Jay Venkateswaran, leder af bank- og finansielle tjenester hos WNS – interview

Jay Venkateswaran, leder af forretningsområdet bank- og finansielle tjenester, har ansvaret for strategi, vækst og økonomisk performance. Før han sluttede sig til WNS, var han rådgivningspartner hos AT Kearney. Som en betroet partner inden for forretningsomdannelse og -tjenester, WNS kombinerer unikt domæneekspertise med et samlet digitalt økosystem, der integrerer Analytics, Hyperautomation og AI for at skabe markedsdifferentiering for kunder.

Redaktionel note: Svarene nedenfor er interviewpersonens vurderinger. Banker skal selv dokumentere modelkvalitet, datagrundlag, bias, sikkerhed, forklarlighed, menneskeligt tilsyn og overholdelse af gældende regler, før AI bruges i beslutninger om kunder.

Generativ AI transformerer hurtigt bank- og finanssektoren.  Hvordan ser du dens indvirkning udvikle sig i løbet af de næste fem år?

I banksektoren ser jeg Generativ AI (Gen AI) spille en central rolle i at forbedre kundeoplevelsen, øge operationel effektivitet og styrke risikostyring. På backoffice vil AI-drevet automatisering strømline opgaver som regulatorisk rapportering, compliance‑kontroller og dokumentbehandling, hvilket markant reducerer driftsomkostningerne. Desuden vil AI forfine kreditrisikovurderinger og svindeldetektion gennem realtidsdataindsigt og forudsigende analyser.

En af de mest transformative ændringer vil være hyper‑personalisering, som gør det muligt for finansielle institutioner at tilbyde stærkt tilpassede produkter og tjenester, skræddersyet til individuelle kunders adfærd, præferencer og behov. Efterhånden som AI‑kapaciteterne udvikler sig, vil banker i stigende grad integrere AI‑drevne chatbots og virtuelle assistenter for at forbedre kundesamtaler, så de bliver mere intuitive og responsive. I sidste ende vil bank‑ og finanssektoren udvikle sig til et højt intelligent, datadrevet økosystem, hvor AI‑drevne indsigter muliggør smartere beslutningstagning og skaber en problemfri og mere personlig bankoplevelse.

Selvfølgelig må vi ikke overse, at mindre end to år efter at Gen AI gik mainstream, er et lige så – om ikke mere – transformerende gennembrud dukket op: Agentic AI. Denne innovation kan potentielt skabe et paradigmeskift i bankverdenen ved at erstatte statiske chatbots og silo‑baseret automatisering med autonome, beslutningstagende AI‑agenter, der kan tilpasse sig, lære og udføre opgaver med næsten menneskelig intelligens.

Mange finansielle institutioner er stadig i de tidlige faser af AI‑adoption.  Er det for sent for sene adoptører at indhente, eller ser du levedygtige strategier for dem til at indhente forskellen?

Det er ikke for sent for finansielle institutioner at omfavne AI, men en strategisk tilgang er afgørende. Sene adoptører bør integrere AI i deres strategiske planer og fokusere på høj‑impact use cases, der giver umiddelbar værdi.

Et anbefalet første skridt er at identificere “quick‑win” muligheder: såsom AI‑drevne kundeservice‑chatbots, automatisering af dokumentbehandling og svindeldetektion, hvor AI‑adoption hurtigt kan forbedre effektivitet og kundetilfredshed.

Derudover kan finansielle institutioner accelerere AI‑implementering ved at indgå partnerskaber med specialiserede AI‑leverandører i stedet for at udvikle AI‑modeller internt, hvilket kan være ressourcekrævende og tidskrævende. Sådanne partnerskaber gør det muligt for banker at udnytte forudbyggede AI‑modeller og cloud‑baserede AI‑løsninger, hvilket reducerer implementeringstid og omkostninger.

En anden vigtig strategi er at udnytte low‑code og no‑code AI‑platforme. Disse platforme gør det muligt for finansielle institutioner hurtigt at implementere AI‑drevne løsninger uden omfattende teknisk ekspertise. For eksempel kan AI‑baserede Intelligent Data Processing (IDP)‑moduler udtrække, kategorisere og analysere data fra ustrukturerede kilder som PDF‑filer og e‑mails, hvilket forbedrer operationel effektivitet.

Ved at anvende disse fokuserede strategier kan sene adoptører effektivt indhente AI‑kløften, samtidig med at de sikrer compliance og skalerbarhed.

Hvad er de største udfordringer, banker står over for ved implementering af AI‑løsninger, og hvordan kan de overvinde dem?

Ved implementering af AI-løsninger står banker især over for tre udfordringer: datakvalitet, integration med ældre systemer og overholdelse af lovgivningen.

