Pénzcentrum • 2023. december 10. 14:03
A bankoknak talán nem okoz akkora nehézséget megkezdeni a generatív MI használatát, azonban azt megtalálni, hogy hol és miként teremt új értéket a technológia, korántsem ennyire egyszerű. A McKinsey a siker receptjét keresve készített átfogó tanulmányt a generatív MI előnyeiről és az új technológia bevezetésének buktatóiról- derül ki a McKinsey & Company közleményéből.
2023 elején robbant be a köztudatba a generatív MI. Ez a rövid idő is elég volt ahhoz, hogy kiderüljön, a használata egyértelmű előnyökkel jár a szervezetek számára, ugyanakkor eddig nem ismert kockázatokat is felszínre hozott. A McKinsey Global Institute – miután 63 különböző területen vizsgálta meg és elemezte az MI használatának következményeit – arra a megállapításra jutott, hogy a generatív MI mintegy évi 2,6-4,4 billió dollárnyi becsült új értéket képes teremteni a globális gazdaságban. A pénzügyi szektor lehet az egyik legnagyobb nyertese az MI által indukált átalakulásnak: évente 200-340 milliárd dollárnyi pluszbevétel (a működési eredmény 9-15%-a) keletkezhet főként a termelékenység emelkedéséből. A gazdaságra kifejtett hatás minden bizonnyal a teljes pénzügyi szektort érinteni fogja, de azon belül is különösen a vállalati és a lakossági szegmenst kiszolgáló üzletágakat: a keletkező értéktöbblet ezekben a szegmensekben 56, illetve 54 milliárd dollárra tehető. Bár a bankok elsősorban a termelékenység növelésére koncentrálnak, a generatív MI a közeljövőben teljesen átalakíthat bizonyos munkaköröket és az ügyfelekkel történő kommunikáció eddigi formáit, sőt új üzleti modellek megjelenésének is megágyazhat. A McKinsey kutatása szerint a generatív MI-t a vállalatok 75%-a az ügyfeleivel való kapcsolattartásban, illetve további három fő területen, a tartalomszintézis, a tartalomgenerálás, valamint a kódolás és szoftverfejlesztés terén használja.
A pénzügyi szektorban az esetleges komplikációk ellenére is kedvező az új technológia fogadtatása. A McKinsey-nek a témában a közelmúltban rendezett fórumán a digitális megoldásokért és adatelemzésért felelős vezetők kétharmada vélte úgy, hogy az MI alapvetően fogja átalakítani az iparágukat. Arra azonban még nincsenek egyértelmű válaszaik, hogy hogyan és hol fogják az új technológiát biztosan alkalmazni, és hogyan, milyen mértékben lehet majd integrálni azt a meglévő munkafolyamataikba.
A McKinsey szerint a bankoknak egyfelől könnyű dolguk van, ha az új technológia bevezetésével szeretnék átalakítani a működésüket: a jól ismert változásmenedzsment-módszereket kell elővenniük, a vezetőknek a változás élére kell állniuk, számon kell kérniük az egyes üzletágakon az előrehaladást, az értékteremtésre kell fókuszálniuk, és világos célokat kell kitűzniük. Másfelől viszont a generatív MI olyan kihívásokkal is szembesíti őket, amilyenekkel a legtöbbjüknek még soha nem volt dolga.
Az átalakulás mélysége és sebessége példátlan. A vezetőknek jóformán egyik napról a másikra kell megismerkedniük olyan fogalmakkal, mint a megerősítő tanulás és a konvolúciós természetes hálózatok. De a feladat nem pusztán az új terminológia és ismeretek elsajátításból áll: a vezetőknek fel kell ismerniük, milyen lehetőségeket rejt a generatív MI a saját szervezetük számára, hogyan kell ennek érdekében módosítani a stratégiájukat, és úgy pozícionálni a vállalatukat, hogy az a legtöbbet tudja kihozni az átalakulásból.
