Η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (Machine Learning, ML) χρησιμοποιούνται στον χρηματοοικονομικό τομέα εδώ και μια δεκαετία, συμβάλλοντας στη βελτιστοποίηση πολλών υπηρεσιών, όπως η αντασφάλιση και τα μοντέλα πρόβλεψης απάτης. Η μετεξέλιξη αυτών των τεχνολογιών είναι το Generative AI. Ενώ το AI και το ML επικεντρώνονται στο να κάνουν προβλέψεις ή ταξινομήσεις με βάση τα υπάρχοντα δεδομένα, το Generative AI, μέσω μεγάλων γλωσσικών μοντέλων (LLM), επιτρέπει τη δημιουργία νέου και καινοτόμου περιεχομένου.
Εχοντας την ικανότητα να αυτο-εκπαιδεύονται (σε αμέτρητα μη δομημένα δεδομένα, σε συνδυασμό με την απεριόριστη υπολογιστική ισχύ), αυτά τα μοντέλα μπορούν να συνδράμουν στον ριζικό μετασχηματισμό του χρηματοοικονομικού τομέα. Το ενδιαφέρον μάλιστα είναι ότι ενώ στο παρελθόν ο συγκεκριμένος τομέας άργησε να υιοθετήσει ιστορικές καινοτομίες, όπως το Διαδίκτυο, τα κινητά τηλέφωνα και το cloud, σήμερα ο κλάδος αυτός αναμένεται να επωφεληθεί κατά το πλείστον. Ηδη οι καλύτερες νέες FinTech εταιρείες, καθώς και καταξιωμένοι χρηματοοικονομικοί οργανισμοί, ενστερνίζονται και εντάσσουν το Generative AI στις λειτουργίες τους.
Αυτές οι εταιρείες μάλιστα διαθέτουν τεράστιες ποσότητες ιστορικών δεδομένων. Εάν τις χρησιμοποιούν σωστά για να τελειοποιήσουν (ή να εκπαιδεύσουν από την αρχή, όπως κάνει το BloombergGPT) τα LLM συστήματά τους, από τη μία θα βελτιστοποιήσουν εσωτερικά πολύπλοκες και χρονοβόρες διαδικασίες και από την άλλη θα έχουν απαντήσεις σε οποιαδήποτε ερώτηση οικονομικού περιεχομένου, που θα τους επιτρέψει να γίνουν περισσότερο αποτελεσματικές και αποδοτικές.
Πιο συγκεκριμένα, το Generative AI αναμένεται να μετασχηματίσει τον χρηματοοικονομικό τομέα σε πέντε βασικούς άξονες, κάνοντας:
1) Πιο εξειδικευμένη την εμπειρία των καταναλωτών.
2) Οικονομικά πιο αποδοτική τη λειτουργία επιχειρήσεων.
3) Πιο αποδοτική τη διασφάλιση ποιότητας.
4) Καλύτερη τη διαχείριση ρίσκου.
5) Περισσότερο δυναμική τη δυνατότητα προβλέψεων και αναφορών.
Εξειδικευμένη εμπειρία καταναλωτών
Πολλές τράπεζες, αλλά και γενικότερα ο χρηματοοικονομικός κλάδος, χρησιμοποιούν ήδη εργαλεία όπως το chatbot. Με τη βοήθεια του Generative AI, αυτά τα εργαλεία αναμένεται να εκπαιδευτούν και να αρχίσουν να ανταποκρίνονται σε όλο και πιο πολύπλοκες ερωτήσεις, φτάνοντας στο σημείο να αναλαμβάνουν πλήρως διαδικασίες όπως το know-your-customer. Δεν είναι μακριά η μέρα που θα μπορούμε να ανοίξουμε έναν τραπεζικό λογαριασμό χωρίς να μιλήσουμε σε κάποιον εκπρόσωπο εξυπηρέτησης πελατών (ΕΕΠ).
