Гаманець

AI в банківській сфері: як може виглядати справжній банк з штучним інтелектом до 2030 року

AI в банківській сфері: як може виглядати справжній банк з  штучним інтелектом до 2030 року

Кожний великий банк зобов'язаний розгортає штучний інтелект. Вони анонсують чат-боти для обслуговування клієнтів, системи виявлення шахрайства та алгоритмічні торгові платформи. Але більшість цих впроваджень є поступовою автоматизацією, що виконується поверх десятилітньої інфраструктури, а не фундаментальною трансформацією.

Справжнім питанням, яке постає перед фінансовою індустрією у 2025 році, є не те, чи будуть банки використовувати штучний інтелект, а чи буде штучний інтелект фундаментально переписувати банки самих, перетворюючи фінансові установи в розумні системи, через які кожний процес, рішення та взаємодія з клієнтами потікає через штучний інтелект.

JPMorgan Chase, найбільший банк світу за ринковою капіталізацією, прагне до створення так званого "повністю AI-з'єднаного підприємства," надаючи кожному співробітнику AI-агентів, автоматизуючи кожний закулісний процес і кураторство кожного клієнтського досвіду за допомогою AI. Це бачення виходить далеко за рамки поверхневої автоматизації, що характеризує більшість технологічних ініціатив у банківській сфері. Це спроба фундаментально переосмислити, що таке банк і як він працює. Розуміння цієї трансформації вимагає розрізнення між маркетинговою гіперболи та системними змінами, розгляду як технологічних можливостей, що виникають сьогодні, так і глибоких організаційних, економічних і регуляторних наслідків, які вони несуть.

Ставки величезні. Консалтингова компанія McKinsey оцінює, що генеративний штучний інтелект може створити від 200 до 340 мільярдів доларів додаткової щорічної вартості у банківському секторі, якщо інституції максимально використовуватимуть його застосування в регуляторному відповідності, обслуговуванні клієнтів, розробці програмного забезпечення та управлінні ризиками. Але реалізація цього потенціалу вимагає не лише впровадження нових інструментів. Це потребує перебудови банкінгу з його фундаменту, зіштовхуючи зі застарілими системами, управляючи невизначеними регуляторними рамками и управляючи зривом у робочій силі, що може змінити спосіб зайнятості у всій індустрії.

Ця стаття досліджує, що справді означає створення банку , на базі штучного інтелекту. Вона аналізує пілотний запуск JPMorgan, як приклад для вивчення, описує, як AI трансформує основні банківські функції, пояснює виникнення агентних систем ІІ, що здатні на автономне прийняття багатокрокових рішень, досліджує наслідки для робочої сили, оцінює конкурентну динаміку, зіштовхується з проблемами впровадження, розглядає регуляторні та етичні питання, порівнює традиційні банківські ІІ з децентралізованими фінансовими альтернативами та, врешті-решт, визначає, як може виглядати справжній банк на базі ІІ, коли ця трансформація досягне зрілості. Картина, що виникає, є радикальною зміною - фундаментальною переоцінкою фінансових установ, що може розмити грань між людськими організаціями та розумними системами.

Визначення банку на базі ІІ: Вихід за межі

поверхневої автоматизації

Фраза "банк на базі ІІ" ризикує стати беззмістовною від надмірного вживання. Кожна фінансова установа застосовує певну форму машинного навчання для оцінки кредитоспроможності, виявлення шахрайства чи сегментації клієнтів. Ці додатки представляють собою важливий технологічний прогрес, але вони не є фундаментальною трансформацією. Щоб зрозуміти, що відрізняє справжній банк на базі ІІ від традиційної установи із ІІ-інструментами, ми повинні розглянути кілька відмінних характеристик.

По-перше, банк на базі ІІ інтегрує штучний інтелект у весь свій операційний стек, а не лише в конкретних точках контакту. Традиційні банки застосовують ІІ у ізольованих сегментах: система виявлення шахрайства тут, чат-бот там, можливо, алгоритмічна торгівля на певних ринках. Ці реалізації рідко взаємодіють одна з одною або діляться досвідом у всій установі. Справжній ІІ-банк, навпаки, будує єдиний інтелектуальний шар, що з'єднує кожну систему, базу даних і процес. JPMorgan's LLM Suite є прикладом цього підходу, створюючи портал, що використовує великі мовні моделі з OpenAI та Anthropic, оновлювані кожні вісім тижнів, коли банк постачає більше даних з його величезних баз даних і програмних додатків через основні бізнеси.

По-друге, блоки на базі ІІ використовують агентні системи, здатні виконувати складні, багатокрокові завдання з мінімальним наглядом з боку людини. Це представляє якісне зрушення за межами попередньої автоматизації. Ранні покоління банківських технологій автоматизували специфічні, вузько визначені процеси - відправка транзакцій, створення стандартних звітів, позначення підозрілої активності на основі заздалегідь визначених правил. Агентні ІІ, однак, можуть мислити в умовах неоднозначних ситуацій, приймати контекстно зумовлені рішення і впорядковувати робочі процеси, що раніше вимагали людського судження. JPMorgan почав впроваджувати агентні ІІ для виконання складних багатокрокових завдань для співробітників, з цими агентами стаючи все більш потужними та зв'язаними через установу, що дозволяє їм брати на себе більше відповідальностей.

По-третє, істинні AI-банки фундаментально реорганізовують роботу навколо можливостей ІІ, а не просто доповнюють існуючі ролі. Це означає переосмислення функцій роботи, структур доповіді та операційних процесів, щоб скористатися всім, що ІІ дозволяє, а не змушувати нову технологію в старі організаційні шаблони. Відмінність має величезне значення. Банк, який надає трейдерам доступ до ІІ-потужних аналітичних інструментів, доповнює традиційні ролі. Банк, який впроваджує агентів ІІ для торгівлі, що працюють під людським наглядом, трансформує саму природу торгівлі. Зміст: та задоволення клієнтів. Це вирішує постійну проблему в споживчому банкінгу: представники клієнтського обслуговування повинні орієнтуватися в величезних сховищах інформації про продукцію, нормативних вимогах та процедурних настановах. ШІ, який може миттєво надавати відповідну інформацію, трансформує їх ефективність.

Для технічних команд JPMorgan використовує асистент з програмування, який відіграє значну роль у покращенні ефективності розробки програмного забезпечення, з підвищенням продуктивності банку на 10-20 відсотків. Враховуючи, що Goldman Sachs забезпечила 12,000 своїх розробників генеративним ШІ і відзначає значні прирости в продуктивності, цей додаток являє собою широкий галузевий тренд. Розробка програмного забезпечення є особливо вагомим випадком використання для ШІ, оскільки програмування передбачає переклад вимог у логічні послідовності інструкцій - саме той вид завдань зі співставлення зразків і генерації, в яких мовні моделі досягають успіху.

Найамбітніший аспект ініціативи JPMorgan пов'язаний з переходом від генеративного ШІ, який створює контент, до агентивного ШІ, що виконує процеси. За внутрішньою дорожньою картою, JPMorgan зараз на ранньому етапі наступної фази свого плану ШІ, почавши розгортання агентивного ШІ для обробки складних багатокрокових завдань для співробітників, причому ці агенти стають дедалі потужнішими у своїх можливостях і підключенні по всій установі. Цей перехід представляє собою основну ескалацію ролі ШІ, переходячи від допомоги людині до автономного виконання завдань.

Це бачення поширюється на повну інтеграцію в організацію. Широке бачення JPMorgan - майбутнє, де банк є повністю підключеним до ШІ підприємством, кожному співробітнику надається агенти ШІ, кожен процес за сценою автоматизовано, і кожен клієнтський досвід курується з урахуванням ШІ. Реалізація цього бачення, однак, стикається зі значними перешкодами. Навіть з річним технологічним бюджетом у 18 мільярдів доларів, JPMorgan знадобляться роки, щоб реалізувати потенціал ШІ шляхом об'єднання когнітивної сили моделей ШІ з власними даними і програмним забезпеченням банку, тисячі різних додатків потребують значної роботи для підключення до екосистеми ШІ.

Фінансовий вплив інвестицій JPMorgan в ШІ почав матеріалізуватися. Доходи банку за перший квартал 2025 року відобразили стратегічну важливість цих інновацій, повідомляючи про чистий дохід у розмірі 14,6 мільярдів доларів, що на 9 відсотків більше, ніж за попередній рік, з інвестиціями в ШІ та технології як основними внесками до цієї продуктивності. Це підтверджує бізнес-аргументацію для трансформації ШІ, демонструючи, що технологія надає вимірювану цінність, а не лише споживає ресурси у прагненні до спекулятивних переваг.

Підхід JPMorgan пропонує важливі уроки про масштабну трансформацію ШІ. По-перше, банк надав перевагу внутрішнім, орієнтованим на співробітників додаткам перед запуском продуктів ШІ, орієнтованих на клієнтів. Ця стратегія дозволяє інституціям захоплювати негайні прирости ефективності, цим самим тестуючи технологію у контрольованих, менш ризикованих умовах. По-друге, портал архітектури, що використовує кілька зовнішніх моделей, захищаючи при цьому власні дані, становить шаблон для інших регульованих установ, які орієнтуються в таких вимогах до безпеки та відповідності. Третій пункт - це наголос на всебічній інтеграції, а не ізольованих пілотних проєктах, що відображає визнання того, що найбільша цінність ШІ з'являється від системного впровадження, а не від точкових рішень.

Трансформація У Банківських Доминах

Щоб зрозуміти, як ШІ переформатовує банкінг, потрібно проаналізувати специфічні домени, де вплив технології проявляється найбільше. Кожна область банківської діяльності представляє окремі виклики та можливості для трансформації ШІ.

Інвестиційний Банкінг: Від Армій Аналітиків До Доповнення ШІ

Інвестиційний банкінг традиційно діяв через ієрархічну модель, де молодші аналітики виконували рутинну роботу - будували фінансові моделі, створювали презентації, проводили дослідження - в той час, як старші банкіри зосереджувалися на відносинах з клієнтами та структуруванні угод. ШІ фундаментально порушує цю модель, автоматизуючи багато аналітичної рутинної роботи, при цьому додаючи стратегічні рішення.

