La cadena de valor de la IA en la banca está llena de oportunidades para la transformación digital. Durante la próxima década, muchos bancos grandes implementarán docenas (si no cientos) de aplicaciones de software de inteligencia artificial empresarial para capitalizar las oportunidades de aumentar los ingresos, aumentar la eficiencia operativa y mitigar el riesgo.
El valor de la IA en la banca, con un valor de alrededor de $ 250 mil millones anuales, según McKinsey Global Institute, se capturará en muchos casos de uso en la banca minorista y comercial, incluidas las operaciones de front office y back office.
Sin embargo, este bote de $250 mil millones no se dividirá proporcionalmente entre todas las instituciones de servicios financieros. Solo los bancos que superen con éxito los innumerables desafíos en el camino hacia la transformación digital obtendrán estos beneficios. Aquellos que no lo hagan, o que nunca se embarquen en el viaje de la transformación digital, se quedarán atrapados con una tecnología rígida e inutilizable y serán fácilmente superados por los bancos con capacidades ágiles de inteligencia artificial. Siga leyendo para conocer tres errores que muchos bancos inevitablemente cometerán, pero que se pueden evitar.
Error 1: escalar el Everest con una riñonera
Algunos bancos no lograrán transformar su negocio simplemente porque subestimarán cuán extraordinariamente compleja es la IA empresarial. Ellos, ingenuamente, asumirán que su estrategia y procesos de software existentes son suficientes para acomodar la IA. Pero, como el Everest no es solo otra caminata, la IA no es solo otra tecnología. Para tener éxito en la construcción de sistemas de IA a escala empresarial hechos por usted mismo, una empresa típica debe integrar docenas de servicios de código abierto y de terceros. Para tener éxito, estas herramientas deben unirse a la perfección para resolver los desafíos de ingestión, transformación, persistencia, virtualización y procesamiento de datos, sin mencionar los desafíos involucrados en el desarrollo, implementación, monitoreo y operación de miles (si no millones) de modelos de aprendizaje automático. . Los procesos tradicionales de desarrollo de software y las pilas de tecnología no son suficientes.
Al implementar aplicaciones de IA en la banca, la complejidad aumenta en un orden de magnitud con respecto a la empresa típica. Las regulaciones no solo requieren que los bancos cumplan con estándares más altos de seguridad y confiabilidad, en INMEDIATUM hemos visto cinco áreas adicionales que complican materialmente la pila de IA para los bancos:
Auditabilidad: para fines de cumplimiento, un banco debe poder reproducir cualquier modelo, predicción o análisis generado por cualquier aplicación de IA. Estas regulaciones incluyen requisitos complejos no solo para rastrear el linaje de predicción, las dependencias de la aplicación y los flujos de datos, sino también para permitir el “viaje en el tiempo”: la capacidad de reproducir el historial y demostrar cómo se generó cada conocimiento de IA para probar la validez del proceso.
Equidad: cualquier aplicación de IA que afecte a los clientes bancarios debe diseñarse, construirse y validarse minuciosamente para garantizar la equidad y evitar el sesgo hacia los segmentos de clientes protegidos.
Transparencia: todos los algoritmos de IA deben ser interpretables para promover la transparencia, mejorar la usabilidad y demostrar equidad. Los llamados algoritmos de “caja negra” no se pueden utilizar en muchas aplicaciones bancarias.
Monitoreo y administración: dada la naturaleza de alto riesgo y la realidad de rápida evolución de los mercados financieros, las aplicaciones de IA deben implementarse con marcos de trabajo de administración de modelos robustos y a prueba de fallas para monitorear, validar, volver a entrenar y apagar automáticamente los modelos de IA en vivo según sea necesario.
Nube híbrida: a medida que más bancos se mueven hacia soluciones de nube privada virtual o pública, las soluciones exclusivamente locales se quedan cortas. Las pilas de tecnología de IA deben permitir implementaciones en la nube y en la nube híbrida para la banca.
En los próximos años, muchos bancos fracasarán rotundamente en lograr que tecnologías dispares funcionen juntas dentro de los estándares que requieren las instituciones financieras. Muchos se darán cuenta demasiado tarde de que subestimaron dramáticamente el desafío. Otros llegarán al campamento base, desarrollando con éxito un pequeño puñado de soluciones frágiles de IA, pero tendrán dificultades para escalar horizontalmente. Solo unos pocos de élite reconocerán las complejidades inminentes de la tarea en cuestión y ajustarán adecuadamente sus estrategias, procesos y compromisos para alcanzar con éxito la cima de la inteligencia artificial.
