Вештачка интелигенција у инвестиционом банкарству: Машине читају, људи одлучују – ко заиста побеђује?

Вештачка интелигенција у инвестиционом банкарству: Ово су задаци у којима алгоритми (и даље) несрећно пропадају

Креативне структуре послова, трансакције вредне више милиона долара и визионарско просуђивање – тако инвестиционе банке воле да пласирају своје услуге. Али стварност за млађе аналитичаре, далеко од сјајних презентација, често изгледа сасвим другачије: бескрајне ноћи у виртуелним собама података, ручно прегледавање стотина ПДФ-ова уговора и мукотрпно пребацивање бројки у сложене Ексел моделе. Управо у овој нескладности између скупо плаћене стручности и заморног прикупљања информација, вештачка интелигенција (ВИ) тренутно открива свој највећи потенцијал.

Иако гиганти са Вол Стрита, попут Џеј Пи Моргана и Голдман Сакса, већ дуго улажу десетине милијарди долара у системе вештачке интелигенције како би ослободили своје аналитичаре пуких досадних задатака, стварност слика сурову слику: не може свака високо хваљена технологија да издржи неумољиви темпо и притисак правог посла спајања и аквизиције. Штавише, аутоматизација поставља дубока питања: Ако алгоритми преузму истраживање у будућности, како ће следећа генерација банкара научити свој занат? И у ком тренутку ће искусни посредник у склапању послова уопште веровати анализи машине? Овај чланак непоколебљиво испитује које апликације вештачке интелигенције заправо функционишу у високо регулисаном финансијском сектору, где се аутоматизација мора намерно зауставити и зашто слепо веровање у технологију без чврстих доказа брзо постаје огроман ризик по одговорност.

Докази уместо гласина: Када врхунски банкари заиста верују резултатима вештачке интелигенције

Инвестиционе банке званично продају процену, односе и креативне структуре пословања. Међутим, поглед на стварни свакодневни рад младих аналитичара открива потпуно другачију слику: претраживање соба података, мукотрпно пребацивање бројки из ПДФ докумената у Ексел моделе, тражење старих презентација које је банка креирала пре три године за сличног клијента.

Управо у овој неслаганости лежи суштина проблема. Инвестиционо банкарство продаје процену, али огромну већину радног времена млађих запослених троши једноставно на прикупљање информација. Управо у овој разлици између онога што клијенти заправо плаћају и на шта се радни сати заправо троше употреба вештачке интелигенције у инвестиционом банкарству постаје економски исплатива.

У том смислу, вреди детаљније погледати како финансијске институције заправо могу искористити вештачку интелигенцију за опипљиве пословне користи. Кратак одговор је следећи: банке које овде побеђују нису оне са најсмелијим презентацијама стратегије. То су оне које су доследно користиле машине за читање и претраживање докумената, док су стварну процену препустиле људима и управљале целим процесом унутар сопствених контролисаних системских граница.

Невидљива цена једноставног прикупљања информација

Разлог зашто се нико не бави овим проблемом је тај што се нигде не појављује као посебна ставка трошкова. Плате су већ урачунате у буџет, аналитичари су већ ангажовани и распоређени. Читање и преглед докумената је управо оно за шта су првобитно купљени радни сати – труд стога остаје невидљив као и закупнина након што се уговор о закупу потпише.

Међутим, када се узме у обзир стварни трошак овог скривеног напора, проблем брзо постаје очигледан. То доводи до случајних провера уместо свеобухватних прегледа, јер темељно читање сваког појединачног уговора у соби података ионако никада није било финансијски исплативо. То резултира застарелим профилима компанија, јер ажурирање четрдесет профила по кварталу редовно губи у конкуренцији са текућим, хитним трансакцијама. И то доводи до тога да се обећавајући послови чак ни не склапају, јер је тим већ потпуно заузет текућим трансакцијама. Свака од ових одлука се ефикасно доноси због временског ограничења, а не од стране банкара лично.