Демонстрація JPMorgan створення презентацій з інвестиційного банкінгу за 30 секунд ілюструє цю трансформацію. Наслідки виходять за рамки простого скорочення часу. Інвестиційні банки давно критикували за жорсткі умови праці молодших аналітиків, з 80 до 100 робочих годин на тиждень, типовими для працівників початкового рівня. Якщо ШІ може виконувати завдання, які раніше забирали тисячі годин аналітиків, банки стикаються з рішеннями про розміри робочої сили та традиційну модель навчання, де молодші аналітики вчаться виконуючи велику аналітичну роботу.

Можливості ШІ в цій галузі продовжують розширюватися. Системи можуть зараз аналізувати звіти про доходи, синтезувати ринкові дослідження, будувати аналізи порівняльних компаній і генерувати початкові чернетки презентацій. Вони можуть сканувати новинні канали в пошуках актуальної інформації про клієнтів та перспективи, моніторити регуляторні подання на предмет суттєвих змін і відзначати потенційні угоди на основі розпізнавання зразків у величезних обсягах даних.

Стратегічні наслідки охоплюють більше, ніж просто ефективність. Інвестиційні банки змагаються в основному за глибину своїх знань про індустрію, складність їх аналізу та швидкість, з якою вони можуть реагувати на потреби клієнтів. ШІ, що швидко синтезує інформацію з кількох джерел та генерує складний аналіз, може стиснути часові рамки для процесів угод, покращити якість аналізу та дозволити меншій команді конкурувати з більшими установами, які традиційно мали перевагу через чисельність аналітиків.

Однак інвестиційний банкінг також ілюструє поточні обмеження ШІ. Заключення угод в основному потребують експертного вибору, що стосується оцінки вартості, термінів реалізації, конкурентних динамік та відносин з клієнтами. Хоча ШІ може інформувати ці рішення шляхом аналізу відповідних даних і генерації варіантів, остаточний вибір вимагає людського судження, сформованого за досвідом, інтуїцією та міжособистісним розумінням, яких нинішні системи ШІ не мають. Найбільш успішними будуть, ймовірно, ті компанії, які найефективніше поєднують аналітичні можливості ШІ з людським стратегічним інсайдом.

Роздрібний Та Споживчий Банкінг: Персоналізація У Масштабах

Роздрібний банкінг має інші виклики, ніж інвестиційний. Замість підтримки невеликої кількості транзакцій з високою вартістю, споживчий банкінг обробляє мільйони відносно стандартизованих взаємодій. Здатність ШІ надавати персоналізовані досвіди в масовому масштабі особливо потужна в цьому домені.

Виявлення шахрайства є однією з найзрілих застосувань ШІ у споживчому банкінгу. Традиційні системи, засновані на правилах, відзначали транзакції, які відповідали заздалегідь визначеним підозрілим схемам - великі зняття готівки, міжнародні покупки, швидкі послідовності транзакцій. Ці системи генерували багато хибних позитивів, пропускаючи при цьому складні схеми шахрайства. Сучасні системи ШІ аналізують величезну кількість змінних одночасно, розпізнають тонкі схеми, які вказують на шахрайство, і постійно вчаться на нових техніках шахрайства. JPMorgan використовує ШІ для скорочення шахрайства, і такі системи тепер працюють по всій галузі.

Обслуговування клієнтів представляє собою інший великий домен застосування. Банки, як HSBC, використовують генеративний ШІ для створення індивідуальних рекомендацій по продуктах на основі індивідуальних моделей витрат. Замість того, щоб пропонувати одну і ту ж кредитну карту або рахунок з накопиченням для всіх клієнтів, ШІ аналізує індивідуальні історії транзакцій, ідентифікує моделі та пропонує продукти, які відповідають конкретним фінансовим поведінкам та потребам. Ця персоналізація поширюється на час - ШІ може визначати оптимальні моменти для пропозиції, коли клієнти найімовірніше взаємодіятимуть.

Процеси управління рахунками, які традиційно вимагали великої участі людей, все частіше здійснюються через системи, що керуються ШІ з людським втручанням, резервованим для крайніх випадків та складних ситуацій. Це значно знижує операційні витрати, при цьому потенційно покращуючи досвід клієнтів через швидше оброблення і цілодобову доступність.

Бачення поширюється на фінансових консультантів, які надають індивідуальні рекомендації по всій клієнтській базі. Банки використовують інсайти, отримані за допомогою ШІ, щоб глибше розуміти поведінку клієнтів, з алгоритмами, які аналізують моделі витрат і фінансові поведінки для надання індивідуальних рекомендацій, та передовими моделями машинного навчання, які оцінюють толерантність до ризику через як традиційні анкети, так і поведінкові дані. Це демократизує можливості фінансового планування, які раніше потребували людських консультантів, доступних лише заможним клієнтам.

Трансформація споживчого банкінгу, однак, піднімає важливі питання про фінансову включеність і алгоритмічне зусилля. Системи ШІ, навчені на історичних даних, можуть підтримувати чи посилювати існуючі нерівності у доступі до кредитів, ціноутворенні на страхування та доступності фінансових послуг. Банки, що впроваджують ШІ в орієнтованих на споживачів додатках, повинні боротися з тим, щоб їх системи ставилися до всіх клієнтів справедливо, при цьому залишаючись прибутковими бізнесами.

Управління Ризиками Та Відповідність: Інтелектуальний Моніторинг

Банкінг у свою основу включає управління ризиками - кредитними ризиками, ринковими ризиками, операційними ризиками, ризиками ліквідності та ризиками відповідності. ШІ трансформує управління ризиками, дозволяючи безперервний, всебічний моніторинг на масштабах, неможливих для людських аналітиків.

Процеси Знай Свого Клієнта та боротьби з відмиванням грошей є прикладом впливу ШІ на операції з відповідністю. Підхід HSBC до керування, що використовує ШІ, дозволяє банку орієнтуватися в сучасних складностях фінансової злочинності шляхом ідентифікації незвичайних шаблонів і потенційно незаконних дій, що значно ефективніше відрізняє нормальну і підозрілу поведінку в порівнянні з традиційними методами. Традиційні системи відповідності покладалися на перевірки на основі правил, що ...Згенеровано величезну кількість сповіщень, що вимагають ручного перегляду. Більшість виявилася хибно позитивною, споживаючи час персоналу з дотримання вимог, створюючи ризик, що справжня підозріла діяльність може бути похована в шумі. Системи ІІ застосовують більш складне розпізнавання шаблонів, вчаться на основі відгуків про те, які сповіщення виявляються значущими, і різко поліпшують співвідношення сигнал/шум.

Оцінка кредитного ризику ілюструє, як ІІ дозволяє здійснювати більш нюансовану оцінку. Оцінка кредитного ризику еволюціонувала від аналізу 8-10 змінних до складної системи, здатної одночасно обробляти понад 100 різних факторів. Це дозволяє банкам надавати кредит клієнтам, які можуть бути відхилені традиційними моделями оцінки, при цьому точніше виявляючи високоризикових позичальників. Наслідки для фінансової включеності є значними - багато людей і малих підприємств, яким раніше відмовляли у кредитах через невідповідність стандартним профілям, можуть отримати доступ через системи ІІ, здатні визнати кредитоспроможність на основі альтернативних даних і більш складного аналізу.

Управління ринковими ризиками виграє від здатності ІІ обробляти величезну кількість ринкових даних, новин і настроїв у соціальних мережах у реальному часі, виявляючи кореляції і прогнозуючи шаблони волатильності, які інформують торгові позиції і стратегії хеджування. Інструменти аналітики ІІ обробляють ринкові дані швидше і точніше, ніж люди, виявляючи тенденції і прогнозуючи поведінку з чудовою точністю.

Дотримання правил регулювання все більше покладається на ІІ для навігації складностями фінансового регулювання. Інвестиції, такі як частка BBVA у Parcha, яка створює корпоративних ІІ-агентів, що автоматизують ручні завдання з дотримання і операційної діяльності, включно з переглядом документів, вилученням даних і прийняттям рішень щодо початкових перевірок, комплаєнсу та управління ризиками, ілюструють визнання банками, що ІІ є необхідним для управління регуляторними навантаженнями. Обсяг регуляторних вимог, частота оновлень і потреба в застосуванні правил послідовно до тисяч транзакцій роблять комплаєнс природним застосуванням ІІ.

Казначейські операції та торгівля: швидкість і точність

Торгівля представляє одне з найранніших і наймасштабніших застосувань ІІ у банківській сфері. Алгоритмічна торгівля домінує на фондових ринках протягом багатьох років, з системами на основі ІІ, що виконують угоди на швидкості мікросекунд, управляють складними портфелями, і шукають арбітражні можливості швидше, ніж будь-який людський торговець міг би зрозуміти.

Поточна хвиля ІІ виходить за межі традиційної алгоритмічної торгівлі у більш складні програми. Системи ІІ тепер включають обробку природної мови для аналізу транскриптів дзвінків з прибутками, новинних статей і соціальних мереж для виявлення сигналів настроїв, що можуть рухати ринки. Вони застосовують машинне навчання для розпізнавання шаблонів у потоці ордерів, що свідчать про позиції інституціональних учасників. Вони оптимізують стратегії виконання угод на основі аналізу ринкової мікроструктури, що враховує ліквідність, волатильність і транзакційні витрати на різних майданчиках.

Казначейські операції виграють від здатності ІІ оптимізувати управління ліквідністю, прогнозуючи грошові потоки по всій установі, визначаючи оптимальне розміщення капіталу і ефективно управляючи вимогами щодо забезпечення. Ці бек-офісні функції позбавлені розкоші фронт-офісної торгівлі, але представляють величезну операційну складність і значні можливості для оптимізації.

Конкурентна динаміка у торгівлі на основі ІІ створює технологічну гонку озброєнь. Установи, які впроваджують більш складні ІІ, мають доступ до кращих даних або досягають швидших швидкостей виконання, отримують переваги, що безпосередньо перетворюються у прибутковість. Це стимулює постійні інвестиції в можливості і інфраструктуру ІІ, причому витрати банків на ініціативи ІІ, за прогнозами, зростуть з 6 мільярдів доларів у 2024 році до 9 мільярдів у 2025 році і, можливо, до 85 мільярдів до 2030 року.

Операції: невидима трансформація

Банківські операції - фонова діяльність, яка включає врегулювання угод, звірку рахунків, обробку платежів і підтримку систем - представляють найбільшу одиничну можливість для підвищення ефективності, керовану ІІ. Ці функції залучають величезну кількість людей, що виконують повторювану, засновану на правилах роботу, яку ІІ може все більше виконувати.