Error 2: Perseguir la fruta al alcance de la mano
Algunos bancos se quedarán atrás debido a la mala planificación y la falta de una hoja de ruta de IA cuidadosamente elaborada. Estarán tentados solo a priorizar casos de uso de IA grandes y llamativos, dejando pasar la fruta al alcance de la mano en el camino. O buscarán iniciativas de IA “fáciles” solo para descubrir que, de hecho, no son fáciles en absoluto. Estos errores tácticos dan como resultado una pérdida de impulso y un compromiso debilitado con la adopción de IA. Los bancos que tengan éxito priorizarán los casos de uso estratégico que generen impulso y entusiasmo en toda la empresa para la adopción de IA. Para tener éxito, los bancos deben responder tres preguntas fundamentales para cada iniciativa de IA:
- ¿Es viable?
- ¿Es valioso?
- ¿Qué prioridad debería recibir en relación con otros proyectos de IA planificados?
Viabilidad de la IA en la banca
Algunos bancos tropezarán porque no logran evaluar la viabilidad técnica y política de un caso de uso de IA. Para evitar estas trampas, los líderes deben examinar:
Trazabilidad de la IA: ¿Existe una expectativa razonable de que un modelo de IA pueda usar los datos disponibles para resolver la pregunta o decisión de interés? ¿Se puede entregar la iniciativa con un modelo de IA simple, interpretable, justo y compatible con los bancos? Una vez implementado, ¿qué tan resistente será el modelo y cuánto monitoreo y mantenimiento requerirá?
Abogacía interna: ¿Esta iniciativa tiene fuertes defensores? ¿Los líderes empresariales y tecnológicos mantendrán el compromiso con su éxito?
Valor de IA en la banca
Muchos bancos se desilusionarán con las iniciativas de IA si no tienen en cuenta el alcance total de los costos y beneficios asociados con cada proyecto. Antes de seguir adelante, los líderes deben evaluar:
Valor: ¿Cuáles son los posibles beneficios económicos y estratégicos de implementar esta iniciativa de IA? ¿Qué tan escalable es ese valor en toda la empresa?
Sinergia de datos: ¿Puede esta iniciativa reutilizar los datos existentes y otros activos de IA? ¿Esta iniciativa crearía nuevos activos de datos que podrían reutilizarse en proyectos posteriores?
Esfuerzo de desarrollo: ¿Esta iniciativa aumentará las aplicaciones existentes o requiere la creación de nuevas aplicaciones?
Esfuerzo de gestión de cambios: ¿Qué se requiere para desarrollar nuevos procesos comerciales, volver a capacitar a los empleados o promover la adopción del usuario final?
Prioridad
Incluso si todos los casos de uso se han evaluado correctamente, sería un error costoso priorizar solo aquellas iniciativas que se consideren de mayor valor. La IA es una maratón, no una carrera de velocidad. Los bancos deben equilibrar cuidadosamente sus prioridades entre proyectos ambiciosos y de alto valor y ganancias rápidas: proyectos de bajo costo y altamente viables que pueden o no considerarse muy valiosos. Con demasiados proyectos grandes de IA y sin ganancias rápidas para celebrar, un banco corre el riesgo de fatiga, desilusión o frustración en toda la empresa con la IA. Pero sin grandes proyectos que perseguir, un banco corre el riesgo de ser superado por competidores en las arenas que tienen las apuestas más altas.
Error 3: Trineo por los magnates
La banca tiene cientos de casos de uso de IA en los sectores de front office y back office, comerciales y minoristas, y en los mercados públicos y privados. Además, la banca es un mercado muy dinámico con necesidades de los clientes que evolucionan rápidamente. Los bancos que sean más rápidos en la línea de salida para ofrecer una solución llamativa de IA no serán los ganadores finales de la carrera para capturar el valor de la IA. En cambio, los ganadores serán los bancos que ejecuten una estrategia que permita una respuesta rápida a la dinámica del mercado que cambia rápidamente, incluida la capacidad de entregar rápidamente sus 50 y 100 iniciativas de IA a medida que se identifican nuevas necesidades comerciales. Los bancos que no invierten en las habilidades y herramientas que permiten este tipo de agilidad de IA encontrarán que la IA es un terreno tedioso y lleno de baches.
Cualquier estrategia bancaria que se optimice para la agilidad de la IA debe considerar dos cuestiones clave:
- ¿Cómo permitiremos un desarrollo más rápido de nuevos datos netos y activos de IA?
- ¿Cómo nos aseguraremos de que todos los datos y activos de IA desarrollados para cualquier iniciativa de IA sean extensibles y reutilizables en proyectos futuros? ¿Cómo eliminaremos el desarrollo redundante de elementos comunes de la pila tecnológica de IA?
Los bancos que superen con éxito estos problemas se volverán ágiles en IA. Los bancos que no lo hagan inevitablemente se quedarán atrás.
Este articulo puede interesarle Pasos para el éxito en 2022: Gestión de inventario de construcción