Аспект обима овог проблема постаје све акутнији. Активност вођена финансијским спонзорима расте упоредо са растом тржишта приватног капитала, а аналитичари компаније Preqin предвиђају да ће глобална имовина у алтернативним класама имовине достићи приближно 32 билиона долара до 2030. године. То се претвара у више трансакционих процеса, конкурентније процесе лицитирања и више дужне пажње по банкару него што било који план запошљавања може реално да прихвати. Банке које наставе да прихватају овај скривени трошак видеће да га сваке године плаћају све више. Насупрот томе, они који могу да прошире своју покривеност без повећања своје трошковне базе су они који су престали да посматрају заморно прегледавање докумената као неку врсту иницијацијског обреда за млађе аналитичаре.

Које вештачке интелигенције (AI) апликације заправо издржавају практична испитивања?

Нису сви случајеви употребе подједнако спремни за продуктивно примењивање, а редослед којим се обрађују је важнији од самог техничког избора софтвера. Три критеријума филтера помажу у брзој класификацији.

Прво и најважније је количина. Требало би да изаберете групу докумената која се стално и редовно акумулира, а не само повремено, јер ток рада који се покреће само два пута годишње никада неће стећи довољно искуства да би се изградило истинско поверење. Друго је поновљивост: иста информативна поља, увек упитана на исти начин, у документима који се разликују по формулацији, али једва по структури. Треће и најважније је проверљивост. Желите да добијете резултат који неко може да упореди са извором у року од неколико секунди, јер је управо та провера оно што на крају убеђује скептике.

Примена ова три филтера резултира тиме да скоро свака банка има исту кратку листу приоритета. Соби података постижу највиши резултат, због чега се интелигентна анализа докумената о дужној пажњи обично прва спроводи. Интерни прецедентни документи следе на другом месту, јер је сопствена историја банке огромна, бескрајно заморна за претрагу, али тривијално проверљива када се једном лоцира. Регулаторни поднесци за континуирано праћење тржишта су на трећем месту. Све чији резултат представља мишљење или процену аутоматизује се последње – више о томе касније.

Када искусан банкар верује резултатима машине?

У суштини, све се своди на једну кључну карактеристику: свака тврдња мора бити поткрепљена својим извором, а провера тог извора не сме трајати дуже од десет секунди. Ово може звучати као ситан детаљ у дизајну производа, али то је заправо целокупно обећање производа.

Анализа која тврди да је ограничење одговорности у уговору 12 процената од куповне цене је у почетку само тврдња. Међутим, анализа која наводи исту ствар и директно се позива на страну 84 трећег амандмана на уговор је доказ. Прва захтева слепо поверење, друга практично позива на верификацију – а то је управо оно што потпредседник жели да уради са било којом информацијом која се тиче текуће трансакције.

Може се посматрати како се поверење развија сасвим природно под овим условима. Потпредседник прегледа првих двадесет резултата и свих двадесет пролазе кроз проверу. Следећи пут, проверава се само десет од педесет резултата. Приликом друге обраде посла, он проверава само резултате који га изненађују, а остале прихвата без даљег прегледа. Нико није званично одобрио ову промену у понашању – она је једноставно настала зато што су прегледи доследно давали чисте резултате, а ниједна продајна презентација произвођача софтвера никада не би могла да изазове овај ниво поверења.

Нажалост, супротно је подједнако поуздано. Један, самоуверено формулисан, али нетачан одговор без проверљивог извора може уназадити пројекат више од целог месеца застоја система, јер се прича о овој грешци шири кроз целу организацију. Читав ланац обраде, од документа до одлуке, зависи од природе извора на које се може цитирати, а систем који пружа одговоре без ових доказа на крају производи само гласине.

Где аутоматизација мора намерно достићи своје границе?

Сваком реномираном програму вештачке интелигенције потребна је јасно дефинисана листа онога што не треба аутоматизовати – идеално би било да се успостави пре првог пилот пројекта. Машине пружају доказе, људи дају ставове и процене. Ова листа граница је место где се ова разлика експлицитно повлачи, уместо да се болно открива усред текућег, критичног процеса.