Автоматизація на базі ІІ зменшила витрати рутинних банківських операцій на 25-30 відсотків для установ, таких як Wells Fargo, який використовує ІІ для автоматизації обробки іпотечних кредитів, зберігаючи мільйони доларів щороку на операційних витратах, тоді як Citibank повідомляє, что ІІ зменшив час обробки документів на 60 відсотків, що сприяє суттєвому збереженню витрат. Ці підвищення ефективності проявляються не тільки у зниженні витрат, а й у швидшому обробленні, меншій кількості помилок і покращеному обслуговуванні клієнтів.

Наслідки для зайнятості у банківських операціях є глибокими. Ці ролі представляють саме той тип роботи, яка ІІ системи відмінно автоматизують - завдання з великою кількістю, на основі правил, повторювані завдання, які вимагають точності, але не творчого розв'язання проблем чи складного судження. Перед банками постають важкі питання щодо керування переходом робочої сили, оскільки автоматизація усуває робочі місця, які наразі утримують сотні тисяч людей.

Агентний ІІ: вирішальний технологічний зрушення

Розуміння того, що робить поточну трансформацію ІІ принципово відмінною від попередніх хвиль банківської автоматизації, вимагає розгляду агентних ІІ - систем, здатних до автономного багатокрокового міркування і дій з мінімальним людським контролем. Це представляє якісний стрибок порівняно з більш ранніми застосуваннями ІІ.

Традиційна банківська автоматизація працювала через наперед визначені правила. Система могла автоматично відзначати транзакцію, що перевищувала певні пороги, але людина вирішувала, як реагувати. Вона могла спрямовувати запити клієнтів до відповідних відділів, але люди здійснювали фактичні взаємодії. Вона могла генерувати стандартні звіти, але люди їх інтерпретували і приймали рішення. Ці системи слідували сценаріям, і вихід за межі цих сценаріїв вимагав людського втручання.

Агентний ІІ діє по-іншому. Ці системи можуть переслідувати цілі через послідовності дій, які вони визначають самостійно. Вони розмірковують про те, які кроки необхідні для досягнення цілей, приймають рішення на кожному етапі і адаптують підхід на основі результатів. Вони діють більше як людські співробітники, які отримують високорівневі вказівки і визначають, як їх виконати, ніж як традиційне програмне забезпечення, яке слідує чітким інструкціям.

Технічні можливості, які дозволяють агентному ІІ, виникли завдяки досягненням у великих мовних моделях. Ці моделі демонструють щось, схоже на загальні здатності до міркування - вони можуть розуміти складні інструкції, розкладати проблеми на складові частини, генерувати плани, оцінювати варіанти. Коли їх об'єднано зі здатністю використовувати інструменти і мати доступ до даних, вони стають здатними до складної автономної поведінки.

Розгляньмо конкретний приклад з інвестиційного банкінгу. Традиційна система автоматизації могла б згенерувати стандартний фінансовий аналіз на основі шаблону і наперед визначених джерел даних. Агентна ІІ-система, навпаки, могла б отримати високорівневу інструкцію типу "підготуйте матеріали для зустрічі з потенційною компанією-мішенню для придбання" і потім самостійно визначити, яку інформацію зібрати, які аналізи є найбільш релевантними, які порівняння були б корисними, і як структуризувати презентацію. На кожному етапі система розмірковує про варіанти і робить вибір без явних людських вказівок.

Capital One володіє одним з єдиних публічних агентних випадків використання у Concierge Chat і планує використовувати свою ту саму агентну платформу для створення інших інструментів банку. Система демонструє, як агентний ІІ може автономно обробляти складні взаємодії з клієнтами, розуміючи наміри протягом декількох етапів розмови, збираючи необхідну інформацію і вживаючи заходів для вирішення проблем без втручання людини.

Наслідки масового розгортання агентного ІІ виходять далеко за межі ефективності. Ці системи фундаментально змінюють природу роботи, зміщуючи людей від виконання завдань до нагляду і встановлення цілей. Аналітик у інвестиційному банкінгу витрачає менше часу на побудову моделей і більше на формулювання запитань і оцінку аналізу, згенерованого ІІ. Офіцер з дотримання витрачає менше часу на перегляд окремих транзакцій і більше на встановлення параметрів для ІІ-систем моніторингу та розслідування відзначених випадків. Торговець витрачає менше часу на виконання ордерів і більше на розробку стратегій, які впроваджують агенти торгівлі на основі ІІ.

Ця трансформація створює як можливості, так і виклики. З одного боку, це потенційно звільняє людей від стомлюючих завдань і дозволяє їм зосереджуватися на заходах з вищою цінністю, що вимагають творчості, судження і навичок міжособистісного спілкування. З іншого боку, це загрожує виселенням працівників, чиї ролі складалися в основному з завдань, які агентний ІІ тепер може виконувати. Перехідний період, коли деякі установи розгорнули агентний ІІ, тоді як інші - ні, створює суттєві конкурентні переваги для ранніх приймачів.

Технологія також піднімає важливі питання про контроль і відповідальність. Коли агентна ІІ-система приймає послідовність рішень, що приводить до поганого результату, хто несе відповідальність - співробітник, який встановив цілі системи? Установа, яка розгорнула технологію? Розробники ІІ, які створили підлягаючі моделі? Традиційні концепції відповідальності передбачають людських приймачів рішень, чию роботу можна оцінювати і які несуть відповідальність за результати. Агентний ІІ ускладнює ці припущення, розподіляючи прийняття рішень між людсько-ІІ системами у способи, що затьмарюють індивідуальну відповідальність.

Як агенти набувають все більшої потужності у своїх здібностях ІІ і все більше підключаються до JPMorgan, вони можуть брати на себе все більше обов'язків, але цей перехід також викликає виклики зі забезпечення надійності, безпеки та прозорості, які стають першочерговими.Як ці агенти приймають більш значущі рішення, потрібні надійні управлінські структури, постійний моніторинг і етичні обмеження для управління ризиками та дотриманням вимог. Банки, що запроваджують агентський ШІ, повинні розробити нові управлінські структури, які враховують автономне прийняття рішень ШІ, водночас підтримуючи підзвітність і дотримання нормативних вимог.

Робоча сила: понад тривогу про автоматизацію

Наслідки трансформації банківської сфери під впливом ШІ охоплюють значно більше, ніж просто автоматизація, що витісняє працівників. Вплив проявляється в складній динаміці змін у складі робочої сили, змінах вимог до навичок, географічному розподілі праці та основних питаннях про майбутню природу зайнятості в банківській сфері.

Реальність витіснення

Citigroup опублікувала дослідження, яке прогнозує, що штучний інтелект витіснить 54 відсотки робочих місць у банківській індустрії, більше ніж у будь-якій іншій галузі. Звіт Bloomberg Intelligence показав, що глобальні банки планують скоротити до 200 000 робочих місць у наступні три-п’ять років, оскільки ШІ бере на себе більше завдань. Ці прогнози відображають реалії, що банки працевлаштовують велику кількість людей у ролях, пов'язаних із обробкою інформації, аналізом та прийняттям рішень - саме такими завданнями, з якими системи ШІ демонструють зростаючу компетентність.

Головний керівник споживчого банкінгу JPMorgan сказав інвесторам, що чисельність персоналу оперативних підрозділів зменшиться як мінімум на 10 відсотків, надаючи конкретну індикацію масштабу скорочення робочої сили, яку очікують навіть провідні установи. Вплив нерівномірно розподіляється між ролями. Ті, кому загрожує пошук нових ролей, включають операційний і підтримувальний персонал, що виконує рутинні процеси, такі як відкриття рахунків, виявлення шахрайства чи розрахунки за угодами, тоді як зміни сприяють тим, хто працює безпосередньо з клієнтами, як-от приватні банкіри з портфелями заможних інвесторів, трейдери, які обслуговують менеджерів хедж-фондів та пенсійних фондів, або інвестиційні банкіри з відносинами з генеральними директорами Fortune 500.

Це створює роз'єднання у банківській зайнятості. Ролі з високими навичками, які потребують управління відносинами, стратегічного судження та міжособистісних навичок, залишаються цінними й можуть стати ще ціннішими, оскільки ШІ обробляє аналітичну роботу, що підтримує. Ролі з середніми навичками, що включають стандартизовану обробку інформації та аналіз, ризикують великим витісненням. Початкові позиції, які традиційно були підготовковими до кар’єри в банківській сфері, можуть значною мірою зникнути, що викликає питання, як установи розвиватимуть майбутні старші таланти.

Даріо Амодей, генеральний директор компанії ШІ Anthropic, заявив, що майже половина всіх початкових білих комірців у технологіях, фінансах, праві та консалтингу може бути замінена або ліквідована ШІ. Цей прогноз кидає виклик традиційній моделі розвитку кар'єри у професійних послугах, де молодші працівники навчаються, виконуючи рутинні завдання під керівництвом старших. Якщо ШІ ліквідує такі початкові ролі, установи повинні розробити альтернативні шляхи розвитку майстерності та просування кар’єри.

Перекваліфікація: Обіцянки та обмеження

Опитування Федерального резервного банку Нью-Йорка показало, що замість звільнення працівників багато компаній, які впроваджують ШІ, перекваліфіковують їх для роботи з новою технологією, і ШІ частіше призводить до перекваліфікації, ніж втрати роботи для вже працевлаштованих, хоча ШІ впливає на набори нових працівників, оскільки деякі компанії скорочують наймання через ШІ, а інші додатково наймають фахівців, обізнаних із використанням ШІ. Це свідчить про те, що установи визнають цінність збереження досвідчених працівників і допомоги їм в адаптації до нових ролей, а не простої їхньої заміни через ШІ.

Однак дослідження ефективності перекваліфікації малюють більш стриману картину. Програми професійного навчання за Актом про інновації та можливості в робочій силі, як правило, призводять до зростання заробітків для працівників, що залишилися без роботи, але ті, хто потрапляє у високоекспоновані для ШІ професії, бачать менші здобутки - приблизно на 25-29 відсотків менше - ніж ті, хто обирає професії з низьким впливом ШІ, причому тільки певні галузі, такі як юридичні, обчислювальні та творчі, демонструють високий потенціал для перекваліфікації в добре оплачувані, вразливі для ШІ робочі місця. Це вказує, що хоча перепідготовка допомагає, вона може не повністю компенсувати працівників, витіснених з ролей, ліквідованих ШІ.

