Tekoäly rahoituspalveluissa: Sääntely on piilevä etu

Pankkeja ja vakuutusyhtiöitä pidetään usein tekoälylle haastavina toimintaympäristöinä. Ala noudattaa tiukkaa sääntelyä, on riskiherkkä ja monimutkainen. Organisaatiot eivät voi käyttää dataa mielivaltaisesti, päätösten on oltava perusteltavissa ja uuden teknologian tulee sopia olemassa oleviin valvontamenettelyihin, prosesseihin ja toimintamalleihin.

Vaikka tämä pitää paikkansa, se on pakottanut organisaatiot luomaan rakenteita, joita tekoäly tarvitsee. Näitä ovat esimerkiksi hallinnoitu data, dokumentoidut käytännöt ja toimintatavat, pääsyrajoitukset, tarkistusketjut, laadunvalvonta sekä riskien omistajuus.

Tekoäly ei ole hyödyllistä tyhjiössä. Se tarvitsee dataa, informaatiota, kontekstia, rajoja ja palautetta, työnkulkuja, joissa tulokset voi tarkistaa, sekä ihmisiä, jotka ymmärtävät, missä riskit piilevät. Tässä mielessä rahoituspalvelut ovat valmiimpia tekoälylle kuin yleisesti keskusteluissa annetaan ymmärtää.

Rahoituspalveluissa on runsaasti tekoälylle soveltuvaa työtä

Organisaatiot voivat hyödyntää tekoälyä rahoituspalveluissa monin tavoin. Osa liittyy automaatioon, osa asiantuntijoiden tukemiseen ja osa olemassa olevan työn laadun, johdonmukaisuuden tai nopeuden parantamiseen. Tärkeää on lähteä liikkeelle itse työstä, ei teknologiasta.

Pankit ja vakuutusyhtiöt tekevät päivittäin tuhansia päätöksiä luottojen, petostorjunnan, korvausvaatimusten, vaatimustenmukaisuuden ja asiakaspalvelun alueilla. Nämä prosessit perustuvat suuriin datamääriin ja asiantuntijoiden arviointiin. Tekoäly tukee asiantuntijan työtä tehden työn nopeammaksi, johdonmukaisemmaksi ja helpommin skaalattavaksi. Suuri osa tästä on tietointensiivistä työtä, jossa ihmiset etsivät, lukevat, vertailevat, tiivistävät, luokittelevat, laativat luonnoksia, tarkistavat ja dokumentoivat. He tekevät tätä asiakastietojen, sopimusten, korvaushakemusten aineistojen, tapahtumatietojen, raporttien ja sääntelyvaatimusten parissa.

Voiko tekoäly auttaa korvauskäsittelijää ymmärtämään tapauksen nopeammin? Tai voiko tekoäly auttaa vaatimustenmukaisuuden asiantuntijaa löytämään olennaista aineistoa useista järjestelmistä? Entä voiko se tunnistaa puuttuvat tiedot ennen kuin tapaus etenee? Nämä ovat tavallisia työtehtäviä, joissa tekoälyä voi hyödyntää jo nyt. Ja koska rahoituspalvelut toimivat niin suurissa volyymeissa, jopa pienetkin parannukset voivat vaikuttaa merkittävästi.

Yksi käytännön esimerkki on peräisin rahoituspalveluiden asiakkaaltamme, jolle otimme käyttöön tekoälyagentin auttamaan asiakaspalvelijoita vastaamaan kysymyksiin nopeammin. Agentti kerää dataa useista järjestelmistä yhteen näkymään ja antaa kymmenille asiakaspalvelijoille sen, mitä he tarvitsevat asiakaskysymyksiin vastaamiseen ilman manuaalista hakua. Ratkaisu parantaa palvelun laatua ympäristöissä, joissa data on hajallaan useissa järjestelmissä.