Један доказ се може проверити: да сваки појединачни уговор у соби података садржи клаузулу о промени контроле, да је упоредива компанија поткрепљена сваким појединачним кључним индикатором учинка и поткрепљена изворима, или да је тачна формулација клаузуле о ексклузивности, укључујући њен датум истека, тачно репродукована. С друге стране, став је процена заснована на контексту који ниједан документ не може да обухвати: да ли одређена клаузула о промени контроле заправо представља препреку у пракси или је више тачка преговора, колико компанија заиста вреди, или ком од два понуђача клијент треба на крају да додели уговор и како се након тога поступа са понуђачем који је изгубио.

Програми који на крају пропадну скоро увек почињу решавањем позиционих проблема, обично модела вредновања или директних препорука за трансакције, заснованих на логици да највреднији рад заслужује најранију пажњу. Резултат је, међутим, увек био исти: искусни банкари једноставно одбијају да се ослоне на закључке које сами не могу критички испитати. И ово одбијање је оправдано с добрим разлогом. У овим случајевима, проблем није била технологија, већ погрешан избор почетног случаја употребе.

Ова граница се временом помера, и помера се баш како се развија поверење: корак по корак, један проверен резултат за другим. Такву листу граница стога треба преиспитати и прилагођавати годишње, а не остати уклесана у камену. Оно од чега она заправо штити јесте далеко чешћи неуспех изазван пуком тврдњом – када се граница једноставно помери у презентацији, пред људима који, у случају сумње, једноставно тихо одлуче да је се не придржавају.

Управљана AI платформа - Слика: Xpert.Digital

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Управљана AI платформа

Шта се дешава када више понуда стигне истовремено?

Константан проток података током мирних дана је на крају бесмислена метрика. Тимови за преговоре никада не пропадају током просечних недеља – пропадају када трећи купац позове са хитном, активном ситуацијом, а истовремено је искусни руководилац у авиону и недоступан.

Управо у овом тренутку се величина узорка смањује, питања секундарне дужне пажње остају без одговора, а ризик од превиђања кључног налаза је највећи јер је пажња најразблаженија. Сваки алат вредан куповине мора се доказати под овим тачним притиском.

Стога је управо ово оно што би требало да тестирате. Изненадни прилив од педесет уговора под временским притиском открива више о квалитету система него цео месец удобног коришћења у нормалном раду. Три ствари су кључне за посматрање: да ли се тачност смањује са повећањем обима; да ли ред чекања даје употребљиве делимичне резултате или једноставно приморава цео тим да чека; и да ли систем отворено приказује оно што сам није могао са сигурношћу да утврди.

Под таквим притиском, разуман систем за обележавање неизвесности је чак важнији од чисте стопе погодака. Систем који даје 400 недвосмислених резултата и 30 случајева експлицитно означених као неизвесни пружа тиму јасну радну листу. Насупрот томе, систем који даје 430 наизглед недвосмислених резултата, од којих је 30 заправо погрешно, представља тиму стварни ризик од одговорности. Под стресним условима, нико једноставно нема времена да ретроспективно утврди који је од два приступа заправо усвојио.

Како се осетљиви документи могу чувати унутар зидова банке?

Ово питање доводи до застоја већине програма вештачке интелигенције у пракси – и обично тек касно у процесу. Тим проналази алат који добро анализира уговоре и прво га тестира на јавно доступним саопштењима компанија где не постоји стварни ризик. Резултати су убедљиви, па неко предлаже примену система у правој, живој соби података. Ово одмах покреће безбедносну ревизију.

Добављач софтвера нуди уговорне гаранције: нема обуке модела са сопственим подацима компаније, брисање након тридесет дана, а доступан је и прилагођени корпоративни уговор. Међутим, одељење за усклађеност поставља много једноставније и кључније питање: где се документи заправо физички преносе и ко још има приступ њима? Искрен одговор је обично: на дељени сервер ван банке – и с правом, ту се разговор завршава.

Инсајдерске информације осетљиве на цену, поверљиви подаци о клијентима, документи који подлежу споразумима о поверљивости и информационе баријере између одељења, које пажљиво испитују регулаторна тела, чине овај крај неизбежним. Права грешка није лежала у самом пилот пројекту или у оправданом опрезу одељења за усклађеност, већ у избору модела примене који никада не би могао да превазиђе ову препреку од самог почетка.

