Tehisintellekt investeerimispanganduses: masinad loevad, inimesed otsustavad – kes tegelikult võidab?

Tehisintellekt investeerimispanganduses: need on ülesanded, mille puhul algoritmid (ikka veel) haledalt läbi kukuvad

Loovad tehingustruktuurid, mitme miljoni dollari suurused tehingud ja visionäärlikud otsused – just nii investeerimispangad oma teenuseid turundavad. Kuid reaalsus nooremate analüütikute jaoks, eemal läikivatest esitlustest, näeb sageli hoopis teistsugune välja: lõputud ööd virtuaalsetes andmeruumides, sadade lepingute PDF-ide käsitsi läbitöötamine ja arvude vaevarikas ülekandmine keerukatesse Exceli mudelitesse. Just selles lahknevuses kallilt tasustatud ekspertiisi ja tüütu teabekogumise vahel avab tehisintellekt (AI) praegu oma suurima potentsiaali.

Kuigi Wall Streeti hiiglased nagu JPMorgan ja Goldman Sachs on juba pikka aega investeerinud kümneid miljardeid dollareid tehisintellekti süsteemidesse, et vabastada oma analüütikud tüütutest ülesannetest, maalib reaalsus karmi pildi: mitte iga kõrgelt kiidetud tehnoloogia ei suuda vastu pidada tegeliku ühinemis- ja omandamistehingute järeleandmatule tempole ja survele. Lisaks tekitab automatiseerimine sügavaid küsimusi: kui algoritmid võtavad tulevikus uurimistöö üle, kuidas õpib järgmine pankurite põlvkond oma ametit? Ja millal hakkab kogenud tehingute tegija üldse masina analüüsi usaldama? See artikkel uurib vankumatult, millised tehisintellekti rakendused tegelikult toimivad rangelt reguleeritud finantssektoris, kus automatiseerimine tuleb teadlikult peatada, ja miks pime usk tehnoloogiasse ilma usaldusväärsete tõenditeta muutub kiiresti tohutuks vastutusriskiks.

Tõendid kuulujuttude asemel: kui tipppankurid usaldavad tehisintellekti tulemusi tõeliselt

Investeerimispangad müüvad ametlikult otsustusvõimet, suhteid ja loomingulisi tehingustruktuure. Noorte analüütikute igapäevatööle pilk aga paljastab hoopis teistsuguse pildi: andmeruumide läbi kammimine, arvude vaevarikas PDF-dokumentidest Exceli mudelitesse ülekandmine, vanade esitluste otsimine, mille pank lõi kolm aastat tagasi sarnase kliendi jaoks.

See lahknevus ongi probleemi tuum. Investeerimispangandus müüb küll hinnanguid, kuid kulutab suurema osa noorema personali töötundidest lihtsalt teabe kogumisele. See lõhe klientide tegelike kulutuste ja tegelike töötundide vahel ongi koht, kus tehisintellekti kasutamine investeerimispanganduses muutub majanduslikult tasuvaks.

Seda arvestades tasub lähemalt uurida, kuidas finantsasutused saavad tehisintellekti abil käegakatsutavaid ärilisi eeliseid saavutada. Lühike vastus on järgmine: siin ei võida mitte need pangad, kellel on kõige julgemad strateegiaesitlused. Nemad on need, kes on järjepidevalt kasutanud masinaid dokumentide lugemiseks ja otsimiseks, jättes tegeliku otsustusõiguse inimestele ja teostades kogu protsessi oma kontrollitud süsteemi piirides.

Lihtsalt teabe kogumise nähtamatu hind

Põhjus, miks keegi selle probleemiga ei tegele, on see, et see ei kajastu kusagil eraldi kulurea osana. Palgad on juba eelarves, analüütikud on juba palgatud ja ametisse määratud. Dokumentide lugemine ja läbivaatamine on just see, milleks tööjõutunnid algselt osteti – seega jääb see pingutus pärast üürilepingu allkirjastamist sama nähtamatuks kui üür.