Виклики сягають за межі індивідуальних здібностей до системної здатності. Всесвітній економічний форум прогнозує, що до 2030 року буде витіснено 92 мільйони робочих місць, але створено 170 мільйонів нових, що вимагатимуть нових навичок. Навіть якщо цей позитивний сценарій втілиться, перехід створить величезне тертя, оскільки витіснені працівники набуватимуть нових навичок, географічні ринки праці адаптуватимуться, а установи підлаштовуватимуться до нових моделей робочої сили. Критично важливо має значення терміни - якщо витіснення відбувається швидше, ніж створення робочих місць і перепідготовки, період дисбалансу може бути болючим та тривалим.

McKinsey Global Institute оцінює, що приблизно 375 мільйонів працівників у світі - близько 14 відсотків робочої сили - потребуватимуть значної перекваліфікації до 2030 року, щоб залишатися економічно життєздатними, причому темпи поточного витіснення перевершують навіть ці прогнози. Масштаб цього випробування з перекваліфікацією перевищує все, що намагало здійснити в сучасній економічній історії, викликаючи серйозні питання, чи зможе існуюча інфраструктура навчання задовольнити потребу.

Географічний розподіл

Вплив ШІ на зайнятість у банківській сфері поширюється на географічний розподіл робочих місць. Банки все більше концентрують операції заднього офісу в місцях з нижчими витратами - Бангалорі, Хайдарабаді, Гуанчжоу, Манілі та інших офшорних центрах. HSBC стикається з нестачею майже 10 000 столів у таких місцях, як Бангалор, Хайдарабад і Гуанчжоу, де працюють фахівці з технологій і персонал бек-офісу, і банк веде переговори з компаніями про автоматизацію бек-офісних функцій та зниження своєї бази витрат. Якщо ШІ зможе виконувати роботу, яку раніше відсилали офшорно, географічний розподіл зайнятості в банківській сфері може суттєво змінитися з наслідками для як розвинених, так і країн, що розвиваються.

Це створює складну динаміку. Країни, що розвиваються, створили значні сектори постачання послуг для багатонаціональних банків. Якщо ШІ витіснить цю роботу, це ліквідує зайнятість, які підняли мільйони до добробуту середнього класу. Одночасно банки можуть консолідувати операції ближче до своїх штаб-квартир, якщо фізична чисельність персоналу стане менш актуальною, потенційно розгортаючи тенденції офшорингу, але створюючи менший абсолютний обсяг робочої сили.

Нові роли та навички

Витіснення робочих місць становить лише частину історії зайнятості. ШІ також створює нові ролі, які раніше не існували. Коли системи ШІ все більше вбудовуються в банківські операції, паралельна робоча сила виникає для управління, моніторингу та вдосконалення цих технологій, з аудиторіями ШІ, які гарантують, що алгоритми працюють у межах регуляторних та етичних обмежень, офіцерами з етики, які оцінюють моделі ШІ на предмет упередженості та небажаних наслідків, і тренерами людина-ШІ, які постійно подають дані моделям машинного навчання і коригують результати на основі поведінки клієнтів.

Ці ролі потребують поєднання галузевої експертизи та технічних знань. Аудитор ШІ, що працює у кредитуванні, повинен розуміти як оцінку кредитного ризику, так і поведінку моделей машинного навчання. Етичний офіцер повинен зрозуміти як дотримання регуляторних норм, так і алгоритмічний упередження. Ці гібридні ролі вимагають високої компенсації, але потребують навичок, які мало хто з нинішніх працівників має, створюючи дефіцит таланту, навіть коли ШІ витісняє працівників з інших ролей в банківській сфері.

Поява генеративного ШІ схожа на вплив, який справив Microsoft Excel, коли він з'явився в 1980 році, і всі говорили, що він усуне фінансових фахівців, однак натомість змінив те, як вони працюють. Цей історичний аналог припускає, що ШІ може в кінцевому підсумку розширити можливості банківської сфери, а не просто замінити працівників. Excel не усунув фінансових аналітиків; він дозволив їм виконувати більш складний аналіз швидше, підвищуючи очікування щодо аналітичної глибини і створюючи попит на аналітиків, які могли б ефективно використовувати цей інструмент. ШІ може слідувати подібному шаблону, при якому банки, які успішно впроваджують його, зможуть пропонувати більш складні послуги, обслуговувати більше клієнтів і в кінцевому підсумку забезпечувати значні робочі сили в переосмислених ролях.

Зміни в зайнятості врешті-решт залежать від того, як установи керують змінами. Банки, які інвестують у комплексні програми перекваліфікації, створюють шляхи для витіснених працівників, щоб вони могли перейти в нові ролі, і розглядають впровадження ШІ як додавання до людей, а не як їхню заміну, можуть потенційно мінімізувати переривання. Ті, що використовують ШІ, головним чином як засіб зниження витрат через зменшення чисельності робочої сили, створять болючіші переходи для працівників, водночас потенційно втрачаючи інституційні знання та експертизу, які важко відтворити тільки за допомогою ШІ.

Конкурентна динаміка та стратегічні переваги

Якщо JPMorgan зможе перевершити інші банки в інтеграції ШІ, він отримає період вищих марж до того, як решта галузі наздожене. Ця підсічка охоплює конкурентну динаміку, що спонукає до масивних інвестицій у ШІ в усьому банківському секторі. Перші, хто починає діяти, отримують тимчасові переваги, але ті переваги розсіються, коли конкуренти впровадять подібні можливості, зрештою підштовхуючи всю галузь до вищих рівнів продуктивності, які стануть новою базою.

Патерн нагадує попередні технологічні трансформації у банківській сфері. Коли з'явилися банкомати, перші, хто їх встановив, отримали переваги у витратах та зручності для клієнтів. Але банкомати швидко стали поширеними, і перевага змінилася на банки, які встановили їх найширше і найефективніше інтегрували в ширші сервісні пропозиції. Онлайн-банкінг слідував подібній динаміці - перші діставали переваги у залученні клієнтів, але через кілька років кожен банк повинен був мати онлайн-можливості, щоб конкурувати. ШІ, здається, йде цим шляхом, але має потенційно більш драматичні наслідки.

Кілька чинників визначають, які установи отримують найбільшу вигоду від інвестицій у ШІ. На першому місці важливість масштабу.Текст: бюджет на технології дозволяє інвестиції, які малим установам непідвладні. Створення складних систем штучного інтелекту, збирання спеціалізованих талантів та інтеграція ШІ в масштабну операційну інфраструктуру потребують ресурсів, які віддають перевагу найбільшим банкам. Це може прискорити консолідацію галузі, оскільки менші банки зазнають труднощів у змаганні з конкурентами, які використовують ШІ.

По-друге, переваги в даних створюють складні доходи. Системи ШІ покращуються через взаємодію з більшою кількістю даних, і великі банки обробляють більше транзакцій, обслуговують більше клієнтів та працюють на більшій кількості ринків, ніж менші установи. Це багатство даних дозволяє створити більш складні ШІ, які забезпечують кращий досвід клієнтів, приваблюють більше клієнтів та генерують більше даних - це підсилювальний цикл, який надає перевагу учасникам з уже відомою клієнтською базою над новими учасниками.

По-третє, стара інфраструктура як обмежує, так і формує впровадження ШІ. Банки працюють з технологічними стеками, накопиченими протягом десятиліть, з критичними системами, що працюють на мейнфреймах поряд з сучасними хмарними додатками. Існує розрив між тим, що може забезпечити технологія, та можливістю повністю вловити це в підприємстві, адже компанії працюють з тисячами різних додатків, де потрібно значну роботу для підключення цих додатків до екосистеми ШІ і їх використання. Установи з більш сучасною інфраструктурою можуть швидше та в більшому масштабі розгортати ШІ, ніж ті, хто бореться з складними системами минулого.

По-четверте, можливості дотримання регуляторних вимог зростають в значенні. Банки працюють в умовах жорсткого регулювання, де впровадження нових технологій вимагає демонстрації, що вона відповідає регуляторним вимогам щодо прозорості, справедливості, безпеки та надійності. Установи зі складними рамками дотримання вимог та міцними відносинами з регуляторами можуть більш ефективно подолати виклики впровадження ШІ, ніж ті, у кого слабші можливості для дотримання вимог.

Структура індустрії впливає на те, як проявляються переваги ШІ. В умовах високо стандартизованих банківських послуг - обробки платежів, простих депозитних рахунків, простих кредитів - переваги ефективності, керовані ШІ, перетворюються, перш за все, на зниження витрат, які або поліпшують маржі, або дозволяють цінову конкуренцію. У диференційованих послугах - управлінні активами, інвестиційному банківстві, складному корпоративному банкінгу - ШІ може забезпечити покращення послуг, які підтримують встановлення вищої ціни та приріст ринкової частки.

Citigroup озброїв 30,000 розробників інструментами генеративного ШІ для кодування та запустив пару платформ підвищення продуктивності під управлінням генеративного ШІ для ширшої робочої сили, тоді як Goldman Sachs забезпечив приблизно 10,000 співробітників помічником ШІ і очікує закінчити розгортання у масштабах компанії до кінця року. Ці впровадження основних конкурентів JPMorgan свідчать про те, що трансформація на основі ШІ стала імперативною по всій індустрії. Жоден великий банк не може дозволити собі ігнорувати ШІ, і конкурентна динаміка гарантує, що інвестиції в ШІ будуть продовжувати прискорюватися.

Географічний вимір конкуренції додає складності. Bank of America витратить $4 мільярди на ініціативи з ШІ та нових технологій у 2025 році, що складає майже третину від його $13 мільярдів на технологічні витрати. Американські банки стикаються з конкуренцією не тільки один від одного, але і від європейських установ, азіатських банків, а також потенційно від великих технологічних фірм, які можуть розширити свою діяльність у сферу фінансових послуг. Китайські банки активно використовують ШІ у мобільних платежах та кредитуванні, європейські банки стикаються з регуляторними тисками, які як обмежують, так і формують впровадження ШІ, та азіатські установи, як DBS та HSBC, прагнуть агресивних стратегій цифровізації.

Великі технології представляють особливо цікавий конкурентний динамік. Компанії, як Google, Amazon та Microsoft, мають світові можливості в ШІ, величезні обчислювальні ресурси та величезні бази користувачів. Хоча регуляторні обмеження історично обмежували їх розширення в основний банкінг, вони все більше пропонують фінансові послуги на маргінальних ринках - платежі, кредитування, фінансове планування. Якщо регулятори дозволять глибшу участь великих технологій у банкінгу, платформи на основі ШІ, які управляються технологічними гігантами, можуть суттєво порушити традиційні бізнес-моделі банкінгу.