1. Datakvalitet og tilgængelighed: AI-modeller kræver strukturerede og forskellige datasæt af høj kvalitet til træning. Mange banker kæmper dog med fragmenterede datakilder, manglende styring og inkonsistente dataformater. For at overvinde dette bør finansielle institutioner investere i robuste datastyringsrammer, centralisere datalagre og bruge AI-drevet datarensning og -berigelsesværktøjer.
2. Ældre systemintegration: Mange banker opererer stadig på ældre it-infrastrukturer, der ikke er optimeret til AI-implementering. Implementering af Application Programming Interface (API)-baserede integrationsarkitekturer kan bygge bro mellem AI-drevne løsninger og ældre systemer, hvilket muliggør problemfri dataflow og procesautomatisering uden en komplet systemeftersyn.
3. Bekymringer om lovgivning og overholdelse: Det regulatoriske landskab, der udvikler sig, kræver, at AI-modeller er gennemsigtige, kan forklares og kan revideres. For at imødegå dette bør banker implementere AI-styringsrammer, arbejde med regulerende organer og vedtage troværdige AI-løsninger, der prioriterer gennemsigtighed, bias-reduktion og compliance-tilpasning.

Ved at håndtere disse udfordringer på forhånd kan banker skabe et solidt grundlag for ansvarlig AI-anvendelse og langsigtet drift.

Hvorfor er det kritisk for banker at eksperimentere med AI‑use cases, før de ruller dem ud i fuld skala?

Afprøvning af AI-anvendelser er vigtig, før en bank går i fuld produktion, så den kan vurdere driftsmæssig gennemførlighed, lovkrav og brugernes accept.

1. Operationel parathed: AI-drevne løsninger kan ændre arbejdsgange væsentligt, hvilket nødvendiggør procesfornyelse i stedet for blot omstrukturering. Eksperimenter giver banker mulighed for at vurdere indvirkningen på eksisterende processer og foretage de nødvendige justeringer før udbredt implementering.
2. Brugeraccept og træning: AI-drevne systemer kræver tilpasning til slutbrugernes forventninger. Pilotprojekter i små skala hjælper banker med at måle brugeraccept og forfine AI-modeller baseret på feedback fra den virkelige verden, hvilket sikrer en smidigere adoption og tillid til AI-drevet beslutningstagning.
3. ROI-validering: Banker skal måle den økonomiske og operationelle effekt af AI, før de foretager store investeringer. Eksperimentering med AI-brugssager – såsom forbedringer af kundeerhvervelse, omkostningsbesparelser i driften og forbedringer til forebyggelse af svindel – giver håndgribelig indsigt i ROI, hvilket muliggør datadrevne investeringsbeslutninger.

En trinvis tilgang med test, måling og læring kan mindske risici, forbedre AI-strategien og knytte løsningerne til bankens forretningsmål.

Hvordan bør finansielle institutioner gribe AI‑beredskab og implementering an for at maksimere ROI?

For at få et målbart afkast skal banken arbejde strategisk og tværfagligt og forbinde hvert AI-initiativ med konkrete forretningsmål.

1. Strategisk tilpasning: AI bør indlejres i den finansielle institutions bredere strategiske mål, såsom omkostningsreduktion, proceseffektivitet, kundeerhvervelse og forbedret risikostyring.
2. Tværfunktionelt samarbejde: AI-implementering bør ikke lukkes i it-teams. I stedet er tværfunktionelt samarbejde, der involverer risiko, compliance, drift, kundeservice og forretningsenheder, afgørende for at sikre, at AI-løsninger imødekommer hele organisationens behov.
3. Arbejdsstyrkeopkvalificering og forandringsledelse: Banker bør investere i uddannelsesprogrammer for at udstyre medarbejderne med AI-relaterede færdigheder. En glidende overgang til AI-drevet drift kræver strukturerede læringsprogrammer, praktisk træning og udnyttelse af eksternt AI-talent gennem partnerskaber.
4. Skalerbar AI-infrastruktur: Finansielle institutioner bør implementere skalerbare AI-platforme, der tillader iterative forbedringer og problemfri integration med eksisterende banksystemer.

Ved at prioritere disse elementer kan banker måle, om AI faktisk forbedrer drift, kundeoplevelse og økonomiske resultater.

Svindel i digitale betalinger er en voksende bekymring. Hvordan kan generativ AI hjælpe finansielle institutioner med at bekæmpe stigende svindel og forbedre sikkerheden?

Den stigende anvendelse af digitale betalinger har ført til mere sofistikerede svindeltaktik. Gen AI tilbyder forbedrede svigdetektionsfunktioner ved at analysere enorme datasæt i realtid og identificere unormale transaktionsmønstre, som traditionelle regelbaserede systemer kan gå glip af.

Generativ AI kan:

1. Opdag svig med større nøjagtighed ved løbende at lære af transaktionsdata, reducere falske positiver, samtidig med at satserne for forebyggelse af svig forbedres.
2. Identificer adfærdsmæssige anomalier på individuelt kundeniveau, marker mistænkelige aktiviteter baseret på historiske tendenser.
3. Forbedre trusselsintelligensen ved at scanne industrirapporter, sikkerhedsbulletiner og globale hændelsesdatabaser for at forudsige nye svindeltendenser og tilpasse sig i overensstemmelse hermed.