A bankok alig értek a végére egy jelentős reformfolyamatnak (amelynek során előreléptek az üzlet és technológia között feszülő ellentétek feloldásában, elsősorban az agile, cloud technológiák és a termék fókuszú működési modellek bevezetésével), máris az adatfelhasználásra és -elemzésre alapuló kihívások bonyolítják tovább a helyzetüket. Mindezt olyan sebességgel kell végrehajtaniuk, ami a működési modelljeiket óriási nyomás alá helyezi. Az átalakuláshoz új képességekre is szert kell tenniük: a kihívásokhoz illeszkedő tudású szakembereket kell toborozniuk, illetve képzésekkel kell a saját munkavállalóikat felkészíteni a változásokra.
Az adatelemzés már eddig is a fókuszban volt, ám a generatív MI mutatott rá arra, hogy az adatokat nem elég centralizáltan kezelni, hanem az értéklánc minden egyes lépésében át kell gondolni az adatok elérhetőségét. A vezetőknek még gyakrabban kell egyeztetniük az adatelemzőikkel, és egyensúlyba kell hozniuk az egymással versengő prioritásokat. A McKinsey szerint a legtöbb bank jelenleg is küszködik az átalakulással, az üzleti modellek még javában formálódnak. Az akadályok azonban nem leküzdhetetlenek, amennyiben a szervezet rendelkezik a megfelelő képességekkel hét stratégiai fontosságú területen:
1. Stratégiaalkotás
Anélkül, hogy tudnánk, a generatív MI és a fejlett adatelemzés milyen területeken segíthet hatékonyabbá tenni az üzleti folyamatokat, kockázatos az átalakításba belevágni. Egy stratégiai tervnek, amellett, hogy víziót nyújt a teljes üzleti modell átalakítására, fel kell tárnia azokat a konkrét pontokat is munkafolyamatokban, ahol termelékenységjavulás érhető el. Egy jó stratégiának tartalmaznia kell egy jövőképet, amely mögé a vezetés határozottan beáll, a végrehajtását pedig számonkéri az operáció szintjén; prioritásokat, világos és mérhető célokat, a szükséges képességek számba vételét; tervet arra vonatkozóan, hogy mely területeken, milyen sorrendben kell bevezetni a változtatásokat és felépíteni a képességeket; továbbá ki kell térnie arra is, hogy milyen partnerségek kiépítésére lesz szükség a képességek fejlesztéséhez illetve ahhoz, hogy a szervezet új képességekre tegyen szert.
2. Tudás és tehetségek
Maguknak a vezetőknek is új és mély ismeretekre kell szert tenniük azért, hogy megértsék, miként alakítja át a generatív mesterséges intelligencia a bankok működését. Ezt a tudást a munkatársaiknak transzparensen átadva tudják kezelni az átalakulás okozta aggodalmakat, amelyeket a technológiával elérhető magas arányú automatizálhatóság (a munkafolyamatok 70%-a automatizálható) válthat ki. Ugyanakkor azt is tudniuk kell, hogy az új technológia hogyan teremt értéket és fejt ki kedvező hatást a munkafolyamatokra. Ehhez új szakértelemre vagy a munkavállalók képzésére van szükség, például a prompt engineering vagy a modellek finomhangolása területén. A toborzásban a szakértelemre, valamint az MI-t, a felhőalapú technológiákat és az adattudományt érintő képzésekre kell fektetni a hangsúlyt. A tehetségek megszerzéséhez és megtartásához a jó fizetés nem elegendő, a szakmai továbbfejlődés lehetőségét és az értelmes munka perspektíváját is biztosítani kell.
JÓL JÖNNE 2,8 MILLIÓ FORINT?