Остаточний конкурентний результат залишається невизначеним. ШІ може посилити переваги, що тримають найбільші, найбільш складні установи, призводячи до консолідації галузі. Водночас, ШІ може знизити бар'єри для входу, дозволяючи меншим установам надавати складні послуги без масивних людських ресурсів, сприяти конкуренції. Найвірогідніше, індустрія розділиться, причому мала кількість великих універсальних банків на основі ШІ буде конкурувати зі спеціалізованими установами, які використовують ШІ для досягнення успіху в певних нішах.

Реалії впровадження: Виклик розриву вартісності

How-is-AI-in-Banking-Transforming-Financial-World_-2.webp

Є розрив між тим, на що здатна технологія, та можливістю повністю скористатися цим у підприємстві, причому компанії, що працюють з тисячами різних додатків, вимагають значної роботи для їх підключення до екосистеми ШІ та зроблення їх придатними для споживання. Це спостереження головного аналітика JPMorgan відображає центральний виклик у трансформації банкінгу на основі ШІ: потенціал технології значно перевершує те, що інституції здатні в даний час впровадити.

Кілька факторів створюють цей розрив вартісності. По-перше, стара інфраструктура представляє величезні виклики інтеграції. Банки працюють з критичними системами, що датуються 1960-ми та 1970-ми роками, написаними на COBOL і які працюють на мейнфреймах. Ці системи виконують такі функції, як управління рахунками, обробка транзакцій та очищення платежів, де будь-який збій може бути катастрофічним. Підключення їх до систем ШІ вимагає розробки широких інтерфейсів, ретельного тестування та обережного управління ризиками.

Складність множиться, оскільки банки не працюють на єдиних платформах, а на зборах сотень або тисяч окремих додатків, що накопичувалися за десятиліття органічного розвитку, злиттів і поглинань та технологічної еволюції. Кожен додаток має свої власні формати даних, бізнес-логику та інтерфейси. Створення шару ШІ, який може взаємодіяти з усіма цими системами узгоджено, представляє величезний інженерний виклик.

По-друге, проблеми якості даних та доступності обмежують ефективність ШІ. Системам ШІ потрібні чисті, структуровані, послідовні дані для належної роботи. Дані банків знаходяться в безлічі систем у несумісних форматах з непослідовними визначеннями, незавершеними записами та накопиченими протягом десятиліть проблемами якості. Перш ніж ШІ зможе реалізувати свій потенціал, установи мають провести масові зусилля по відновленню даних - стандартизація форматів, усунення непослідовностей, встановлення управління даними та створення конвеєрів, що роблять дані доступними для систем ШІ.

По-третє, організаційний спротив уповільнює впровадження. Трансформація на основі ШІ вимагає змінити спосіб роботи людей, як течуть бізнес-процеси та у кого влада прийняття рішень. Ці зміни загрожують існуючим структурам влади, вимагають освоєння нових навичок та створюють невизначеність щодо безпеки роботи. Навіть коли керівництво бере на себе зобов’язання щодо трансформації ШІ, спротив середнього керівництва, тривога працівників та проста інерція можуть суттєво уповільнити впровадження.

По-четверте, дефіцит талантів обмежує швидкість впровадження. JPMorgan наймає більше дослідників ШІ, ніж наступні сім найбільших банків разом узяті, але навіть JPMorgan стикається з обмеженнями талантів. Кількість людей, які розуміють і просунутий ШІ, і операції банкінгу, залишається обмеженою відносно потреб галузі. Цей дефіцит талантів підвищує витрати на компенсацію та обмежує темпи, з якими установи можуть розширювати можливості ШІ.

П'яте, регуляторна невизначеність ускладнює планування. Банки повинні задовольнити регуляторів, що їх системи ШІ функціонують безпечно, справедливо та прозоро. Однак регуляторний каркас для ШІ у банкінгу залишається у розробці, створюючи невизначеність щодо вимог, які установам потрібно виконати. Ця невизначеність змушує банки бути обережними у розгортанні ШІ у способах, які можуть пізніше виявитися невідповідними, уповільнюючи впровадження.

JPMorgan Chase будує свій фундамент ШІ на AWS, просуваючи платформу машинного навчання AWS SageMaker та платформу генеративного ШІ AWS Bedrock далі від експериментів у виробничі додатки, з 5,000 співробітниками компанії, що використовують SageMaker, та більше 200,000 співробітниками, які вже користуються LLM Suite. Цей партнерський підхід - використання інфраструктури хмари та платформ ШІ від постачальників технологій замість створення всього внутрішньо - допомагає вирішити деякі виклики впровадження, надаючи масштабовану інфраструктуру та знижуючи тягар підтримання платформ розробки ШІ.

Організаційний вимір впровадження представляє, мабуть, найбільший виклик. Chase вирішує підхід "навчатися роблячи" для генеративного ШІ, прагнучи, щоб інструменти потрапили в руки працівників, з переконанням, що немає кращого способу навчитися, ніж насправді використовувати інструменти, і, за повідомленнями, банк працює над 450 доказами концепцій, число яких очікується збільшення до 1,000. Цей підхід, заснований на звершеннях, визнає, що успішна трансформація ШІ вимагає культурної зміни, а не лише впровадження технології. Працівники повинні розуміти можливості ШІ, ідентифікувати можливості застосування та інтегрувати ШІ в щоденні робочі процеси. Цей підхід, заснований на навчанні через дію, потребує часу, але створює стійкі можливості.

Фінансовий вимір ускладнює реалізацію. Витрати банків на ініціативи з ШІ прогнозуються збільшитися з $6 мільярдів у 2024 році до $9 мільярдів у 2025 році, і, можливо, досягти $85 мільярдів у 2030 році. Ці інвестиції мають бути обґрунтовані через чіткі випадки повернення на інвестиції, але переваги ШІ часто матеріалізуються протягом років через накопичувані покращення в ефективності, покращене прийняття рішень та поліпшені клієнтські враження, які важко точно кількісно оцінити. Установи стикаються з тиском ***.з метою демонстрації результатів, одночасно здійснюючи перетворення, які вимагають сталих інвестицій до того, як з’являться усі переваги.

Завдання тестування та валідації для систем штучного інтелекту перевищує аналогічні завдання для традиційного програмного забезпечення. Традиційне програмне забезпечення дотримується детерміністичної логіки - за однакових вхідних даних воно продукує однакові виходи, що спрощує тестування. Системи штучного інтелекту, особливо ті, що використовують передові методи машинного навчання, поводяться ймовірнісно ​​і можуть видавати різні результати для однакових вхідних даних. Тестування повинно оцінювати не лише правильність роботи системи для відомих випадків, але і її здатність належним чином узагальнювати на нові ситуації, безпечно обробляти крайні випадки та підтримувати функціональність при отриманні вхідних даних поза її навчальним розподілом.

Ці виклики впровадження пояснюють, чому трансформація банківської галузі за допомогою штучного інтелекту відбувається поступово, незважаючи на величезний потенціал. Інститути повинні забезпечити баланс між швидкістю для захоплення конкурентних переваг та обережністю для управління ризиками і забезпечення надійної роботи. Ця напруга між швидкістю та обережністю формує стратегії розгортання; більшість банків віддають перевагу паралельним підходам, які додають можливості штучного інтелекту до існуючих систем, а не намагаються перебудувати основну банківську інфраструктуру з нуля.

Ризики, етика та регуляторні пробіли

Трансформація банківської галузі за допомогою штучного інтелекту порушує глибокі питання щодо безпеки, справедливості, підзвітності та соціального впливу, які регулятори, банки та суспільство повинні вирішити. Ці питання охоплюють технічні, етичні, правові та політичні аспекти.

Алгоритмічна упередженість та справедливість

Системи штучного інтелекту в банківській сфері, особливо ті, що використовуються для ухвалення рішень щодо кредитів, можуть мимоволі дискримінувати захищені групи з використанням моделей, що застосовують альтернативні дані, такі як освіта чи місце розташування. Це може призвести до диференційованого впливу чи ставлення. Цей виклик виникає, бо системи штучного інтелекту навчаються на даних з історії, які можуть відображати попередню дискримінацію. Якщо історичні дані кредитування показують, що заявникам з певних районів або з певними характеристиками було відмовлено в кредиті, системи штучного інтелекту можуть навчитися повторювати ці схеми, навіть якщо підстильні фактори не є легітимними показниками кредитного ризику.

Проблема виходить за межі простого повторення історичної упередженості. Штучний інтелект може підсилювати упередженість через цикли зворотного зв'язку, де алгоритмічні рішення впливають на майбутні дані так, що підкріплюють початкові шаблони. Наприклад, якщо система штучного інтелекту відмовляє у видачі кредиту членам певної групи, ті не можуть створити кредитну історію, яка могла б засвідчити їхню кредитоспроможність у майбутньому, продовжуючи цикл.

Вирішення алгоритмічної упередженості вимагає технічних рішень, політичних рамок та інституційних зобов'язань. Фінансові установи повинні постійно відстежувати та перевіряти моделі штучного інтелекту, щоб гарантувати, що вони не породжують упереджених результатів, а прозорість процесів ухвалення рішень має ключове значення для запобігання різним впливам. Це моніторинг має виходити за межі простого аналізу результатів, щоб вивчити фактори, які системи штучного інтелекту використовують для рішень, і переконатися, що вони не покладаються на проксі для захищених характеристик.

Завдання ускладнюється, коли системи штучного інтелекту стають більш складними. Простим моделям, які використовують обмежену кількість змінних, можна без проблем провести аудит - аналітики можуть вивчити кожен фактор і оцінити, чи є це легітимними бізнес-міркуваннями або проблематичними проксі для захищених характеристик. Складні нейронні мережі, які обробляють сотні змінних через кілька прихованих шарів, не піддаються такому прямолінійному аналізу. Вони можуть досягти кращої прогностичної точності, але за рахунок прозорості.

Конфіденційність даних і безпека

Банки зберігають величезні обсяги чутливої персональної інформації - фінансових транзакцій, залишків на рахунках, інвестиційних позицій, особистих ідентифікаторів, поведінкових моделей. Системи штучного інтелекту потребують доступу до цих даних для ефективного функціонування, створюючи напругу між апетитом штучного інтелекту до даних та вимогами до конфіденційності. Збільшення обсягів даних і використання нетрадиційних джерел, таких як профілі у соціальних мережах для ухвалення кредитних рішень, викликають значні занепокоєння стосовно того, як чутлива інформація зберігається, доступна та захищена від порушень, причому споживачі не завжди обізнані або згодні з використанням їхніх даних.