Την ίδια στιγμή, αυτό δεν σημαίνει ότι δεν θα χρειαστεί να ζητήσουμε ποτέ ξανά από ένα chatbot να μας συνδέσει με κάποιον εκπρόσωπο για να συνεννοηθούμε «σαν άνθρωποι». Απλώς με τη χρήση αυτής της τεχνολογίας, η εκπαίδευση καθώς και η ταχύτητα εξυπηρέτησης των ΕΕΠ θα γίνει πιο αποτελεσματική.
Φανταστείτε, για παράδειγμα, ένα LLM που έχει αφομοιώσει το ιστορικό συνομιλιών εξυπηρέτησης πελατών μιας εταιρείας τα τελευταία 10 χρόνια, καθώς και τα στοιχεία και τις προδιαγραφές του κάθε προϊόντος. Εχοντας πρόσβαση σε αυτό το μοντέλο, ένας ΕΕΠ θα μπορούσε να δώσει άμεσα και αποτελεσματικά απάντηση σε οποιαδήποτε ερώτηση τού τεθεί, χωρίς να χρειαστεί να περάσει ατελείωτες ώρες εκπαίδευσης.
Οικονομικά αποδοτική λειτουργία επιχειρήσεων
Το Generative AI αναμένεται να οδηγήσει σε μια δραματική αλλαγή στον τρόπο που λειτουργούν καταξιωμένες εταιρείες του χώρου και να βοηθήσει FinTech startups να πάρουν μερίδιο της αγοράς.
Στις μέρες μας, η έγκριση ή όχι ενός δανείου είναι μια κοστοβόρα και χρονοβόρα διαδικασία. Οι υπεύθυνοι δανείων είναι αναγκασμένοι να περνούν πολλές ώρες αντλώντας πληροφορίες από δεκάδες διαφορετικές βάσεις δεδομένων για να δημιουργήσουν έναν ολοκληρωμένο φάκελο. Ολη αυτή η διαδικασία θα μπορούσε να απλουστευτεί και να κάνει πιο οικονομικά αποδοτική τη λειτουργία μιας επιχείρησης, εκπαιδεύοντας απλά το Generative AI να τραβάει πληροφορίες από όλες αυτές τις βάσεις, να τις συνδυάζει με μη αριθμητικά στοιχεία, όπως ένα επιχειρηματικό σχέδιο, και να δημιουργεί αυτόματα έναν φάκελο με βάση το όνομα του κάθε δανειολήπτη. Καθώς βέβαια το Generative AI δεν διαθέτει (ακόμα) κριτική σκέψη, οι υπεύθυνοι δανείων θα συνεχίσουν να είναι απαραίτητοι για να επιβλέπουν και να εγκρίνουν τα δάνεια. Θα μπορούν όμως να το κάνουν με περισσότερη ακρίβεια και αποτελεσματικότητα, σε λιγότερο χρόνο, αυξάνοντας έτσι τον αριθμό των δανείων που εγκρίνονται και τα έσοδα της τράπεζας.
Αποδοτική διασφάλιση ποιότητας
Μεγάλο μέρος της διασφάλισης ποιότητας σε τράπεζες και FinTech εταιρείες περιλαμβάνει τη συμμόρφωση με πολλές διαφορετικές ρυθμιστικές αρχές. Το Generative AI μπορεί να επιταχύνει αυτή τη διαδικασία διασφάλισης ποιότητας, βελτιστοποιώντας διαδικασίες όπως ο έλεγχος και η ανάλυση εγγράφων, και η αποτροπή διακίνησης «μαύρου» χρήματος.
Για παράδειγμα, ένα σύστημα που έχει εκπαιδευτεί διαβάζοντας τις αναφορές ύποπτης δραστηριότητας (Suspicious Activity Reports) μιας εταιρείας που έχουν εκδοθεί τα τελευταία 10 χρόνια, θα μπορεί να αναγνωρίζει και να υποδεικνύει πιθανώς παράνομες μελλοντικές συναλλαγές.