Kui aga arvestada selle varjatud pingutuse tegelikku maksumust, saab probleem kiiresti ilmseks. See viib pisteliste kontrollideni põhjalike ülevaadete asemel, sest iga üksiku lepingu põhjalik lugemine andmeruumis polnud niikuinii kunagi rahaliselt teostatav. Selle tulemuseks on vananenud ettevõtete profiilid, sest neljakümne profiili regulaarne uuendamine kvartalis kaotab konkurentsis käimasolevate kiireloomuliste tehingutega. Ja see viib olukorrani, kus paljulubavaid tehinguid isegi ei sõlmita, sest meeskond on juba täielikult hõivatud käimasolevate tehingutega. Iga sellise otsuse teeb sisuliselt ajaline piirang, mitte pankur isiklikult.

Selle probleemi mahuline aspekt muutub üha teravamaks. Finantssponsorite juhitud tegevus kasvab koos erakapitalituru kasvuga ning Preqini analüütikud ennustavad, et alternatiivsete varaklasside globaalsete varade maht ulatub 2030. aastaks ligikaudu 32 triljoni dollarini. See tähendab rohkem tehinguprotsesse, konkurentsitihedamaid pakkumisprotsesse ja suuremat hoolsuskohustust panga kohta, kui ükski personaliplaan realistlikult mahutada suudab. Pangad, kes seda varjatud kulu jätkuvalt aktsepteerivad, peavad selle eest igal aastal suuremat tasu maksma. Seevastu need, kes suudavad oma tegevusulatust laiendada ilma oma kulubaasi suurendamata, on lõpetanud tüütu dokumentide läbisõelumise vaatamise nooremate analüütikute initsiatsiooniriituseks.

Millised tehisintellekti rakendused peavad tegelikult praktilisele testimisele vastu?

Kõik kasutusjuhud ei ole võrdselt valmis produktiivseks juurutamiseks ning nende käsitlemise järjekord on olulisem kui tarkvara enda tehniline valik. Kolm filtrikriteeriumi aitavad kiirelt klassifitseerida.

Esiteks ja kõige tähtsam on maht. Peaksite valima dokumentide partii, mis koguneb pidevalt ja regulaarselt, mitte ainult aeg-ajalt, sest töövoog, mida käivitatakse vaid kaks korda aastas, ei kogu kunagi piisavalt kogemusi tõelise usalduse loomiseks. Teiseks on korratavus: samad infoväljad, millele esitatakse alati samasugune päring dokumentides, mis erinevad sõnastuse, kuid struktuuri poolest vaevu. Kolmandaks ja kõige olulisem on kontrollitavus. Soovite saada tulemuse, mida keegi saab allikaga sekundite jooksul võrrelda, sest just see kontrollimine veenab lõpuks skeptikuid.

Nende kolme filtri rakendamine annab tulemuseks peaaegu iga panga sama lühikese prioriteetide nimekirja. Andmeruumid saavad kõrgeima hinde, mistõttu rakendatakse tavaliselt esimesena hoolsuskohustusega seotud dokumentide intelligentset analüüsi. Teisel kohal on sisemised pretsedendidokumendid, kuna panga enda ajalugu on ulatuslik, lõputult tüütu otsida, kuid pärast leidmist triviaalselt kontrollitav. Kolmandal kohal on regulatiivsed dokumendid pideva turu jälgimise jaoks. Kõik, mille tulemus esindab arvamust või hinnangut, automatiseeritakse viimasena – sellest lähemalt hiljem.

Millal usaldab kogenud pankur masina tulemusi?

Põhimõtteliselt taandub kõik ühele olulisele omadusele: iga väidet peab toetama allikas ja selle allika kontrollimine ei tohi võtta rohkem kui kümme sekundit. See võib tunduda tootekujunduse väikese detailina, aga tegelikult on see kogu toote lubadus.