Виклик конфіденційності виходить за межі традиційної безпеки даних та стосується питань їх використання. Клієнти можуть погодитися, щоб банки використовували їхні транзакційні дані для виявлення шахрайства, але не очікують, що ті ж самі дані інформуватимуть маркетингові алгоритми або будуть передані третім сторонам. З розвитком систем штучного інтелекту, здатних витягувати інсайти з даних, лінія між використанням, яке клієнти очікують та схвалюють, і тим, що їм здається вторгненням, стає все важливішою.

Технічний виклик приховування даних у штучному інтелекті залишається майже нерозв'язаним. Техніки, такі як федеративне навчання - де штучний інтелект навчається на розподілених даних, не централізуючи їх - і диференціальна конфіденційність - де до даних додається шум для захисту індивідуальної конфіденційності, одночасно зберігаючи загальну структуру - показують обіцянки, але ще не готові для широкого використання в банківській справі. Більшість систем штучного інтелекту все ще вимагають доступу до детальних даних на індивідуальному рівні для досягнення оптимальної продуктивності.

Непрозорість моделей та їх пояснюваність

Німецький регулятор BaFin заявив, що ступінь, до якого "чорний ящик" може бути прийнятним з точки зору нагляду, залежить від того, як модель розглядається в управлінні ризиками банку, з очікуванням, що фінансові установи можуть пояснити результати моделі, а також виявити та управляти змінами в продуктивності та поведінці моделей штучного інтелекту. Ця регуляторна перспектива відображає фундаментальну напругу в банківській справі з використанням штучного інтелекту: найпотужніші системи штучного інтелекту часто є найменш пояснюваними.

Традиційні моделі кредитного скорингу використовували лінійну регресією з невеликою кількістю змінних, що робило легко пояснити, чому будь-який конкретний заявник отримав конкретний бал. Сучасні системи штучного інтелекту можуть використовувати ансамблеві методи, що поєднують кілька моделей, нейронні мережі з прихованими шарами, або інші підходи, що ускладнюють просте пояснення. Банк може бути в змозі статистично продемонструвати, що така система працює краще, ніж простіші альтернативи, але може мати труднощі з поясненням, чому вона ухвалила конкретне рішення.

Ця непрозорість створює проблеми для споживачів, які хочуть розуміти, чому їм було відмовлено в кредиті або призначено вищі процентні ставки. Це створює проблеми для регуляторів, що намагаються оцінити, чи є моделі справедливими та належними. Це створює проблеми для банків, які намагаються управляти ризиком моделі та забезпечити, що їх системи працюють належним чином. Відсутність пояснюваності стає особливо проблемною, коли системи штучного інтелекту приймають значущі рішення, що впливають на фінансове життя людей.

Регуляторні підходи до пояснюваності варіюються. SEC впроваджує Правило доступу на ринок, що вимагає суворих засобів контролю задля запобігання маніпуляціям на ринку і неправильним торгівлям, а спільні настанови від OCC, Федерального резерву, CFPB та FTC підкреслюють вимоги до пояснюваності, пом’якшення упередження та прозорості для споживачів. Ці рамки встановлюють принципи прозорості у штучному інтелекті, але часто не містять конкретних технічних вимог, залишаючи банкам визначати, як задовольнити регуляторів у тому, що їх системи є відповідними.

Системний ризик та стабільність

Вплив штучного інтелекту на фінансову стабільність викликає занепокоєння, що виходить за межі окремих установ. Якщо багато банків розгорнуть подібні системи штучного інтелекту, навчені на подібних даних, їх поведінка може стати корельованою у спосіб, який підсилює волатильність ринку або створює системні уразливості. Під час ринкового стресу системи торгів штучного інтелекту можуть одночасно спробувати продати одні й ті ж активи або хеджувати одні й ті самі ризики, посилюючи рухи цін і потенційно провокуючи каскадні ефекти на фінансових ринках.

Комплексність систем штучного інтелекту також створює операційні ризики. Банки стають залежними від штучного інтелекту в критичних функціях, і збої або неправильна робота можуть порушити операції в такий спосіб, який вплине на клієнтів, контрагентів і ринки. Взаємозалежність фінансових установ означає, що збої в одній банківській установі можуть поширитися через фінансову систему.

Citi прогнозує, що 10% світового ринкового обороту буде здійснюватися через токенізовані активи до 2030 року, причому ключовим каталізатором будуть стабільні монети, що випускаються банками, а 86% опитаних компаній впроваджують генеративний штучний інтелект для онбордингу клієнтів і постторгових рішень. Конвергенція штучного інтелекту та токенізації створює нові питання системних ризиків, адже фінансові активи переходять на інфраструктуру на базі блокчейну, де агенти штучного інтелекту можуть здійснювати транзакції автономно.

Відповідальність та відповідальність за шкоду

Коли системи штучного інтелекту приймають рішення, які завдають шкоди - дискримінаційне кредитування, помилкова торгівля, порушення конфіденційності - питання відповідальності стають складними. Традиційні рамки відповідальності передбачають присутність людських приймаючих рішень, яких можна притягнути до відповідальності за їхні вибори. Штучний інтелект розподіляє прийняття рішень між людськими та машинними системами у способи, що затемнюють відповідальність.

Якщо система кредитування на основі штучного інтелекту систематично дискримінує захищену категорію, хто несе відповідальність? Організатори даних, які створили модель? Бізнесменеджери, які її впровадили? Керівники, які затвердили стратегію щодо штучного інтелекту? Банк як установа? Ці питання не мають чітких відповідей у межах поточних правових рамок, створюючи невизначеність як для банків, так і для споживачів.

Регуляторний ландшафт

Акт про штучний інтелект в EU, що набуде чинності до середини 2025 року, класифікує системи штучного інтелекту за рівнем ризику, причому додатки високого ризику у фінансах, такі як оцінка кредитних ризиків і страхування цін, потребують прозорості, людського нагляду і пом’якшення упередження, зобов'язуючи фінансові установи документувати та обґрунтовувати рішення штучного інтелекту, встановлюючи глобальний стандарт для відповідального штучного інтелекту. Європейський підхід запроваджує всеосяжні дорожні карти регуляції, спеціально вирішуючи ризики штучного інтелекту.

Натомість, американське регулювання залишається фрагментованим. Президент Трамп підписав виконавчий указ 14179 23 січня 2025 року, скасовуючи всесторонній підхід президента Байдена до регулювання штучного інтелекту.Content:

Виконавчий наказ, який був прийнятий адміністрацією Трампа з метою дерегуляції використання штучного інтелекту. Це створило регуляторну невизначеність, оскільки федеральні механізми були скасовані, залишаючи місцевим регуляторам необхідність втручання та прийняття законодавства, зосередженого на упередженості, прозорості та дотриманні вимог в ухваленні рішень на основі штучного інтелекту для кредитування та працевлаштування. Кілька штатів також уточнили, що дискримінаційна поведінка ШІ буде оцінюватися за їх законами про Недобросовісні чи Оманливі Дії або Практики, створюючи мозаїку нагляду.

Національне управління кредитних союзів не має вказівок з управління модельними ризиками з достатньою деталізацією про те, як кредитні союзи повинні керувати модельними ризиками, включаючи моделі ШІ, та повноважень для перевірки постачальників технологічних послуг, незважаючи на те, що кредитні союзи все більше покладаються на них для рішень на основі ШІ. Ця регуляторна прогалина ілюструє проблему, коли ШІ випереджає регуляторну здатність, і установи впроваджують складні системи швидше, ніж механізми нагляду можуть адаптуватися.

Регуляторні органи мають вимагати від банків вказувати, чи використовують вони ШІ для дотримання вимог Закону про реінвестування в громади, вимагати, щоб ці системи були пояснювальні, вимагати зовнішніх перевірок ШІ для всіх установ і вимагати від банків періодично переглядати свої системи Закону про банківську таємницю, щоб забезпечити точність та пояснюваність. Ці пропозиції відображають зростаюче визнання, що ШІ у банківській справі вимагає нових форм нагляду, але переведення принципів у здійсненні вимоги залишається роботою, що триває.

Світовий вимір ускладнює розвиток регулювання. Банки працюють у декількох юрисдикціях з різними підходами до регулювання ШІ. Установи повинні орієнтуватися в Акті ШІ ЄС, різних національних рамках в Азії, вимогах на рівні штатів у США та нових стандартах від міжнародних органів, таких як Банк міжнародних розрахунків. Ця регуляторна фрагментація створює складність дотримання вимог і може уповільнити впровадження ШІ в трансграничних банківських операціях.

AI Банкінг проти автономних фінансів: порівняння DeFi

Поява традиційного банківського бізнесу на базі ШІ збігається з дорослішанням децентралізованих фінансів, створюючи цікавий контраст між двома різними баченнями технологічного перетворення фінансів. У той час як банки на базі ШІ підвищують інтелект і автоматизацію традиційних установ, DeFi прагне до фінансових послуг без традиційних посередників через протоколи на базі блокчейну. Конвергенція та конкуренція між цими підходами формує майбутню траєкторію фінансів.

Стейблкоїни та токенізація

Обіг стейблкоїнів зріс удвічі за останні 18 місяців, але все ще забезпечує лише близько 30 мільярдів доларів транзакцій на день - менше 1 відсотка від глобальних грошових потоків, і захисники стверджують, що ця технологія може подолати обмеження банківських годин та глобальних кордонів, пропонуючи покращення платежів за рахунок швидкості, вартості, прозорості, доступності та збільшення включення осіб, які недостатньо обслуговуються банківською системою. Ці цифрові активи представляють грошові еквіваленти на блокчейн-інфраструктурі, що забезпечує цілодобове врегулювання без традиційних банківських посередників.

Очікується, що токенізація приведе до переведення до $16 трильйонів реальних активів на блокчейн до 2030 року, трансформуючи, як працюють глобальні фінанси, з лідерами Уолл-стріт, такими як BlackRock, JPMorgan та Goldman Sachs, які вже випробовують токенізовані облігації, казначейські зобов'язання та депозити. Цей розвиток вказує на те, що традиційні фінансові установи все більше сприймають блокчейн-інфраструктуру як доповнення, а не конкуренцію для своїх бізнесів.