Amennyiben 2 809 920 forintot igényelnél 5 éves futamidőre, akkor a törlesztőrészletek szerinti rangsor alapján az egyik legjobb konstrukciót, havi 62 728 forintos törlesztővel a CIB Bank nyújtja (THM 12,86%), de nem sokkal marad el ettől az MBH Bank 62 824 forintos törlesztőt (THM 12,86%) ígérő ajánlata sem. További bankok ajánlataiért, illetve a konstrukciók pontos részleteiért (THM, törlesztőrészlet, visszafizetendő összeg, stb.) keresd fel a Pénzcentrum megújult személyi kölcsön kalkulátorát. (x)
3. Működési modell
Ideális esetben a banknak eleve rugalmas, könnyen alakítható és méretezhető működési modellje van. Az ilyen modellre jellemző a keresztfunkcionalitás, a végrehajtói és döntéshozatali felelősségi körök összehangolása; egy ilyen modellben a folyamatok könnyen felgyorsíthatók, kiterjeszthetők, és kellően rugalmasak. A vezetőkkel való szoros együttműködés döntő fontosságú a generatív MI megoldások jellemzőinek meghatározása, a prototípusok megalkotása és a bevezetés során. Az átalakulás kezdeti szakaszában a legtöbb bank (a bankok több mint fele) központosítottan tervezi meg és hajtja végre az erőforrások elosztását, a kutatás-fejlesztést, a priorizálást, illetve kezeli a felmerülő kockázatokat. Kiemelten fontos a szoros együttműködés az üzleti területekkel már a kezdetektől a priorizálásban, a prototípusok kialakításában és tesztelésében, így értékes visszajelzések csatornázhatók be a folyamatokba a működést érintően. A funkciók közötti folyamatos párbeszéd a biztosíték arra, hogy a modellek a valós működés kihívásaira kínálnak megoldásokat, szükség szerint tovább finomíthatók, és problémamentesen illeszthetőek be a meglévő munkafolyamatokba. Az átalakulás előrehaladtával érdemes lehet egységes megközelítést kialakítani, amelyet minden üzletág esetében lehet alkalmazni. Elkerülendőek az elszigetelt kezdeményezések, ehelyett a csapatokat fel kell ruházni a megfelelő szakértelemmel, erőforrásokkal és tervekkel a generatív MI alkalmazásához.
4. Technológia
Azok a bankok, amelyek gyors eredményeket értek el a generatív MI bevezetésében, alaposan mérlegre tették, érdemes-e házon belül kifejleszteni a szükséges megoldásokat, vagy inkább külső partnertől vásárolják meg ezeket. A sikerhez tudatos, az értékteremtést szem előtt tartó döntésre van szükség. A nyílt forráskódra épülő fejlesztések miatt az alapmegoldások már könnyen beszerezhetőek a piacon. A bankoknak, amikor a vásárlás mellett döntenek, olyan beszállítót kell választaniuk, amelyben megbíznak, és amely a lehető legkisebb kockázattal járó megoldást biztosítja a számukra az új helyzetben is. A megfelelő generatív MI-megoldás komponensei egymással és a meglévő (legacy) IT-architektúra elemeivel is tökéletes összhangban kell működjenek. A hatékony integráció és a modellek fenntartása több architektúra-komponenstől is függ, mint amilyen például az adatösszefüggés-menedzsment, a gyorsítótárazás, a szabályzatkezelés, a modellhub-ok kezelése, a promptkönyvtár-kezelés, az MLOps-platform, a kockázatkezelési motor, vagy a nagy nyelvi modellek.
5. Adatvagyon
A generatív MI működése strukturálatlan adathalmazok feldolgozására épül. Míg a strukturált adatokkal jól megbirkóznak a bankok, a strukturálatlan adatok feldolgozásához és a fejlett MI-modellekhez nem rendelkeznek sem a szükséges képességekkel, sem a megfelelő infrastruktúrával. A generatív MI nyelvi képességei azonban éppen azt teszik lehetővé, hogy új és értékes információkat nyerjenek ki a strukturálatlan adathalmazokból, ami javítja az ügyfeleik kiszolgálását, a működési hatékonyságot, és demokratikusabbá teszi az adatokhoz való hozzáférést. Ezzel együtt még jobban előtérbe kerül az adatok minősége, amit a strukturálatlan adatokon nehéz megfelelően biztosítani. A vezető pénzintézetek egyszerre alkalmazzák az emberi tudást és az automatizációt az adat-életciklus minden kritikus pontján, ezzel biztosítva az adatok magas minőségét. Ezeken felül az adatelemzőknek fel kell készülniük a generatív MI használatával együtt járó kockázatokra és gyorsan kell tudniuk reagálni a szabályozás-változásokra.