Καλύτερη διαχείριση ρίσκου
Αν και δεν έχει ακόμα τη δυνατότητα να εξαλείψει πιστωτικούς κινδύνους, προβλήματα ρευστότητας ή άλλα λειτουργικά ρίσκα στις αγορές, το Generative AI μπορεί να βοηθήσει στην ανάλυση –υποθετικών και μη– σεναρίων και στη διαχείριση ρίσκου κάτω από διαφορετικές οικονομικές συνθήκες. Ετσι λοιπόν χρηματοοικονομικοί οργανισμοί χρησιμοποιούν αυτήν την τεχνολογία για να κάνουν προσομοιώσεις και να σχεδιάσουν το πώς θα ανταποκριθούν γρήγορα και αποτελεσματικά σε τέτοιου είδους καταστάσεις.
Θα είχε ενδιαφέρον να δούμε πώς το Generative AI θα πρότεινε σε μια εταιρεία να αντιμετωπίσει το ρίσκο μιας ενδεχόμενης πανδημίας, αντίστοιχη με της COVID-19, με βάση τα δεδομένα που έχουμε πλέον στα χέρια μας.
Δυναμικές προβλέψεις και αναφορές
Η καθημερινή εσωτερική οργάνωση πολλών οικονομικών εταιρειών στηρίζεται ακόμα σε μη αυτόματες διαδικασίες όπως το Excel ή άλλα BI προγράμματα, που απαιτούν ανθρώπινη παρέμβαση για την εισαγωγή δεδομένων και τήρηση αρχείων.
Φανταστείτε λοιπόν πόσο πιο αποδοτική μπορεί να γίνει μια εταιρεία που χρησιμοποιεί το Generative AI για: α) να βελτιώσει ή να γράψει από την αρχή, σε Excel, SQL κ.λπ., φόρμουλες ανάλυσης δεδομένων, με βάση τις τάσεις στην αγορά και συγκεκριμένα μοτίβα από μια ευρύτερη βάση δεδομένων και β) να κάνει πιο δυναμική τη διαδικασία αποφάσεων, μετατρέποντας αυτόματα αυτά τα δεδομένα σε παρουσιάσεις με γραφήματα, και προτείνοντας άμεσα συγκεκριμένες δράσεις.
Συνοψίζοντας, το Generative AI αναμένεται να οδηγήσει σε μια δραματική αλλαγή στον τρόπο που λειτουργούν καταξιωμένες χρηματοοικονομικές εταιρείες στον χώρο και την ίδια στιγμή, να βοηθήσει καινοτόμες FinTech startups να πάρουν ένα μερίδιο της αγοράς. Σε αυτήν τη μάχη, οι καταξιωμένες εταιρείες αναμένεται να έχουν αρχικά ένα πλεονέκτημα, καθώς με την πρόσβαση που έχουν σε ιδιόκτητα οικονομικά δεδομένα θα μπορέσουν να χρησιμοποιήσουν το Generative AI για να λανσάρουν νέα προϊόντα και να βελτιώσουν τις λειτουργίες τους. Στη συνέχεια όμως, ο γραφειοκρατικός τρόπος λειτουργίας τους και η ανάγκη τους να παίρνουν αποφάσεις με βάση ασφαλείς και σίγουρες πληροφορίες, πιθανότατα θα παρεμποδίσει την εξέλιξή τους. Οι startups από την άλλη μεριά, αν και αρχικά θα χρειαστεί να χρησιμοποιήσουν δημόσια οικονομικά δεδομένα για να εκπαιδεύσουν τα LLM μοντέλα τους, σε σύντομο χρονικό διάστημα θα μπορέσουν να δημιουργήσουν τα δικά τους δεδομένα, χρησιμοποιώντας την τεχνητή νοημοσύνη ως οδηγό για την επανάσταση του κλάδου.
Οπως και να έχει, οι καταναλωτές καινοτόμων μελλοντικών χρηματοοικονομικών υπηρεσιών είναι αυτοί που σίγουρα θα βγουν κερδισμένοι στο μέλλον.
Ο κ. Ιάσων Μανωλόπουλος είναι συνιδρυτής της εταιρείας επενδύσεων L-Stone Capital και συγγραφέας του βιβλίου «Το “επαχθές” χρέος της Ελλάδας».