Відносини між ШІ в банківській справі та токенізацією стають особливо цікавими, коли установи застосовують ШІ для управління токенізованими активами. Citi прогнозує, що 10 відсотків глобального товарообігу буде токенізовано до 2030 року, очолюваного стаблкоїнами, випущеними банками, що допомагають із забезпеченням ефективності та токенізацією фондів, з 86 відсотками опитаних компаній, що тестують ШІ для онбордингу клієнтів як ключового кейс-використання для управителів активами, кастодіанів та брокерів-дилерів. Ця конвергенція вказує на майбутнє, де системи ШІ працюють як над традиційною банківською інфраструктурою, так і над токенізованими активами на базі блокчейну.

Автономні протоколи проти ШІ агентів

Протоколи DeFi виконують фінансові операції через смарт-контракти - код, розгорнутий на блокчейнах, який автоматично виконує транзакції на основі заздалегідь визначених правил. Ці протоколи обробляють кредитування, торгівлю, деривативи та інші фінансові функції без людських посередників. Бачення полягає в тому, щоб фінансові послуги були програмним забезпеченням, що працює на децентралізованих мережах, а не операціями, виконуваними установами.

ШІ-агенти в банківській справі виконують аналогічні функції, але працюють в рамках установчих структур. Замість того, щоб замінювати банки, вони роблять банки більш ефективними та здатними. Основна відмінність полягає в управлінні та контролі. Протоколи DeFi, після розгортання, працюють автономно відповідно до свого коду, причому управління іноді розподіляється між тримачами токенів. ШІ-агенти працюють під юрисдикцією установ, банки зберігають контроль над їхньою поведінкою та несуть відповідальність за їхні дії.

Це створює різні профілі ризику та доходності. DeFi пропонує стійкість до цензури, цілодобову доступність, прозорий код і зменшену залежність від традиційних посередників. Однак це також включає ризики смарт-контракту, обмежену можливість звернення, коли щось іде не так, регуляторну невизначеність і виклики з масштабуванням до основного впровадження. Традиційні банки на базі ШІ забезпечують відповідність регулюванням, захист споживачів, встановлене вирішення спорів та інтеграцію в традиційну фінансову інфраструктуру, але зберігають роль воротаря, регуляторні обмеження та потенційно вищі витрати, ніж децентралізовані альтернативи.

Урахування регулювання

Багато юридичних актів у світі прагнуть забезпечити стабільну та безпечну роботу токенізованих коштів, охоплюючи резерви, розкриття інформації, дотримання AML та KYC, а також належне ліцензування, з прикладами, такими як Закон США про керівництво та встановлення національних інновацій для стаблкойнів США 2025 року, який був схвалений Сенатом у червні, встановлюючи умови для резервів, стабільності та нагляду. Ці регуляторні розробки вказують на те, що стейблкоїни та токенізація переходять з регуляторної невизначеності в чіткіші рамки.

Рада Федерального резерву провела конференцію, зосереджену на інноваціях у платежах, досліджуючи такі теми, як стейблкоїни, децентралізовані фінанси, штучний інтелект та токенізація, причому губернатор Крістофер Воллер сказав, що ці технології можуть оптимізувати операції з платежами та зміцнити співпрацю приватного сектора. Ця офіційна увага сигналізує про те, що центральні банки визнають потенційний вплив цих технологій і активно вивчають їх перетин з монетарною політикою та фінансовою стабільністю.

Регуляторна динаміка створює цікаві стратегічні питання для банків. Чи повинні вони створювати ШІ-здібності виключно в рамках традиційної банківської інфраструктури, чи повинні також розвивати здібності для розгортання ШІ в протоколах DeFi на базі блокчейну? Чи повинні вони випускати власні стейблкоїни, щоб конкурувати з приватними емітентами, чи інтегрувати існуючі стейблкоїни в свої операції? Як вони повинні збалансувати переваги ефективності розрахунків на базі блокчейну з регуляторною складністю та технічними ризиками?

Гібридні архітектури

Найвірогідніший результат передбачає гібридні підходи, що поєднують традиційний банкінг, ШІ-здатності і блокчейн-інфраструктуру. Банки можуть випускати токенізовані депозити або стейблкоїни, підтримувані традиційними резервами, забезпечуючи розрахунки на базі блокчейну, зберігаючи інституційні гарантії. Системи ШІ можуть працювати як на традиційних платіжних рейках, так і на блокчейн-мережах, оптимізуючи маршрутизацію за вартістю, швидкістю та іншими факторами.

Обговорення на консенсусі 2025 підкреслили швидке зростання децентралізованих фінансів з панелями, зосередженими на адаптації децентралізованих бірж, збільшенні використання стейблкоїнів, зростаючому інтересі до токенізації реальних активів та імпульсі навколо протоколів з генерацією доходу, який відбувається на фоні регуляторного ясності, що виникає через законодавство. Ця інституційна взаємодія вказує на те, що межа між традиційними фінансами та DeFi стає більш проникною.

Інтеграція ШІ та блокчейну створює цікаві технічні можливості. Смарт-контракти можуть включати прийняття рішень на основі ШІ, з автономними протоколами, які адаптують свою поведінку на основі ринкових умов. Системи ШІ можуть стежити за транзакціями на блокчейні для виявлення шахрайства, аналізувати здоров'я протоколів DeFi або оптимізувати стратегії дохідного фермерства на різних протоколах. Банки можуть розгортати ШІ-агентів, які працюють як на традиційній банківській інфраструктурі, так і в протоколах DeFi, надаючи клієнтам доступ до обох напрашених систем.

Ця конвергенція викликає філософські питання про майбутнє фінансового посередництва. Якщо ШІ може автоматизувати більшість банківських функцій, а блокчейн може забезпечити інфраструктуру для здійснення транзакцій без традиційних посередників, чи потрібні нам ще банки як установи? Або фінанси еволюціонують в модель, де ШІ-агенти діють на користь користувачів через децентралізовані протоколи, з традиційними банками, які або адаптуються, щоб надавати послуги в цій новій парадигмі, або поступово втрачають значення?

Відповідь, ймовірно, залежить від еволюції регулювання, уподобань споживачів та зрілості технологій. Якщо регулятори успішно встановлять рамки, що дозволяють блокчейн-базовані фінансові послуги, захищаючи споживачів, ми можемо спостерігати суттєву міграцію до гібридних моделей. Якщо масштабування блокчейну залишається проблемним або регулятори накладають обмеження, які на користь традиційних установ, банки на базі ШІ можуть зберегти домінування. Найбільш ймовірним є плюралістичний результат, де традиційна банківська справа, установи, покращені ШІ, і децентралізовані протоколи співіснують, задовольняючи різні потреби та уподобання.

Справжній AI-банк: бачення-2030

Екстраполюючи поточні тенденції.toward their logical conclusion allows us to envision what a genuine AI bank might look like when the transformation reaches maturity, likely sometime in the early 2030s. This vision helps clarify what fundamental transformation means and raises profound questions about whether such an institution still represents a "bank" in any traditional sense.

Універсальна підтримка ШІ

У справжньому банку зі штучним інтелектом кожен працівник працює з особистим помічником зі штучним інтелектом, глибоко інтегрованим у всі робочі процеси. Інвестиційні банкіри доручають своєму ІІ підготувати матеріали для зустрічей з клієнтами, аналізувати можливі цільові придбання або підготувати термінові листи. Трейдери спрямовують агентів штучного інтелекту стежити за ринками, виконувати стратегії та оптимізувати портфелі. Співробітники з питань відповідності ставлять завдання ІІ моніторити транзакції на предмет підозрілих шаблонів, генерувати регуляторні звіти та досліджувати зміни в регулюванні. Команди технологій використовують ІІ для розробки програмного забезпечення, управління інфраструктурою та оптимізації систем.

Ці помічники ШІ не просто відповідають на окремі запити, як нинішні чат-боти. Вони підтримують контекст у межах розмов, проактивно виявляють завдання, які потребують виконання, самостійно призначають зустрічі з іншими помічниками ШІ для координації роботи та постійно вчаться на взаємодії, щоб краще передбачати потреби. Людська роль зміщується до встановлення стратегічного напрямку, прийняття рішень на високому рівні та ситуацій, що вимагають судження, креативності або навичок міжособистісного спілкування, яких у ШІ немає.

Автономні операційні процеси

Основні банківські операції - відкриття рахунків, обробка платежів, розрахунки за угодами, звірка, регуляторні звіти - проходять через системи ШІ з мінімальним втручанням людини. Ці системи не дотримуються жорстких сценаріїв, а адаптують поведінку залежно від контексту. Вони виявляють аномалії та визначають, чи слід їх відзначити для перевірки людиною, чи розв'язувати їх самостійно. Вони динамічно оптимізують розподіл ресурсів замість дотримання статичних правил. Вони виявляють можливості для покращення процесів і впроваджують зміни після відповідного схвалення.

Традиційна операційна робоча сила здебільшого зникає, замінюючись меншими командами інженерів, аналітиків і фахівців з нагляду, які стежать за системами ШІ, вирішують крайові випадки та постійно вдосконалюють автоматизовані процеси. Ефективність зростає вражаюче - процеси, які вимагали тисяч працівників, завершуються з десятками, а час обробки, вимірюваний днями, скорочується до секунд.

AI-Curated Customer Experiences

Кожна взаємодія з клієнтом - чи то через мобільні додатки, веб-сайти, телефонні дзвінки чи фізичні відділення - проходить через ІІ, яке персоналізує досвід на основі комплексного розуміння фінансової ситуації, уподобань, цілей та шаблонів поведінки клієнта. ШІ не пропонує загальних продуктів, натомість він розробляє рішення, пристосовані до індивідуальних обставин.

Для роздрібних клієнтів ШІ надає консультації з фінансового планування, які можуть конкурувати з людськими радниками, відстежує шаблони витрат, щоб визначити можливості економії, та проактивно пропонує дії для покращення фінансового здоров’я. Він виявляє життєві події - нове місце роботи, покупку дому, народження дитини - та відповідно коригує рекомендації. Для корпоративних клієнтів ШІ аналізує бізнес-операції, виявляє можливості для фінансової оптимізації та структурує спеціальні банківські рішення.

Роль людського радника не зникає, а еволюціонує. Для заможних осіб та складних корпоративних клієнтів люди надають стратегічні поради, управління відносинами та оцінку складних фінансових рішень. Для рутинних потреб та стандартних продуктів взаємодії повністю обробляються ІІ.

