Автор: Мосин Даниил Анатольевич, младший партнер консалтинговой компании большой тройки
Generative AI трансформирует финансовую индустрию, создавая новые возможности для повышения эффективности и улучшения качества обслуживания клиентов и сотрудников. Эффект от внедрения Generative AI для банков может составить до нескольких миллиардов рублей в зависимости от размера и зрелости банка.
Этот эффект становится возможным за счет трех основных рычагов:
1. Автоматизация: Передача программному обеспечению рутинных задач, которые не могли быть автоматизированы ранее (например, составление резюме звонка с клиентом в отчете CRM-системы).
2. Дополнение: Повышение производительности труда человека для более эффективного выполнения работы, что позволяет ему достичь большего при тех же возможностях (например, виртуальные помощники предоставляют сотрудникам более эффективный доступ к огромному объему знаний в формате "вопрос-ответ").
3. Ускорение: Более легкое извлечение и индексация знаний позволяет сократить цикл инноваций (например, разработчики могут быстрее создавать новые функции продуктов).
График 1. Экономический эффект от применения Generative AI может быть достигнут разных сегментах и функциях банковского бизнеса
Заявления компаний финансового сектора об использовании Generative AI уже не просто инфоповод: ведущие финансовые учреждения перешли от экспериментов с Generative AI к его внедрению в широком масштабе. Например, инвестбанк Morgan Stanley повысил эффективность нескольких тысяч финансовых консультантов через виртуальный помощник на базе Generative AI, ING усовершенствовал свой чат бот в мобильном приложении при помощи Generative AI, а Bloomberg добавил функцию короткого резюме звонков с инвесторами для всех пользователей своих терминалов.
Существует более 30 примеров использования Generative AI, которые актуальны для всех банковских сегментов функций. Однако несколько областей являются приоритетными, поскольку они уже приносят значительный эффект:
Обслуживание клиентов: Generative AI используется для ускорения обработки звонков и переписки с клиентами путем синтеза краткой информации о предыдущих взаимодействиях, автоматизации ответов на нестандартные запросы с помощью чат-ботов, оказания помощи агентам контакт-центра в режиме реального времени во время звонков, и автоматизации анализа звонков для улучшения обслуживания.
Производительность клиентских менеджеров: банки внедряют виртуальных AI-помощников для клиентских менеджеров , значительно ускоряющим доступ как к публичной информации (например, финансовым отчетам компаний , рыночным исследованиям, и т.д.), так и внутренним данным (например, истории взаимодействия с клиентом, предоставленным документам и т.д.). GenAI также может обеспечить генерацию лидов на базе рыночных сигналов, автоматизировать базовые задачи обслуживания клиентов, предоставляя персонализированные, эффективные и точные ответы на запросы клиентов.
Управление рисками и противодействие мошенничеству: банки применяют Generative AI для ускорения процессов KYC и EDD, составления SAR-меморандумов в случае подозрительной активности, и, например, оптимизации кредитного процесса. GenAI позволяет генерировать черновик кредитного меморандума, сокращая время обработки на 70% и высвобождая дополнительное время клиентских менеджеров.
Операционная деятельность: корпоративные и коммерческие банки выявили более 20 примеров использования AI и GenAI в операционной деятельности с потенциалом повышения производительности на 20 %, включая прогнозирование и расследование ошибок в расчетных операциях, выверку балансов, обработку корпоративных действий и создание отчетов.
Технологии и ИТ: GenAI произвел революцию в разработке программного обеспечения, повысив производительность труда инженеров ПО на 30-50 %. Генеративный ИИ может помочь ускорить модернизацию legacy систем на 20-30 % и ускорить инициативы по обеспечению качества данных и миграции.
Финансовые учреждения, начинающие экспериментировать с Generative AI, стараются сформировать сбалансированный портфель инициатив , ориентированных на производительность и ориентированных на рост и инновации. Также можно отметить, что наибольший эффект дает разумное сочетание других рычагов помимо Generative AI (например, традиционного ИИ, реинжиниринга процессов, автоматизации и т. д.).
Существует три типичных сценария для создания Generative AI решений финансовыми организациями: использование готовых сторонних решений, разработка собственных решений с использованием LLM сторонних производителей, и создание собственных LLM. При этом, большинство банков выбирают комбинацию первого и второго сценариев. В зависимости от сочетания сценариев использования между этими двумя подходами к построению, масштабирование GenAI в финансовом учреждении требует нескольких институциональных возможностей.