Analüüs, mis väidab, et lepingus on vastutuse piirmäär 12 protsenti ostuhinnast, on esialgu vaid väide. Analüüs, mis väidab sama asja ja viitab otse kolmanda lepingumuudatuse leheküljele 84, on aga tõend. Esimene nõuab pimedat usaldust, teine ​​​​sissejuhatab praktiliselt kontrollimisse – ja just seda asepresident tahabki teha mis tahes teabega käimasoleva tehingu kohta.

Sellistes tingimustes on üsna loomulik, kuidas usaldus tekib. Asepresident vaatab üle esimesed kakskümmend tulemust ja kõik kakskümmend läbivad kontrolli. Järgmisel korral kontrollitakse viiekümnest tulemusest ainult kümmet. Teise tehingu puhul kontrollib ta ainult neid tulemusi, mis teda üllatavad, ja aktsepteerib ülejäänud ilma edasise läbivaatamiseta. Keegi ei kiitnud seda käitumise muutust ametlikult heaks – see tekkis lihtsalt seetõttu, et arvustused andsid järjepidevalt puhtaid tulemusi ja ühegi tarkvaramüüja müügikõne poleks kunagi suutnud sellist usaldustaset tekitada.

Kahjuks on ka vastupidine sama usaldusväärne. Üksainus enesekindlalt sõnastatud, kuid vale vastus ilma kontrollitava allikata võib projekti tagasi lükata rohkem kui terve kuu süsteemi seisakuid, sest selle vea lugu levib kogu organisatsioonis. Kogu töötlemisahel, alates dokumendist kuni otsuseni, sõltub allikate tsiteeritavusest ja süsteem, mis annab vastuseid ilma nende tõenditeta, ei tooda lõpuks midagi peale kuulujuttude.

Kus peab automatiseerimine tahtlikult oma piirini jõudma?

Iga hea mainega tehisintellekti programm vajab selgelt määratletud nimekirja sellest, mida ei tohiks automatiseerida – ideaaljuhul peaks see olema paika pandud enne esimest pilootprojekti. Masinad esitavad tõendeid, inimesed annavad seisukohti ja hinnanguid. See piiride nimekiri on koht, kus see eristus selgesõnaliselt tõmmatakse, selle asemel, et see valusalt avastataks keset käimasolevat kriitilist protsessi.

Ühte tõendit saab kontrollida: iga andmeruumis olev leping sisaldab kontrolli ülemineku klauslit, et võrreldava ettevõtte lepingut põhjendatakse iga peamise tulemusnäitajaga ja allikatega või et ainuõiguse klausli täpne sõnastus, sealhulgas selle kehtivusaja lõpp, on täpselt reprodutseeritud. Seisukoht on seevastu hinnang, mis põhineb kontekstil, mida ükski dokument ei suuda tabada: kas konkreetne kontrolli ülemineku klausel kujutab endast praktikas takistust või on pigem läbirääkimiste punkt, kui palju ettevõte tegelikult väärt on või kummale kahest pakkujast peaks klient lõpuks lepingu andma ja kuidas kaotava pakkujaga hiljem suhelda.

Programmid, mis lõpuks ebaõnnestuvad, algavad peaaegu alati positsiooniliste probleemide lahendamisega, tavaliselt hindamismudelite või otseste tehingusoovitustega, mis põhinevad loogikal, et kõige väärtuslikum töö väärib esmast tähelepanu. Tulemus oli aga alati sama: kogenud pankurid keelduvad lihtsalt toetumast järeldustele, mida nad ei suuda ise kriitiliselt analüüsida. Ja see keeldumine on õigustatud mõjuval põhjusel. Nendel juhtudel ei olnud probleem tehnoloogias, vaid esialgse kasutusjuhtumi vales valikus.

