המהפכה של הבינה המלאכותית הגנרטיבית בבנקאות: בחירת המודל התפעולי הנכון
בינה מלאכותית גנרטיבית (gen AI) משנה את עולם הבנקאות ומציעה אפשרויות לייעול תהליכים ולחדשנות. מאמר חדש של חברת מקינזי עוסק באופן שבו בינה מלאכותית גנרטיבית משנה את תעשיית הבנקאות, עם דגש על חשיבות בחירת המודל התפעולי הנכון להטמעת הטכנולוגיה, הסוגים השונים של המודלים, היתרונות והחסרונות שלהם, וכיצד ניתן להשתמש בהם כדי להפיק את מירב הערך מטכנולוגיה זו.
הבינה המלאכותית הגנרטיבית (gen AI) משנה את פני הבנקאות, ומאפשרת לייעל תהליכים ולהוביל חידושים. הבנקים בעולם ממהרים ליישם את הטכנולוגיה הזו, אך ההצלחה תלויה רבות בבחירת המודל התפעולי הנכון. כיצד בנקים בוחרים את המודל התפעולי המיטבי לשימוש בבינה המלאכותית הגנרטיבית, ומהם היתרונות והאתגרים במודלים שונים.
העלייה של הבינה המלאכותית הגנרטיבית
הבינה המלאכותית הגנרטיבית מציעה אפשרויות רבות לבנקים, כגון צ'אטבוטים מתקדמים ללקוחות, מניעת הונאות, והאצת משימות מורכבות כמו פיתוח קוד וסיכום דוחות רגולטוריים. על פי הערכות, הטמעת הבינה המלאכותית הגנרטיבית עשויה להוסיף בין 200 ל-340 מיליארד דולר לערך השנתי של התעשייה הבנקאית, בעיקר בזכות עלייה בפרודוקטיביות.
חשיבות המודל התפעולי
מודל תפעולי הוא למעשה מפת הדרכים שמסייעת לארגון להפוך את האסטרטגיה לפעולה בשטח. בנקים המבקשים להפיק את המקסימום מהבינה המלאכותית הגנרטיבית זקוקים למודל תפעולי שיתאים לאופי הטכנולוגיה, ובו זמנית יאפשר להתמודד עם הסיכונים הכרוכים בה. בחירת המודל משפיעה על היכולת של הבנק להתמודד עם שינויים טכנולוגיים מהירים ועם דרישות רגולטוריות.
המודלים המובילים בבנקאות
במחקר שנערך על ידי מכון גלובלי מוערך, זוהו ארבעה מודלים תפעוליים אפשריים לשימוש בבינה המלאכותית הגנרטיבית:
- מודל מרכזי לחלוטין: צוות מרכזי אחראי על פיתוח ויישום פתרונות הבינה המלאכותית, תוך שמירה על עצמאות מהארגון. מודל זה מאפשר לפתח יכולות במהירות וביעילות. עם זאת, החיסרון הוא היפרדות הצוות מיחידות הבנק השונות, מה שעלול להקשות על השפעה על קבלת החלטות.
- מודל בהובלה מרכזית עם ביצוע יחידות עסקיות: הצוות המרכזי קובע את האסטרטגיה, אך היחידות העסקיות מבצעות את היישום. מודל זה משפר את האינטגרציה בין הצוותים השונים, אך עלול להאט את הביצוע בשל הצורך באישורים נוספים.
- מודל בהובלה עסקית עם תמיכה מרכזית: היחידות העסקיות מכתיבות את האסטרטגיה והצוות המרכזי מסייע ביישום. זהו מודל המקל על קבלת תמיכה מהיחידות, אך עשוי להקשות על יישום רחב של פתרונות טכנולוגיים בכל הארגון.
- מודל מבוזר לחלוטין: כל יחידה מנהלת את השימוש בבינה המלאכותית באופן עצמאי. זה מאפשר גמישות ושיתוף פעולה קרוב בין היחידות, אך עלול לפגוע באחידות הידע והכישורים בארגון.
הבחירה הנכונה: המרכזי מול המבוזר
מהמחקר עולה כי הבנקים המשתמשים במודל מרכזי רושמים הצלחות גדולות יותר. כ-70% מהבנקים עם מודל מרכזי הצליחו להטמיע פתרונות של הבינה המלאכותית הגנרטיבית בשטח, לעומת כ-30% בלבד מהבנקים עם מודל מבוזר לחלוטין. המודל המרכזי מאפשר מיקוד במשאבים ויכולת להתגבר על האתגרים המורכבים הכרוכים בהכנסת השימוש בטכנולוגיה לשימוש נרחב.
האתגרים וההזדמנויות
למרות היתרונות של המודל המרכזי, גם הוא לא נטול אתגרים. חילוקי דעות לגבי הקצאת משאבים, קביעת אסטרטגיה ותעדוף שימושים עלולים לעכב את ההתקדמות. לצד זאת, ככל שהטכנולוגיה מתבגרת, יתכן שהארגונים יעדיפו לעבור למבנה מבוזר יותר כדי לאפשר גמישות רבה יותר.
לסיכום: תכנון מודל תפעולי המאפשר צמיחה
כדי להפיק את המרב מהבינה המלאכותית הגנרטיבית, על הבנקים לעצב מודל תפעולי המתאים לתרבות הארגונית ולצרכים הטכנולוגיים שלהם. מודל מוצלח ישלב בין ריכוזיות בתחומים מסוימים לבין ביזור באחרים, ויאפשר לבנקים לנווט את האתגרים ולמנף את הפוטנציאל של הטכנולוגיה לשיפור תהליכים ושירותים.
