Η τεχνητή νοημοσύνη έχει επιδείξει σε λίγο σχετικά χρόνο τόσο ισχυρή δυναμική που δεν είναι υπερβολή να υποστηρίξουμε ότι μεταμορφώνει την οικονομική και κοινωνική δραστηριότητα με τον ίδιο τρόπο που ο ατμός, ο ηλεκτρισμός και οι υπολογιστές (κυρίως η αυτοματοποίηση που επέφεραν) καθόρισαν τις τρεις βιομηχανικές επαναστάσεις που προηγήθηκαν αυτής που διανύουμε σήμερα: της λεγόμενης 4ης βιομηχανικής επανάστασης.
Σε αυτό το πλαίσιο η τραπεζική ανήκει στους κλάδους που θα επηρεαστούν περισσότερο. Σύμφωνα με τη Mckinsey, μιας από τις κορυφαίες εταιρείες συμβούλων παγκοσμίως, οι τράπεζες εκτιμάται ότι θα δουν τον μεγαλύτερο αντίκτυπο ως ποσοστό των εσόδων τους (μεταξύ 2,8% και 4,7%) από τη δημιουργική τεχνητή νοημοσύνη, με την πρόσθετη αξία να υπολογίζεται μεταξύ 200 και 340 δισ. δολαρίων ετησίως.
Ας πάρουμε όμως τα πράγματα από την αρχή. Η τεχνητή νοημοσύνη υπήρχε πολύ πριν από το ChatGPT, το οποίο εισέβαλε ξαφνικά στις ζωές μας τον Νοέμβριο του 2022, μετατρέποντας τον όρο GenAI –ελληνιστί δημιουργική τεχνητή νοημοσύνη– σε καθημερινή έννοια. Γνωστή με τον όρο Predictive AI, η προϋπάρχουσα αυτή μορφή τεχνητής νοημοσύνης έχει να κάνει με την πρόβλεψη αποτελεσμάτων, μελλοντικών εξελίξεων και τάσεων. Και ως τέτοια ήταν ήδη αρκετά διαδεδομένη σε τράπεζες και άλλους χρηματοπιστωτικούς οργανισμούς για τη δημιουργία μοντέλων αξιολόγησης της πιστοληπτικής ικανότητας, τη διαχείριση επενδυτικών χαρτοφυλακίων, την ανάπτυξη υποδειγμάτων αλγοριθμικών συναλλαγών και την καταπολέμηση της απάτης.
Από την άλλη πλευρά, η καινοτομία της GenAI συνίσταται στη δυνατότητα παραγωγής κειμένων, εικόνων και ήχου επί τη βάσει τεραστίων ποσοτήτων δεδομένων. Πρόκειται ουσιαστικά δηλαδή για την απόδοση ενός τύπου δημιουργικότητας, η οποία και θεωρείτο μέχρι σήμερα αποκλειστικό προνόμιο της ανθρώπινης σκέψης.
Υπάρχουν 4 κύριοι τομείς εντός του τραπεζικού κλάδου οι οποίοι επηρεάζονται από αυτή την καταλυτική εξέλιξη και στους οποίους αναλογεί το μερίδιο του λέοντος από την προσδοκώμενη θετική επίπτωση της GenAI:
– Ερευνα και ανάπτυξη: ανάπτυξη λογισμικού, μετάπτωση παλαιών συστημάτων και βελτιστοποίηση τιμολόγησης.
– Λειτουργίες και διαδικασίες: αυτοματοποίηση, επιτάχυνση και βελτιωμένη επίλυση περιστατικών.
– Διαφήμιση και πωλήσεις: μαζική εξατομίκευση, εκπαίδευση πωλήσεων, απόκτηση και τμηματοποίηση πελατών.
– Διαχείριση κινδύνου, καθώς και νομικές και άλλες υποστηρικτικές λειτουργίες: τεκμηρίωση μοντέλων, παραγωγή αναφορών, κανονιστική παρακολούθηση, συλλογή δεδομένων, καταπολέμηση απάτης και διαχείριση της γνώσης.
Οσο αποκαλυπτική και να είναι η παραπάνω ομαδοποίηση, δεν παύει να εστιάζει στην παρουσίαση του αποτελέσματος. Πίσω όμως από αυτό κρύβονται δύο βαθύτερες αιτίες οι οποίες εξηγούν την πολύ μεγάλη επιδραστικότητα της τεχνητής νοημοσύνης στην τραπεζική.
Η καινοτομία της GenAI συνίσταται στη δυνατότητα παραγωγής κειμένων, εικόνων και ήχου επί τη βάσει τεραστίων ποσοτήτων δεδομένων.
Η πρώτη αφορά τα δεδομένα και το γεγονός ότι οι τραπεζικές εργασίες ήταν ανέκαθεν ένας κλάδος εντάσεως δεδομένων. Η παραγωγή δεδομένων αποτελεί αναπόσπαστο στοιχείο της αλυσίδας αξίας των χρηματοπιστωτικών υπηρεσιών, διατρέχοντας οριζόντια κάθε αλληλεπίδραση, από τον δανεισμό έως τις πληρωμές. Πλέον η τεχνητή νοημοσύνη αλλάζει δραματικά το ανταγωνιστικό πλεονέκτημα των τραπεζών εκείνων που διαθέτουν τα κατάλληλα δεδομένα σε όγκους που μπορούν να αξιοποιηθούν από τα νέα τεχνολογικά μοντέλα.