See piir tõepoolest nihkub aja jooksul ja see nihkub just siis, kui tekib usaldus: samm-sammult, üks kontrollitud tulemus teise järel. Sellist piiride nimekirja tuleks seetõttu igal aastal üle vaadata ja kohandada, mitte jääda kivisse raiutuks. Tegelikult kaitseb see hoopis palju sagedasema ebaõnnestumise eest, mille põhjustab pelgalt väide – kui piiri nihutatakse lihtsalt ettekandes inimeste ees, kes kahtluse korral otsustavad vaikselt sellest mitte kinni pidada.

Hallatud tehisintellekti platvorm - pilt: Xpert.Digital

Siit saate teada, kuidas teie ettevõte saab kiiresti, turvaliselt ja ilma kõrgete sisenemisbarjäärideta rakendada kohandatud tehisintellekti lahendusi.

Hallatud tehisintellekti platvorm on teie kõikehõlmav ja muretu tehisintellekti lahendus. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsessidega tegelemise asemel saate spetsialiseerunud partnerilt teie vajadustele vastava valmislahenduse – sageli vaid mõne päeva jooksul.

Peamised eelised lühidalt:

⚡ Kiire teostus: Ideest kasutusvalmis rakenduseni päevade, mitte kuude jooksul. Pakume praktilisi lahendusi, mis loovad kohest lisaväärtust.

🔒 Maksimaalne andmeturve: Teie tundlikud andmed jäävad teie kätte. Garanteerime turvalise ja nõuetele vastava töötlemise ilma andmeid kolmandate osapooltega jagamata.

💸 Finantsriski pole: maksate ainult tulemuste eest. Suured esialgsed investeeringud riist- ja tarkvarasse või personali jäävad täielikult ära.

🎯 Keskendu oma põhitegevusele: Keskendu sellele, mida sa kõige paremini oskad. Meie hoolitseme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hoolduse eest.

📈 Tulevikukindel ja skaleeritav: teie tehisintellekt kasvab koos teiega. Tagame pideva optimeerimise ja skaleeritavuse ning kohandame mudeleid paindlikult uutele nõuetele.

Lisateavet leiate siit:

• Hallatud tehisintellekti platvorm

Mis juhtub, kui mitu pakkumist saabub samaaegselt?

Järjepidev läbilaskevõime vaiksetel päevadel on lõppkokkuvõttes mõttetu näitaja. Tehingumeeskonnad ei varise kunagi kokku tavalistel nädalatel – nad varisevad kokku siis, kui kolmas klient helistab kiireloomulise ja reaalajas olukorraga ning samal ajal on kogenud juht lennukis ja pole kättesaadav.

Just sel hetkel valimi suurus väheneb, teisese auditi küsimused jäävad vastuseta ja kriitilise leiu tähelepanuta jätmise oht on suurim, kuna tähelepanu on kõige hajutatud. Iga ostmist väärt tööriist peab end just selle surve all tõestama.

Seega on see just see, mida peaksite testima. Viiekümne lepingu ootamatu saabumine ajalise surve all näitab süsteemi kvaliteedi kohta rohkem kui terve kuu mugavat kasutamist tavapärases töös. Oluline on jälgida kolme asja: kas täpsus väheneb mahu suurenemisega; kas järjekord annab kasutatavaid osalisi tulemusi või sunnib kogu meeskonda ootama; ja kas süsteem kuvab avalikult seda, mida ta ise kindlalt kindlaks teha ei suutnud.

Sellise surve all on mõistlik süsteem ebakindluste märkimiseks isegi olulisem kui pelgalt tabamuste määr. Süsteem, mis annab 400 üheselt mõistetavat tulemust ja 30 juhtumit, mis on otseselt märgitud ebakindlateks, annab meeskonnale selge töönimekirja. Seevastu süsteem, mis annab 430 pealtnäha üheselt mõistetavat tulemust, millest 30 on tegelikult valed, kujutab meeskonnale reaalset vastutusriski. Pingelistes tingimustes pole kellelgi lihtsalt aega tagasiulatuvalt kindlaks teha, millist kahest lähenemisviisist nad tegelikult kasutasid.