Модел који на крају превладава држи сваку евалуацију и сваки закључак доследно унутар граница сопственог система банке. Својом изолацијом сваке појединачне трансакције, он прецизно одражава прописане информационе баријере, директно спроводи контроле приступа са сваким упитом и води комплетан дневник сваке појединачне интеракције. Посматрано на овај начин, одељење за усклађеност само постаје заговорник пројекта, а не препрека, јер ниво контроле одговара на питања друге линије одбране чак и пре него што их треба поставити. Доношење ове фундаменталне одлуке пре првог пилот пројекта на крају штеди око шест месеци.

Шта велике куће заправо троше и улажу

Апстрактна дискусија о управљању претраживањем и изградњи поверења постаје конкретна када се погледају стварни инвестициони износи и имплементације највећих институција. JPMorgan сада управља својим интерним LLM пакетом за више од 200.000 запослених, финансирајући преко 400 документованих случајева употребе вештачке интелигенције са технолошким буџетом од приближно 18 милијарди долара за 2026. годину. Goldman Sachs је, након пилот фазе са око 10.000 запослених, имплементирао свој GS AI Assistant, који је заснован на моделима OpenAI, Google и Anthropic иза сопственог безбедносног слоја, за приближно 46.000 запослених широм компаније и извештава о повећању продуктивности од преко 20 процената у развоју софтвера. Morgan Stanley је, с друге стране, већ постигао стопу коришћења од преко 98 процената свих саветодавних тимова са својим AI асистентом за финансијске саветнике и тестира дигиталне асистенте од лета 2026. године који могу да комуницирају са клијентима 24 сата дневно, при чему овлашћење за доношење одлука о стварним одлукама о портфолију експлицитно остаје на људима.

Упечатљива карактеристика сва три случаја је заједнички архитектонски образац: доступност и овлашћење за доношење одлука су намерно раздвојени. Машини је дозвољено да анализира, сумира и сугерише у било ком тренутку, али овлашћење за стварно деловање остаје уговорно и технички искључено. Ово раздвајање се прецизно поклапа са претходно описаном границом између проверљивих чињеница и истинског предузетничког просуђивања и емпиријски потврђује да се институције са највећим успехом у имплементацији придржавају управо овог принципа.

Из макроекономске перспективе, ово више није нишни феномен. Голдман Сакс процењује да ће укупне инвестиције везане за вештачку интелигенцију у Сједињеним Државама достићи скоро 600 милијарди долара у 2026. години, што је еквивалентно отприлике 2 процента БДП-а САД, док се очекује да ће глобалне инвестиције у вештачку интелигенцију први пут премашити 1 билион долара. Истовремено, иста анализа упозорава да ће приближно две трећине ових расхода бити финансирано прерасподелама унутар постојећих корпоративних буџета, што указује на стваран, мада и даље умерен, ефекат истисњивања на друге инвестиције. За инвестиционе банке то значи да конкурентски притисак да саме инвестирају у вештачку интелигенцију расте, не само због ефикасности, већ и зато што њихова сопствена база клијената, посебно технолошке компаније и њихове емисије обвезница, већ уносе ову тему у свако саветодавно извештавање о тржиштима капитала.

Регулаторни захтеви који дефинишу оквир

Паралелно са инвестиционим бумом, мења се и регулаторни пејзаж за рад ових система. Европски закон о вештачкој интелигенцији првобитно је предвиђао да апликације високог ризика у финансијском сектору, као што су процене кредитне способности појединаца, морају бити у потпуности тестиране на усклађеност, документоване и подвргнуте обавезном људском надзору до 2. августа 2026. године. Међутим, такозвани Дигитални омнибус о вештачкој интелигенцији одложио је овај рок за шеснаест месеци, на 2. децембар 2027. године, током лета 2026. године, јер неопходни технички стандарди тестирања једноставно нису били доступни на време. За основне активности инвестиционог банкарства – саветовање о спајањима и аквизицијама, емисије на тржишту капитала и дужну пажњу – ова класификација високог ризика је углавном ирелевантна, јер се оне првенствено фокусирају на кредитирање, одређивање цена осигурања и биометријске апликације. Ипак, основна обавеза транспарентности је на снази од августа 2026. године: Комуникација са клијентима коју подржавају или креирају системи вештачке интелигенције мора бити препознатљива као таква, што је такође релевантно за аутоматски генерисане анализе и преписку са клијентима од банака.