Η δεύτερη αιτία έχει να κάνει με τη διαδικασία μετασχηματισμού των τραπεζών. Κατά τη διάρκεια των ριζικών αλλαγών που συντελέστηκαν την τελευταία δεκαπενταετία στον κλάδο, οι τραπεζικές υπηρεσίες βρίσκονταν ήδη στο μέσον μιας δομικής μετάβασης από ένα υπόδειγμα εντάσεως εργασίας σε ένα πιο αυτοματοποιημένο και τεχνολογικά καθοδηγούμενο μοντέλο. Η απότομη εισαγωγή της GenAI επέδρασε καταλυτικά σε δύο βασικές κατευθύνσεις: 1) μεγέθυνε τόσο το αποτέλεσμα όσο και τον αντίκτυπο της μετάβασης, 2) αύξησε εκθετικά την ταχύτητα με την οποία συμβαίνει, μέσω του συνδυασμού τεχνητής νοημοσύνης και δεδομένων, ο οποίος ένωσε δύο εγγενώς αντίθετες έννοιες (τη μάζα και την εξατομίκευση) σε αυτό που έχει επικρατήσει να αποκαλείται μαζική υπερεξατομίκευση.
Από τα παραπάνω γίνεται σαφές ότι η τεχνητή νοημοσύνη επαναπροσδιορίζει το επιχειρηματικό και λειτουργικό μοντέλο των τραπεζών. Οχι στο μέλλον, αλλά τώρα καθώς γράφονται αυτές οι γραμμές, και εντός τεσσάρων βασικών αξόνων: 1) Αυξημένη ικανότητα παραγωγής εσόδων (όπως είδαμε στην εισαγωγή).
2) Βελτιωμένη αποδοτικότητα (λόγω λιγότερης χειρωνακτικής εργασίας και αυξημένης αυτοματοποίησης, συμπεριλαμβανομένης της λήψης αποφάσεων).
3) Αναβαθμισμένη ικανότητα πρόβλεψης, κυρίως αναφορικά με τη συμπεριφορά των πελατών και τη διαχείριση αποτελεσμάτων.
4) Δυνατότητα προσφοράς εξαιρετικά εξατομικευμένων υπηρεσιών σε μαζική κλίμακα.
Ενα καλό παράδειγμα αφορά τον τρόπο με τον οποίο προγράμματα υποστηριζόμενα από την τεχνητή νοημοσύνη (AI chatbots) αλλάζουν εντελώς την αλληλεπίδραση με τους πελάτες. Οχι μόνο στο επίπεδο των καναλιών επικοινωνίας αλλά και αναφορικά με τα υποστηρικτικά συστήματα που βρίσκονται πίσω από αυτά, μέσω της δημιουργίας υβριδικών καναλιών, της ενσωμάτωσης νέων χρήσεων, της παροχής προστιθέμενης αξίας στις ανθρώπινες αλληλεπιδράσεις, ακόμη και της επίδρασης στον τρόπο πραγματοποίησης πωλήσεων.
Καθώς ο ενθουσιασμός για τις δυνατότητες της τεχνητής νοημοσύνης και για τα δυνητικά οφέλη που απορρέουν από την έγκαιρη υιοθέτησή της αυξάνεται, υπάρχουν μερικές ουσιώδεις διαφορές που θα διαχωρίσουν αυτούς που πραγματικά θα επιτύχουν να καινοτομήσουν από αυτούς που δεν θα τα καταφέρουν: 1) Η ικανότητα ενσωμάτωσης της GenAI στην υπάρχουσα υποδομή υπολογιστικών συστημάτων (πολλά τμήματα της οποίας μπορεί να είναι παλαιά ή απαρχαιωμένα). 2) Η επανεκπαίδευση και αναβάθμιση των δεξιοτήτων του εργατικού δυναμικού ώστε να μπορούν να χρησιμοποιήσουν αποτελεσματικά τη νέα τεχνολογία. 3) Η επαναξιολόγηση και (ενδεχομένως) η αναπροσαρμογή ολόκληρου του επιχειρηματικού μοντέλου του οργανισμού σε μια νέα αντίληψη εργασίας με επίκεντρο την τεχνητή νοημοσύνη. 4) Η αποτελεσματική διαχείριση των κινδύνων που προέρχονται από τη χρήση της τεχνητής νοημοσύνης σε σχέση με την προστασία των δεδομένων και τη συμμόρφωση με το κανονιστικό πλαίσιο.
Η τεχνητή νοημοσύνη μετατρέπεται πολύ γρήγορα στον παράγοντα εκείνο που θα αποτελέσει για τις τράπεζες είτε καίριο ανταγωνιστικό πλεονέκτημα είτε τη βασική αιτία αποτυχίας προσαρμογής στο νέο ανταγωνιστικό τοπίο. Το πιο κρίσιμο σημείο ανάμεσα στα δύο αυτά σενάρια δεν θα είναι η ικανότητά τους να προσφέρουν, αυτή καθαυτή, την τεχνολογία αλλά ο βαθμός επιτυχίας τους στην ενσωμάτωσή της.
*Ο κ. Παναγιώτης Κριάρης είναι στέλεχος και σύμβουλος επιχειρήσεων στον χώρο των χρηματοοικονομικών υπηρεσιών και του FinTech.