Kuidas saab tundlikke dokumente panga enda seinte vahel hoida?

See küsimus peatab praktikas enamiku tehisintellekti programmide elluviimise – ja tavaliselt alles protsessi lõpus. Meeskond leiab tööriista, mis analüüsib lepinguid hästi, ja testib seda esialgu avalikult kättesaadavate ettevõtte teadete peal, kus reaalset riski pole. Tulemused on veenvad, seega soovitab keegi süsteemi rakendada päris andmeruumis. See käivitab kohe turvaauditi.

Tarkvarapakkuja pakub lepingulisi tagatisi: mudelit ei treenita ettevõtte enda andmetega, andmed kustutatakse 30 päeva pärast ning saadaval on ka kohandatud ettevõtte leping. Vastavusosakond esitab aga palju lihtsama ja olulisema küsimuse: kuhu dokumendid tegelikult füüsiliselt edastatakse ja kellel veel on neile juurdepääs? Aus vastus on tavaliselt: pangast väljaspool asuvasse jagatud serverisse – ja õigustatult, sellega vestlus lõpeb.

Hinnatundlik siseinfo, konfidentsiaalsed kliendiandmed, konfidentsiaalsuslepingutega hõlmatud dokumendid ja osakondadevahelised infobarjäärid, mida reguleerivad asutused hoolikalt jälgivad, muudavad selle eesmärgi vältimatuks. Tegelik viga ei seisnenud mitte pilootprojektis endas ega vastavusosakonna õigustatud ettevaatlikkuses, vaid juurutamismudeli valikus, mis poleks algusest peale suutnud seda takistust ületada.

Lõppkokkuvõttes valitsev mudel hoiab iga hindamise ja iga järelduse järjepidevalt panga enda süsteemi piirides. Iga üksiku tehingu isoleerimisega peegeldab see täpselt etteantud infobarjääre, jõustab juurdepääsukontrolli otse iga päringu korral ja peab iga üksiku suhtluse täielikku logi. Sel viisil vaadatuna saab vastavusosakonnast endast projekti eestkõneleja, mitte takistus, sest kontrollitasand vastab teise kaitseliini küsimustele juba enne, kui neid küsima peab. Selle põhimõttelise otsuse tegemine enne esimest pilootprojekti säästab lõpuks umbes kuus kuud.

Mida suured majad tegelikult kulutavad ja investeerivad

Abstraktne arutelu otsinguhalduse ja usalduse loomise üle muutub konkreetseks, kui vaadata suurimate institutsioonide tegelikke investeerimissummasid ja kasutuselevõttu. JPMorgan haldab nüüd oma ettevõttesisest LLM-saiti enam kui 200 000 töötajale, rahastades üle 400 dokumenteeritud tehisintellekti kasutusjuhtumi, mille tehnoloogiaeelarve on 2026. aastaks ligikaudu 18 miljardit dollarit. Goldman Sachs on pärast umbes 10 000 töötajaga pilootfaasi ettevõttes üle 46 000 töötaja kasutusele võtnud oma GS AI assistendi, mis põhineb OpenAI, Google'i ja Anthropicu mudelitel oma turvakihi taga, ning teatab tarkvaraarenduse tootlikkuse kasvust üle 20 protsendi. Morgan Stanley seevastu on oma finantsnõustajatele mõeldud tehisintellekti assistendiga juba saavutanud üle 98 protsendi kõigi nõustamismeeskondade kasutusmäära ja on alates 2026. aasta suvest testinud digitaalseid assistente, mis saavad klientidega ööpäevaringselt suhelda, kusjuures otsustusõigus tegelike portfelliotsuste üle jääb selgesõnaliselt inimestele.