Suuret volyymit voivat tuntua raskailta, mutta ne luovat myös perustan tekoälylle. Jos dataa ei ole kuvattu, tekoäly ei tiedä, mitä se käyttää. Jos omistajuus on epäselvä, kukaan ei tiedä, kuka voi hyväksyä käytön. Jos määritelmät eroavat liiketoiminta-alueittain, tekoäly saattaa antaa vastauksia epäjohdonmukaisen merkityksen perusteella. Jos prosessidokumentaatio on puutteellinen, tekoälyagentit toimivat aukkojen mukaan aivan kuten uusi työntekijäkin. Metatiedot, datan laatu, käyttöoikeuksien hallinta, prosessidokumentaatio ja omistajuusmallit ovat osa sitä, mikä tekee tekoälystä käyttökelpoisen oikeassa työssä.

Hallintoa ja tekoälyn kehittämistä ei tarvitse tehdä peräkkäin. Eräälle rahoituspalveluiden asiakkaallemme rakensimme ne yhdessä. Kehitimme tietohallintomallia ja integroimme tekoälyagentit suoraan hallintotyöhön. Agentit tukivat metadatakuvauksia, hallintorutiineja ja dokumentointia datan omistajien, ylläpitäjien ja liiketoimintatiimien välillä. Säännellyssä ympäristössä hyvin hallinnoitu metadata tukee paitsi tekoälyn kehittämistä myös riskien hallintaa ja raportointia. Yhdistämällä hallinnon sekä tekoälyllä tuettujen prosessien kehittämisen organisaatio on alkanut rakentaa selkeämpää tietopohjaa, jossa agentit tukevat matkaa kohti toistettavampaa ja vastuullisempaa tekoälyn käyttöä.

Piloteista todelliseen muutokseen tekoälyn avulla

Useimmat pankit ja vakuutusyhtiöt ovat jo tekoälymatkallaan. Ne ovat ehkä ottaneet käyttöön henkilökohtaisia tuottavuustyökaluja, testanneet generatiivista tekoälyä valituissa tiimeissä, laatineet sisäisiä ohjeita tai tutkineet varhaisia käyttötapauksia.

Siirtyminen varhaisesta tutkimuksesta systemaattiseen omaksumiseen vaatii usein sellaisen alustan ja hallinnon rakentamista, joka mahdollistaa tekoälyn käyttöönottamisen laajassa mittakaavassa. Eräälle asiakkaalle, jolla ei ollut hallintoperusteita, rakensimme tekoälyalustan ja siihen liittyvät hallinnon ja kehittämisen perusprosessit. Kehitysperiaatteilla, tekoälyn ohjeistuksella ja tekoälyllä varustetuilla työalueilla tiimit saivat toistettavan tavan kehittää ja ottaa käyttöön uusia ratkaisuja säännellyssä rahoitusympäristössä.

Haasteena on, miten organisaatiot siirtyvät yksittäisistä kokeiluista käytännölliseen, hallittuun omaksumiseen. Monilla rahoituslaitoksilla on jo hallintorakenteet, omistajuusmallit ja valvontaprosessit käytössä. Heillä on mahdollisuus hyödyntää näitä perustuksia tekoälyn skaalaamiseen vastuullisesti.

Tässä mielessä rahoituspalvelut eivät eroa olennaisesti muista toimialoista. Organisaatioiden on valittava, missä tekoäly on todella arvokasta, otettava ratkaisut käyttöön järjestelmällisesti, rakennettava ne riittävän laadukkaasti ja varmistettava, että organisaatio pystyy muuttumaan.

Sääntely on tehnyt rahoituspalveluista monia aloja haastavamman, mutta se on myös valmistanut sen paremmin muutokseen.

Missä sinun organisaatiosi voisi luoda tekoälyn avulla lisäarvoa hyödyntämällä olemassa olevia data-, dokumentointi- ja hallintorakenteita?

Lue lisää tekoälyratkaisuista

Lue lisää tekoälyagenteista

Kuuntele Kuulapodi-jakso: ”Tekoäly ja hallinto pankkialalla”