6. Kockázatkezelés
A generatív MI nagyobb termelékenységet biztosít, ugyanakkor új kockázati forrást is jelent, ezért is kell a pénzintézetnek már a bevezetés kezdeti stádiumában kidolgoznia egy kockázatkezelési tervet. Át kell alakítani a meglévő vállalatirányítási és kockázatkezelési mechanizmusaikat, kiegészítve ezeket a generatív MI felelősségteljes használatára vonatkozó irányelvekkel. Mielőtt bármilyen területen alkalmaznák és kiterjesztenék az új megoldásokat, meg kell vizsgálniuk, megfelelnek-e azok az érvényben lévő szabályoknak, különös tekintettel a modell döntési mechanizmusának átláthatóságára és a döntések részrehajlásmentességére. Az MI „hallucinációiból” (nem logikus vagy pontatlan válaszaiból) eredő kockázatok csökkentése érdekében hozzáértőknek kell validálniuk a modell válaszait, ami viszont megnehezíti a skálázhatóságot. Ezt megkönnyítendő a bankok automatizmusokat, validációs módszereket és különböző forgatókönyveket bocsátanak a szakértők rendelkezésére. Az olyan intézkedések, mint például a paraméterek jobb beállítása vagy az automatizált tartalommoderálás, csökkenthetik a hallucinációk előfordulását.
7. Változásmenedzsment
A bevezetés és az átalakulás sikeressége nagyban függ a változásmenedzsment hatékonyságától. Még a legjobban megtervezett megoldás bevezetése is zátonyra futhat, ha nem veszik figyelme a munkavállalók és az ügyfelek igényeit, és nem ösztönzik őket az új megoldások használatára. Az átalakulás konfliktusokat idézhet elő a vezetésben, ami az adott megoldásban rejlő lehetőségek kihasználását is akadályozza, amennyiben senki nem érzi azt magáénak. Ezt elkerülendő rögtön a végfelhasználó szemszögéből kell rátekinteni a teljes folyamatra. Felhasználócentrikus MI-ágenseket kell fejleszteni, amelyek az emberektől érkező megerősítő visszajelzésekből tanulnak. A bevezetéshez elengedhetetlen egy átfogó, jól kidolgozott változásmenedzsment-terv, amely a felhasználót állítja a középpontba: része a vezetők felkészítése, a példamutató felhasználók bemutatása, a világos célkitűzések megfogalmazása, a szemléletváltás, a vállalati kultúra átformálása és az új megoldások használatának ösztönzése, valamint mindezek transzparens és közérthető kommunikációja.
„Minden héten hallunk olyan pénzügyi intézményekről, amelyek sikerrel kezdték el alkalmazni a generatív MI-t a termelékenységük javítására. Ez az átalakulás azonban mindig nehéz, és mind a mai napig nem világos, hogy a bankok mekkora hatékonysággal és sikerrel fogják a generatív MI-re épülő megoldásaikat kivinni a piacra, illetve hogyan fogják rávenni a munkavállalóikat és az ügyfeleiket ezek használatára. A bankok csak úgy tudják hosszútávon kiaknázni az új technológiában rejlő lehetőségeket, ha olyan tervet készítenek, amely számol az összes akadállyal, komplikációval, de a lehetőségekkel is” – mondta Sebők András, a McKinsey & Company budapesti irodájának partnere.