Kõigi kolme juhtumi silmatorkav tunnus on ühine arhitektuurimuster: kättesaadavus ja otsustusõigus on tahtlikult eraldatud. Masinal on lubatud igal ajal analüüsida, kokkuvõtteid teha ja ettepanekuid teha, kuid tegelik tegutsemisõigus jääb lepinguliselt ja tehniliselt välistatud. See eraldamine on täpselt kooskõlas eelnevalt kirjeldatud piiriga kontrollitavate faktide ja tõelise ettevõtliku otsustusvõime vahel ning kinnitab empiiriliselt, et institutsioonid, millel on suurim juurutamise edu, järgivad just seda põhimõtet.

Makromajanduslikust vaatenurgast pole see enam nišinähtus. Goldman Sachsi hinnangul lähenevad tehisintellektiga seotud investeeringud Ameerika Ühendriikides 2026. aastal ligi 600 miljardile dollarile, mis võrdub umbes 2 protsendiga USA SKPst, samas kui ülemaailmsed tehisintellekti investeeringud peaksid esmakordselt ületama 1 triljoni dollari piiri. Samal ajal hoiatab sama analüüs, et ligikaudu kaks kolmandikku neist kulutustest rahastatakse olemasolevate ettevõtete eelarvete ümberjaotamise teel, mis viitab reaalsele, ehkki siiski mõõdukale, väljatõrjuvale mõjule teistele investeeringutele. Investeerimispankade jaoks tähendab see, et konkurentsisurve ise tehisintellekti investeerida kasvab, mitte ainult efektiivsuse huvides, vaid ka seetõttu, et nende endi kliendibaas, eriti tehnoloogiaettevõtted ja nende võlakirjaemissioonid, toovad selle teema juba igasse kapitaliturgude nõustamisse.

Raamistikku määratlevad regulatiivsed nõuded

Paralleelselt investeerimisbuumiga on muutumas ka nende süsteemide käitamise regulatiivne maastik. Euroopa tehisintellekti seadus sätestas algselt, et finantssektori kõrge riskiga rakendused, näiteks üksikisikute krediidivõimelisuse hindamised, peavad olema täielikult vastavustestitud, dokumenteeritud ja kohustusliku inimjärelevalve all hiljemalt 2. augustiks 2026. Nn tehisintellekti digitaalne omnibus lükkas seda tähtaega aga 2026. aasta suvel kuueteistkümne kuu võrra edasi 2. detsembrile 2027, kuna vajalikud tehnilised testimisstandardid lihtsalt polnud õigeks ajaks kättesaadavad. Investeerimispanganduse põhitegevuste – ühinemis- ja omandamisnõustamine, kapitalituru emissioonid ja hoolsuskohustus – puhul on see kõrge riskiga klassifikatsioon suures osas ebaoluline, kuna need keskenduvad peamiselt laenudele, kindlustushinnakujundusele ja biomeetrilistele rakendustele. Sellest hoolimata on alates 2026. aasta augustist kehtestatud põhimõtteline läbipaistvuskohustus: tehisintellekti süsteemide toetatav või loodud kliendisuhtlus peab olema sellisena tuvastatav, mis on oluline ka automaatselt genereeritud analüüside ja pankade kliendikirjavahetuse puhul.

Ameerika Ühendriikides järgib väärtpaberite ja börsikomisjon (SEC) tehnoloogianeutraalset, kuid oluliselt rangemat auditeerimismeetodit. 2026. aasta auditiprioriteedid määratlevad investeerimisnõustamise, vastavusprotsesside ja kliendisuhtluse tehisintellekti süsteemid selgesõnaliselt peamise fookusvaldkonnana. Institutsioonid peavad näitama iga kasutusele võetud tehisintellekti süsteemi optimeerimise eesmärki ja seda, kas see võib tekitada huvide konflikte panga ja kliendi vahel. Samuti pööratakse suuremat tähelepanu lepingute läbivaatamisele väliste tehisintellekti pakkujatega, eriti seoses sellega, kas kliendiandmeid kasutatakse kolmandate osapoolte mudelite koolitamiseks. See vastab täpselt artiklis kirjeldatud vastavustakistusele, mis käsitleb väliselt hostitud andmeruumi lahendusi. Seega liiguvad mõlemad regulatiivsed režiimid samas suunas: mitte tehisintellekti keelustamine, vaid pigem kontrolli, andmete päritolu ja lõpliku inimliku vastutuse kohustuslik dokumenteerimine.