Технологии: Для создания приложений GenAI требуется не только LLM. Компании создают экосистему компонентов вокруг LLM, используя существующие платформы для разработки традиционных моделей машинного обучения. Финансовым учреждениям необходимо создать интегрированный стек для GenAI (например, MLOps, конвейеры данных, библиотеки запросов и т. д.), который позволит легко соединить новые и legacy системы, а также обеспечить интеграцию с cloud service providers и поставщиками LLM. Варианты использования LLM включают развертывание на собственной инфраструктуре (актуально для LLM с открытым исходным кодом, например Llama 2 или Mistral), использование закрытых моделей в режиме private tenant , и также использование стека технологий от cloud service providers или их сочетания. Создание сред-"песочниц" для корпоративного использования также помогает ускорить эксперименты, протестировать новые технологии и создать уровень комфорта при использовании функций LCR (legal, compliance and risk).
Данные: Generative AI повышает требования к существующим платформам данных, которые должны быть готовы к работе с большими массивами неструктурированных данных и поддерживать хранение встраиваемых данных в векторных БД, иметь гибкие конвейеры обработки данных и средства контроля качества неструктурированных данных. Банки должны будут решить, какие данные им удобно использовать в Generative AI (например, персональные данные, коммерческая тайна и т. д.). Generative AI часто усиливает дискуссию о том, насколько комфортно компании использовать конфиденциальные данные в облаке, поскольку многие проприетарные LLM работают только в облаке. Банкам необходимо создать прочную облачную основу для комфортного использования конфиденциальных данных в облачных LLM (например, идентификация и/или шифрование персональных данных, передаваемых в облако, и т. д.).
Риски: Generative AI несет в себе множество новых рисков (например, галлюцинации, “токсичные” ответы, нарушение прав интеллектуальной собственности и т. д.), что часто становится препятствием для финансовых учреждений при внедрении новых технологий. Это приведет к усложнению регулирования; регуляторы других стран уже начали вводить правила работы с AI и Generative AI. Банкам необходимо будет внедрить практику ответственного использования AI, разработав детальную классификацию рисков GenAI и внедрив систему оценки рисков и управления ими, обновив систему управления модельными рисками (model risks) и внедрив автоматизированные инструменты контроля рисков.
Компетенции: банкам необходимо будет сформировать кадры, готовые к работе с новыми технологиями, путем привлечения новых специалистов (например, инженеры GenAI запросов, специалисты по настройке LLM, и т.д.), обучения и повышения квалификации текущих сотрудников а также создания программы развития компетенций (включая команду лидеров).
Операционная модель: жизненный цикл разработки модели и жизненный цикл разработки программного обеспечения необходимо обновить, чтобы учесть специфику Generative AI (например, регламентировать процесс запуска сценариев использования GenAI в работу, описать специфические средства контроля рисков и т. д.). Необходимо создать кросс-функциональные команды в состав которых войдут специалисты по анализу данных, инженеры по обработке данных, оперативные инженеры, специалисты по облачным технологиям, а также эксперты по правовым и нормативным вопросам (рекомендуется привлекать LCR на ранних этапах процесса).
Внедрение Generative AI - это действительно межфункциональная работа, поскольку она требует создания возможностей для бизнеса, технологий, рисков, данных, юридических и нормативных требований. Для успешного внедрения Generative AI важно заручиться поддержкой всей команды руководителей. Отсутствие корпоративного управления за Generative AI в масштабах предприятия может привести к увеличению технического долга (поскольку разные команды будут использовать различные LLM и технологические стеки) и рисков (без надлежащего надзора за использованием данных, рисками поставщиков и внедренными защитными механизмами). Финансовые учреждения создают комитеты по Generative AI, которыe определяют приоритеты использования, формируют программу внедрения и принимает решения о рисках.
Финансовые учреждения обычно выбирают один из четырех архетипов операционной модели для внедрения генеративного ИИ:
Централизованная: Стратегия и реализация GenAI сосредоточены в одной команде (например, CoE).
Централизованная, исполняемая подразделениями: Стратегия и приоритеты GenAI определяются CoE, а реализация - BU (типично для организаций, где функция CDO или CDAO возглавляет GenAI на уровне исполнительной команды).
Под руководством BU, с централизованной поддержкой: BU принимают решение о дорожной карте и приоритетах использования GenAI, в то время как центральная команда (например, CoE) управляет общим процессом приема и работает с другими функциями (например, технологиями, рисками, кибербезопасностью и т. д.) по вопросам поддержки.
Высокая децентрализация: стратегия, поддержка и внедрение осуществляются на уровне подразделений.
Финансовые учреждения, относящиеся к архетипам 2 и 3, демонстрируют наилучшие результаты с точки зрения скорости и масштаба внедрения Generative AI и наиболее применимы для региональных банков среднего размера.
Чтобы начать работу с генеративным искусственным интеллектом, банки должны быстро начать экспериментировать и одновременно заложить прочный фундамент для масштабирования. Первым шагом может стать создание стратегической дорожной карты внедрения Generative AI, выделение приоритетных сценариев использования, определение потенциального эффекта и согласование целей внутри команды руководителей. Кроме того, банки могут провести оценку существующих технологических платформ и процессов, чтобы определить приоритетные пробелы и сформировать план действий для для поддержки внедрения Generative AI.