Інтелектуальне управління ризиками

Управління ризиками стає безперервним, комплексним та адаптивним, а не періодичним та заснованим на правилах. Системи ІІ реального часу моніторять кожну транзакцію, кожну позицію, кожну контрагентську експозицію. Вони виявляють тонкі шаблони, що вказують на появу ризиків до їх прояву як збитків. Вони проводять аналіз сценаріїв для сотень можливих майбутніх ситуацій, визначаючи вразливості та пропонуючи засоби їхнього усунення. Вони оптимізують розподіл капіталу для максимізації доходів з поправкою на ризик при дотриманні регуляторних вимог.

Кредитні рішення приймаються миттєво завдяки аналізу ІІ, який враховує значно більше факторів ніж традиційний андеррайтинг - моделі транзакцій, поведінкові сигнали, зовнішні джерела даних і тонкі кореляції, які людські аналітики ніколи не виявлять. Результат - це більш точна оцінка ризиків та більше фінансове включення, оскільки ІІ може надавати кредити клієнтам, які не мають традиційної кредитної історії, але демонструють кредитоздатність через альтернативні індикатори.

Агентська торгівля та управління казначейством

Торгівля еволюціонує від прийняття рішень людьми з допомогою ІІ до виконання стратегій агентами ШІ під людським наглядом. Ці агенти не просто дотримуються інструкцій, а динамічно адаптують тактику залежно від умов ринку. Вони виявляють можливості, оцінюють ризики та виконують угоди між різними ринками та класами активів одночасно.

Казначейські операції значною мірою стають автономними, причому ІІ управляє ліквідністю, оптимізує витрати на фінансування, ефективно розгортає капітал та управляє регуляторними вимогами до капіталу. Системи постійно навчаються на результатах і вдосконалюють свої стратегії, досягаючи результатів, що перевершують людських трейдерів, працюючи в масштабах, неможливих для людських команд.

Безперебійні операції за кордоном

Банк зі штучним інтелектом працює глобально як єдина установа, а не як зібрання регіональних операцій. Системи ІІ обробляють транзакції за кордоном, орієнтуються на різні регуляторні режими, управляють кількома валютами та оптимізують глобальні операції. Мовні бар'єри зникають, оскільки ІІ забезпечує переклад у реальному часі. Різниця в часових зонах стає неважливою, оскільки ІІ працює цілодобово. Складність нормативного контролю управління через ІІ, яка відстежує вимоги в усіх юрисдикціях і забезпечує дотримання вимог.

Прогнозоване та проактивне банківське обслуговування

Замість реагування на запити клієнтів банк із штучним інтелектом передбачає потреби. Він визначає, коли клієнту, ймовірно, знадобиться кредит, і проактивно пропонує його. Він виявляє, коли бізнес-клієнт може зіткнутися з проблемами грошового потоку, та пропонує рішення до появи криз. Він розпізнає ринкові умови, в яких клієнти можуть отримати вигоду від корегування портфеля, та рекомендує дії.

Цей проактивний підхід поширюється на управління ризиками, де ІІ прогнозує потенційне шахрайство до його виникнення, ідентифікує нові загрози кібербезпеки та виявляє операційні вразливості. Установа перемикає зусилля з управління проблемами на їх запобігання.

Організаційна структура

Організаційна структура справжнього банку з штучним інтелектом суттєво відрізняється від традиційних банків. Величезні ієрархічні структури традиційного банкінгу - рівні управління, які контролюють армії працівників, що виконують спеціалізовані функції - поступаються шляхом до більш плоских організацій, де менші команди спеціалізованих експертів контролюють системи ІІ, що виконують роботу.

Категорії робочих місць змінюються від операторів до організаторів, від виконавців до стратегів, від обробників до вирішувачів проблем. Установа стає гібридною організацією людина-ІІ, де складно визначити межу між людськими та машинними внесками.

Питання категорії

Це порушує глибоке питання: чи є така установа все ще «банком», чи вона представляє щось фундаментально нове - інтелектуальну фінансову систему, організовану як корпорація? Традиційні банки - це людські організації, які надають фінансові послуги. Банки ІІ - це системи штучного інтелекту, що управляються людьми та надають фінансові послуги. Відмінність може здатися семантичним, але вона має імплікації для регулювання, відповідальності, корпоративного управління та того, як ми думаємо про роль фінансових установ у суспільстві.

Якщо банківська робота здебільшого проходить через системи ІІ, причому люди надають нагляд та стратегічний напрямок, але не здійснюють більшість завдань, як нам регулювати такі установи? Чи застосовуються традиційні рамки, побудовані на основі ухвалення рішень людьми та відповідальності? Що станеться, коли системи ІІ ухвалять рішення, які завдають шкоди клієнтам або створюють системні ризики?

Ці питання не мають чітких відповідей, і боротьба з ними буде займати регуляторів, юридичних дослідників, етиків та учасників галузі протягом наступного десятиліття. Трансформація банківської справи через ІІ є не тільки технологічною зміною, а й еволюцією установ, що кидає виклик основоположним припущенням про те, як повинні бути організовані та керовані фінансові послуги.

Фінальні думки

Трансформація банківської справи через штучний інтелект пройшла шлях від спекулятивної можливості до операційної реальності. JPMorgan Chase «фундаментально перепроваджується» в еру штучного інтелекту, з планами забезпечити кожного співробітника агентами ІІ, автоматизувати кожний закулісний процес і курувати кожний клієнтський досвід за допомогою ІІ. Це бачення, хоч і амбіційне, все більше здається досяжним, а не фантастичним.

Драйвери цієї трансформації виявляються потужними та взаємопідсилювальними. Конкурентна динаміка змушує банки застосовувати ІІ або ризикувати бути випередженими установами, які це роблять. Технологічні можливості продовжують швидко розвиватися, причому системи ІІ демонструють компетентність у завданнях, які раніше вважалися вимагаючими унікального людського інтелекту. Економічні тиски сприяють автоматизації, яка знижує витрати, покращуючи якість обслуговування. Очікування клієнтів еволюціонують у бік цифрових досвідів, які вимагають складності, яку лише ІІ може забезпечити в масштабі.

Наслідки виходять далеко за рамки ефективності банківської справи. Ця трансформація змінить зайнятість у цій галузі, причому дослідження Bloomberg Intelligence показало, що глобальні банки очікують скорочення аж до 200 000 робочих місць у найближчі три-п'ять років, оскільки ІІ бере на себе більше завдань. Це сконцентрує економічні переваги серед установ, які успішно впроваджують ІІ, одночасно потенційно маргіналізуючи ті, які відстають. Це підніме глибокі питанняЗміст: про алгоритмічну справедливість, підзвітність та роль людського судження у прийнятті фінансових рішень.

Виклик регулювання виявляється складним. Закон ЄС про штучний інтелект встановлює глобальні стандарти, класифікуючи системи ШІ за рівнем ризику та вимагаючи прозорості, людського контролю та зменшення упередженості для застосування у високоризикових фінансових сферах. Однак, у більшості юрисдикцій всеосяжні рамки ще розробляються, і темпи технологічних змін перевершують регуляторну адаптацію. Це створює невизначеність для установ, які вкладатимуть мільярди у можливості ШІ без чіткого розуміння майбутніх вимог.

Конвергенція банківської діяльності на базі ШІ з фінансами, заснованими на блокчейні, додає ще один вимір до цієї трансформації. Очікується, що токенізація до 2030 року приведе на блокчейн до 16 трильйонів доларів реальних активів, і великі банки вже тестують токенізовані облігації та депозити. Перетин ШІ, традиційної банківської системи та децентралізованих протоколів може створити гібридні архітектури, що поєднують ефективність автоматизації, прозорість блокчейну та стабільність регульованих установ.

Чи буде банк, керований ШІ, неминучим, залежить від визначення "керований ШІ". Те, що кожен великий банк розгорне значний потенціал ШІ, здається певним - конкурентний тиск це забезпечує. Те, що банки стануть повністю пов'язаними з ШІ підприємствами, як це уявляє JPMorgan, залишається менш певним і буде залежати від успішного подолання технічних викликів, еволюції регулювання та управління організаційними змінами.

Що здається найзрозумілішим, так це те, що банківська сфера у 2030 році буде докорінно відрізнятися від сьогоднішньої. Установи, які вийдуть з цієї трансформації, можуть нести лише поверхневу схожість з їхніми попередниками, фундаментально реконструювавши себе навколо штучного інтелекту. Те, чи будемо ми називати ці суб'єкти "банками на ШІ", "інтелектуальними фінансовими установами" або просто "банками", має менше значення, ніж визнання того, що ми перебуваємо на точці перегину, де технології фундаментально переосмислюють, що означає банківська справа і як діють фінансові послуги.

Трансформація несе ризики разом із можливостями. Вона може закріпити переваги для найбільших установ, погіршити фінансову ізоляцію, якщо системи ШІ продовжать упередження, створити нові форми системного ризику і замінити сотні тисяч працівників. Управління цими ризиками, разом із захопленням переваг ШІ, представляє головний виклик для індустрії, регуляторів та політиків.

Основне питання може бути в тому, чи краще банки на базі ШІ обслуговують клієнтів і суспільство, ніж традиційні установи. Якщо ШІ забезпечить доступніші фінансові послуги, справедливіші кредитні рішення, краще управління ризиками та більш ефективні операції, які перейдуть у зниження витрат і покращення досвіду клієнтів, то трансформація заслуговує підтримки, незважаючи на підрив. Якщо ШІ концентрує владу, підсилює упередження, зменшує підзвітність і в першу чергу служить акціонерам на шкоду широким зацікавленим сторонам, то обережність виправдана.

Відповідь виникне не з самої технології, а з виборів, які роблять установи і регулятори щодо того, як впроваджувати і керувати ШІ у банківській сфері. Технологія надає можливість для трансформації, але люди визначають, чи ця трансформація служить широкому соціальному благу або вузьким приватним інтересам. Як ми рухаємось цією точкою перегину, ці вибори визначатимуть фінанси на десятиліття вперед.

Справжній банк, керований ШІ, уже на підході. Питання в тому, яким буде цей заклад і чиї інтереси він обслуговуватиме. Мудра відповідь на це питання визначить, чи представляє ця трансформація прогрес, або лише зміни.

Застереження: Інформація, надана в цій статті, є виключно освітньою і не повинна розглядатися як фінансова або юридична консультація. Завжди проводьте власні дослідження або звертайтеся до фахівців перед тим, як працювати з криптовалютними активами.
Останні дослідницькі статті
Показати всі дослідницькі статті
Схожі дослідницькі статті