Ebamugav negatiivne külg: töötajate koondamised ja skeptitsism

Tehisintellekti narratiiv kui pelgalt efektiivsuse kasvu ignoreerib ebamugavat reaalsust, mida arutatakse üha avatumalt. McKinsey partneri Debasish Patnaiki sõnul kärbivad pangad juba oma algtaseme analüütikute programme kuni kahe kolmandiku võrra, samal ajal värvatakse umbes 62 protsenti vajalikest tehisintellekti spetsialistidest just nendest samadest madalamatest ametikohtadest. See tõstatab struktuurilise küsimuse, mille algne artikkel tahtlikult välja jätab: kui noorte pankurite traditsiooniline koolitus põhines väga tüütul lugemistööl, mida nüüd automatiseeritakse, siis kust tulevad järgmised kogenud otsustajate põlvkonnad, kui neilt võetakse ära teabe kogumise koolitusbaas? See küsimus jääb praeguses arutelus suures osas vastuseta ja osutub tõenäoliselt lähiaastatel üheks automatiseerimise tegelikuks riskiks, ulatudes kaugemale pelgalt andmete privaatsuse või täpsusega seotud muredest.

Lisaks on olemas metodoloogiline hoiatus, mida Goldman Sachs ise tunnistab: tehisintellekti investeerimislaine makromajanduslik panus sisemajanduse koguprodukti ja sellega seotud nihkemõjud teistele investeeringutele on üldiselt väiksemad, kui avalikus arutelus sageli eeldatakse. Üksikute pankade jaoks tähendab see järgmist: need, kes toetuvad üksnes praegustele suundumustele ja teevad ulatuslikke tehisintellekti teadaandeid, järgimata artiklis kirjeldatud distsipliini automatiseerimise piirangute, allika kontrollimise ja andmete suveräänsuse osas, riskivad lõpuks just usalduse kaotusega, mille võib vallandada üks vale ja põhjendamata tulemus.

Miks investeerimispanganduse reaalne tootlus ei tulene tehisintellekti näitamise efektidest

Tehisintellekti majanduslik kasu investeerimispanganduses ei tulene suurejoonelistest teadaannetest või täielikult autonoomse tehingute töötlemise lubadusest. See tekib seal, kus pankadel on julgust ausalt eristada kontrollitavaid fakte ja tegelikku ärilist otsustusvõimet ning see eristus järjepidevalt süsteemidesse, protsessidesse ja juurdepääsureeglitesse tõlkida. JPMorgani, Goldman Sachsi ja Morgan Stanley tegelikud arvud näitavad, et kõige produktiivsema juurutamise saavutavad just need institutsioonid, mis rangelt eraldavad kättesaadavuse ja otsustusõiguse ning mõistavad regulatiivse dokumentatsiooni nõudeid pigem vahendina kui takistusena. Institutsioonid, mis seda teed lähevad, ei ole edukamad mitte sellepärast, et nende tehnoloogia tundub muljetavaldavam, vaid sellepärast, et nad vabastavad oma pankurite tegeliku väärtusloome pelga teabe kogumise ajalõksust ja suunavad selle tagasi sellele, mille eest kliendid on tõeliselt nõus maksma: usaldusväärsele, läbipaistvale ja lõppkokkuvõttes inimlikule otsustusvõimele.

Konrad Wolfenstein

Mul oleks hea meel olla teie isiklik nõustaja.

Võite minuga ühendust võtta aadressil wolfenstein∂xpert.digital või

Helista mulle lihtsalt numbril +49 7348 4088 965 .

LinkedIn