У Сједињеним Државама, Комисија за хартије од вредности и берзе (SEC) следи технолошки неутралан, али знатно строжији приступ ревизији. Приоритети ревизије за 2026. годину експлицитно идентификују системе вештачке интелигенције у инвестиционим саветима, процесима усклађености и комуникацији са клијентима као кључну област фокуса. Институције морају да демонстрирају циљ оптимизације који тежи сваком имплементираном систему вештачке интелигенције и да ли би то могло да створи сукоб интереса између банке и клијента. Прегледи уговора са екстерним добављачима вештачке интелигенције такође добијају већу пажњу, посебно у вези са тим да ли се подаци о клијентима користе за обучавање модела трећих страна. Ово управо одговара препреци усклађености описаној у чланку који се тиче екстерних решења за собе података. Оба регулаторна режима се стога крећу у истом смеру: не забрана вештачке интелигенције, већ обавезна документација контроле, порекла података и крајње људске одговорности.

Неугодна мана: смањење броја запослених и скептицизам

Наратив о вештачкој интелигенцији као чистом повећању ефикасности игнорише непријатну реалност о којој се расправља са све већом отвореношћу. Према речима партнера у McKinsey-ју, Дебасиша Патнаика, банке већ смањују своје програме аналитичара почетног нивоа за чак две трећине, док се истовремено отприлике 62 процента потребних стручњака за вештачку интелигенцију регрутује управо из тих истих млађих рангова. Ово покреће структурно питање које оригинални чланак намерно изоставља: ​​Ако се традиционална обука младих банкара ослањала на веома заморно читање које се сада аутоматизује, одакле ће доћи следеће генерације искусних доносилаца одлука ако су лишене полигона за обуку прикупљања информација? Ово питање остаје углавном без одговора у тренутној дебати и вероватно ће се показати као један од стварних ризика аутоматизације у наредним годинама, који се протеже далеко изван пуких питања приватности података или тачности.

Штавише, постоји методолошко упозорење, које и сам Голдман Сакс признаје: макроекономски допринос таласа инвестиција у вештачку интелигенцију бруто домаћем производу и повезани ефекти померања на друге инвестиције су, генерално, мањи него што се често претпоставља у јавној дебати. За појединачне банке, то значи: Они који се ослањају искључиво на тренутне трендове и дају свеобухватне најаве о вештачкој интелигенцији без поштовања дисциплине описане у чланку у вези са ограничењима аутоматизације, верификацијом извора и суверенитетом података, на крају ризикују управо губитак поверења који може да покрене један лажан, неутемељен резултат.

Зашто стварни приноси у инвестиционом банкарству не долазе од ефеката вештачке интелигенције

Економске користи од вештачке интелигенције у инвестиционом банкарству не произилазе из спектакуларних најава или обећања о потпуно аутономној обради трансакција. Оне настају тамо где банке имају храбрости да искрено разликују проверљиве чињенице од истинске пословне процене и доследно преводе ову разлику у системе, процесе и правила приступа. Стварне бројке из JPMorgan-а, Goldman Sachs-а и Morgan Stanley-ја показују да су институције које постижу најпродуктивније примене управо оне које строго раздвајају доступност и овлашћења за доношење одлука и схватају захтеве за регулаторну документацију као алат, а не као препреку. Институције које крену овим путем неће бити успешније зато што њихова технологија делује импресивније, већ зато што ослобађају стварно стварање вредности својих банкара од временске замке пуког прикупљања информација и преусмеравају га назад на оно за шта су купци заиста спремни да плате: здрав, транспарентан и на крају људски суд.

Konrad Wolfenstein

Било би ми драго да вам будем лични саветник.

Можете ме контактирати на wolfenstein∂xpert.digital или

Само ме позовите на +49 7348 4088 965 .

ЛинкедИн