Sektor bankowy ma być jednym z największych beneficjentów wykorzystania sztucznej inteligencji na szeroką skalę. Eksperymentowanie i poszukiwanie rozwiązań w tym obszarze jest dla nich zatem niezwykle istotne.
Eksperci z SAS podkreślają, że generatywna sztuczna inteligencja w dużym stopniu przyczyni się do tego, jak banki będą zarządzać swoimi operacjami front-office i back-office. W pierwszej kolejności znajduje się zastosowanie w tworzeniu oprogramowania oraz obsłudze klienta i automatyzacji powtarzalnych czynności.
Możliwości, jakie stwarza AI w tym sektorze, pokazuje ubiegłoroczna analiza Accenture („3 Ways Generative AI Will Transform Banking”). Jej autorzy zauważają m.in., że Morgan Stanley wdrożył narzędzie generatywnej sztucznej inteligencji, które zapewnia doradcom finansowym podczas rozmów z klientami lepszy dostęp do „kapitału intelektualnego” banku, obejmującego ok. 100 tys. raportów i dokumentów. Z kolei AI Copilot firmy GitHub może pomóc programistom banku pisać kod nawet o 55 proc. szybciej i samodzielnie tworzyć 46 proc. wymaganego kodu.
Z badań Accenture wynika też, że nawet 61 proc. czasu pracy w 19 różnych branżach może zostać przekształcone przez duże modele językowe jak choćby ChatGPT. W bankowości odsetek ten wzrasta do 73 proc., co stanowi największą wartość spośród wszystkich branż objętych analizą. W ubiegłorocznej analizie SAS, jeden z liderów rynku analityki i AI prognozuje, że na przestrzeni najbliższych kilku lat sektor bankowy będzie jednym z największych beneficjentów wykorzystania sztucznej inteligencji.
Zastosowanie AI zapewni bankom m.in. większą efektywność operacyjną, pozwoli ograniczyć ryzyko biznesowe, skutecznie przeciwdziałać oszustwom i zarządzać doświadczeniem klientów przy jednoczesnym skróceniu całego procesu. Największe korzyści przyniesie w zakresie unowocześnienia i rozwijania modeli analitycznych, w tym szacowania oceny klientów i podejmowania decyzji.
SAS zauważa też, że AI już w tej chwili rewolucjonizuje sposób, w jaki banki wykrywają oszustwa finansowe i im zapobiegają. Banki – wykorzystując algorytmy uczenia maszynowego – mogą dziś szybko i dokładnie analizować duże ilości danych w celu identyfikacji transakcji wysokiego ryzyka i wzorców, które mogą wskazywać na nieuczciwą działalność.
