح استراتژیک با این تکنولوژی جدید وفق دهند.

هوش مصنوعی ساز و کار عملیاتی بانک‌ها که پیش از این به سطحی از ثبات رسیده بود را به چالش می‌کشد. در حالی که طبق تصور بانک‌ها ارتباط بین تکنولوژی و روش‌های سنتی کسب‌وکار برآورده شده بود، به یک باره تجزیه تحلیل و داده از اهمیت حیاتی برخوردار شده‌اند و قطب سومی را در این موازنه شاهد هستیم.

هوش مصنوعی مولد بحث تجزیه و تحلیل داده را به تمامی مراحل زنجیره عرضه وارد می‌کند و به همین دلیل رهبران باید ارتباط عمیق‌تری را با بخش تحلیلگران برقرار کرده و اولویت‌های متفاوتی را مد نظر قرار دهند.

افزون بر این، سرعت تحولات برآمده از هوش مصنوعی مولد با موج قبلی تکنولوژی یا همان گوشی‌های هوشمند قابل مقایسه نیست. در حالی که بانک‌ها در یک دوره نسبتا طولانی خود را با گوشی‌های هوشمند و تحولات ناشی از آن وفق دادند، اما هوش مصنوعی مولد در کسری از آن زمان تحولات بزرگی را رقم می‌زند. برای مثال گلدمن ساکس، یکی از بزرگترین بانک‌های ایالت متحده، از همین حالا ابزارهای مبتنی به هوش مصنوعی را برای خودکارسازی تولید آزمون که یک فرایند زمان‌بر بود به کار گرفته است. بانک Citigroup نیز از هوش صمنوعی برای ارزیابی تاثیرات قوانین جدید سرمایه ایالات متحده استفاده می‌کند. بانک‌هایی که نتوانند خود را با سرعت بالای تحولات وفق دهند، احتمالا با چالش‌هایی در روند کاری خود مواجه می‌شوند.

در نهایت نیز برای بهره‌برداری از هوش مصنوعی مولد، بانک‌ها باید با چالش‌های مهارتی روبرو شوند و سطح مهارت فعلی کارکنان یکی از شاخص‌های مهم برای موفقیت آینده به حساب می‌آید. برای مثال بانک‌های بزرگ جهان در حال حاضر تیم‌های تخصصی خود را براساس تخصص هش مصنوعی و سرعت یادگیری آنها در این بخش انتخاب می‌کنند. بانک‌هایی که متخصصان کمی در حوزه هوش مصنوعی دارند باید از طریق آزمایش و جذب نیروی کار جدید به تقویت خود بپردازند.

هفت فاکتور اصلی در بکارگیری موفق هوش مصنوعی

از نگاه مکینزی موفقیت بانک‌ها در مسیر استفاده موفق از این تکنولوژی جدید به هفت فاکتور اصلی بستگی دارد که در صورت موفقیت تمامی آنها می‌توان یک ارزش‌آفرینی پایدار را انتظار داشت:

• نقشه راه استراتژیک: این بخش که هرچیزی از تغییرات مدل تجاری تا بهینه‌سازی اقتصادی و نوآوری را در بر می‌گیرد باید با چشم انداز، همسویی و تعهد رهبران ارشد همراه باشد. لیست اولویت‌ها در این نقشه راه باید مشخص شوند و اهدافی واضح در نظر گرفته شود. همچنین باید به درستی توانمند‌ی‌های فعلی از جمله مهارت کارکنان، تکنولوژی‌ و داده‌های فعلی را ارزیابی کرده و روند گام‌ به گام تغییر و همکاری‌های مورد نیاز در این مسیر مشخص شوند.
• مهارت: رهبران بانکی باید مهارت فردی خود پیرامون این تکنولوژی را تقویت کنند و امکان جذب کارکنان متخصص و آموزش به کارکنان فعلی را نیز فراهم کنند.
• مدل اجرایی: با اینکه بسیاری از رهبران بانکی در حال حاضر به دنبال مدل‌های اجرایی جدیدی برای حمایت از این تکنولوژی هستند، اما از نگاه مکینزی مدل‌های موفق فعلی از انعطاف و گستره کافی برای هوش مصنوعی مولد برخوردارند. براساس همین مدل‌ها می‌توان فراین‌های جذب سرمایه‌، نیرو و مدیریت خطر را تنظیم کرده و انعطاف، سرعت و گسترده کار را تقویت کرد.
• تکنولوژی: تاریخچه همکاری‌های فناورانه حوزه بانکی به خوبی نشان می‌دهد که توسعه راه‌حل‌های داخلی و رجوع به فعالان شخص ثالث چه مزایا و معایبی را به دنبال دارد اما تکنولوژی‌ جدیدی مثل هوش مصنوعی مولد به وضوح یک چالش جدید به حساب می‌آید و بانک‌ها شاید در رجوع به ارائه دهندگان شخص ثالث نیاز به احتیاط بیشتری، حتی فراتر از دستورالعمل‌های داخلی و قانونی، دارند.
• داده و اطلاعات: توانمندی و بازدهی هوش مصنوعی مولد به وضوح ارتباط مستقیم با مقدار و کیفیت داده‌‌ها دارد. با این حال این تکنولوژی امکان استفاده از داده‌‌های بدون ساختار را نیز برای بانک‌هایی فراهم کرده که شاید پیش از این استفاده زیادی از داده‌های ساختارمند داشتند. هوش مصنوعی مولد می‌تواند چشم‌انداز و برآوردی را حتی براساس حجم عظیمی از داده‌های بدون ساختار بانکی ارائه کند.
• خطرات و محدودیت‌ها: هوش مصنوعی مولد به وضوح بانک‌ها را در معرض خطرات تازه‌ای قرار می‌دهد و درنتیجه این موسسات باید سریعا مدل‌های ارزیابی خطر و حاکمیتی خود را با شرایط جدید وفق دهند. استفاده مسئولانه از هوش مصنوعی و نقشه راهی برای توسعه مسئولانه از جمله ضرورت‌های فعالان بانکی است.
• مدیریت انطباق و تغییر: عدم استقبال کارکنان یا مشتریان از یک اپلیکیشن مفید می‌تواند به طور کامل یک استراتژی موفق را با شکست مواجه کند. تشویق کارکنان و مصرف کنندگان به استفاده و انطباق با تکنولوژی‌های جدید به اندازه طراحی‌ها آنها اهمیت دارد. در همین راستا به رویکرد تازه‌ای نیاز است که براساس آن عوامل هوش مصنوعی نه تنها کاربر محور باشند، بلکه با رویکرد یادگیری تقویتی خود را با بازخورد انسانی وفق دهند تا مقاومت کمتری را از سوی کارکنان یا مشتریان مشاهده کنیم.