Disse værktøjer kan styrke forebyggelsen af svindel og hjælpe menneskelige efterforskere. De kræver fortsat validering, adgangskontrol, overvågning af falske positiver og en klar mulighed for manuel tilsidesættelse.

WNS har samskabt løsninger på tværs af forskellige kunder for at adressere svindeldetektering og -undersøgelsesaspekter, der udnytter analyser og AI. Disse løsninger udnytter en kombination af

Prædiktive modeller til at opdage og klassificere svindel.

• Intelligent dokumentbehandling til digitalisering
• Deep Learning-baserede løsninger til at opdage manipulerede dokumenter

Kravene til compliance bliver mere komplekse på tværs af markeder. Hvordan kan AI hjælpe banker med at opfylde reglerne mere effektivt?

Overholdelse af lovgivning har været en dynamisk og udviklende udfordring i løbet af de sidste par årtier på grund af de konstante skift i globale regler. Dette har gjort det bydende nødvendigt for banker at investere i mennesker, processer og teknologi for at sikre overholdelse af stadig mere komplekse overholdelsesmandater. AI er dukket op som et kraftfuldt værktøj til at strømline reguleringsoverholdelse, især til at spore reguleringsændringer og vurdere deres indvirkning på bankdrift. Ved at udnytte kunstig intelligens kan finansielle institutioner modtage opdateringer i realtid om lovændringer, hvilket giver dem mulighed for proaktivt at planlægge og implementere overholdelsesforanstaltninger.

Derudover kan AI-drevne løsninger systematisk organisere og administrere regulatoriske publikationer, hvilket reducerer den manuelle indsats, der kræves for at spore og fortolke disse ændringer. Gen (Gen AI) forbedrer compliance-kapaciteten yderligere ved at analysere nye regler sammenlignet med tidligere versioner, hvilket gør det muligt for institutioner hurtigt at vurdere deres indvirkning på interne politikker og procedurer. Denne evne styrker risiko- og kontrolvurderinger, hvilket gør complianceprocesser mere effektive. Desuden kan Gen AI være medvirkende til at skabe struktureret træningsindhold, der sikrer, at personalet forbliver velinformeret om lovændringer. AI-drevne kontinuerlige overvågnings- og revisionskapaciteter reducerer compliance-risici betydeligt, hvilket giver institutioner en proaktiv tilgang til reguleringsstyring og minimerer overraskelser i overordnede risiko- og compliance-rammer.

På complianceområdet har WNS udviklet løsninger, der anvender AI & og generativ AI, herunder:

• Generativ AI til screening af negativ medieomtale
• AI & Generativ AI til undersøgelser af hvidvask
• AI-understøttet løsning til forbedret kundekendskab (KYC)

Hvilke AI-anvendelser i banksektoren virker mest lovende ud over svindelopsporing og compliance?

AI udvikler sig kontinuerligt, hvor datavidenskabsmænd og AI-udøvere udvikler innovative løsninger til at imødekomme en bred vifte af forretningsbehov i banksektoren. Ud over afsløring af svindel og overholdelse driver AI en betydelig transformation i kundeoplevelse, driftseffektivitet og beslutningsprocesser.

Et af de mest fremtrædende brugssager er AI-drevne chatbots og Gen AI-drevet agentassistance i realtid, som revolutionerer kundeservice ved at levere personligt tilpassede, øjeblikkelige og effektive interaktioner. Dette skift øger kundetilfredsheden og strømliner problemløsningen.

På den operationelle front adresserer AI langvarige udfordringer i afstemningsprocesser, som typisk spænder over flere afdelinger i finansielle institutioner. AI-drevne algoritmer kan automatisere matchningen af ​​umatchede transaktioner ved at analysere historiske mønstre og tendenser, hvilket væsentligt reducerer behovet for manuel intervention.

En anden kritisk applikation er betalingsbehandling, især håndtering af indgående indbetalinger, hvor ufuldstændige eller tvetydige betalingsoplysninger kræver menneskelig indgriben. AI-drevne tilbøjelighedsmodeller kan generere sandsynlighedsscore, der hjælper institutioner med hurtigt og præcist at identificere de korrekte modparter og derved optimere den manuelle behandlingsindsats.

Dette er blot nogle få eksempler på, hvordan WNS aktivt har støttet førende finansielle institutioner i at udnytte AI til at drive effektivitet, forbedre kundeoplevelsen og forbedre operationel modstandskraft.

AI-talent er i høj efterspørgsel på tværs af brancher. Hvad kan banker gøre for at tiltrække og fastholde top AI-professionelle?

Den stigende anvendelse af AI på tværs af industrier har ført til en stigning i efterspørgslen efter AI-talenter, især dataforskere og maskinlæringseksperter. At tiltrække og fastholde top AI-professionelle kræver en strategisk tilgang centreret om at give meningsfulde muligheder og fremme et innovativt miljø.

En af de primære motivationer for AI-professionelle er adgang til data af høj kvalitet, der giver dem mulighed for at eksperimentere, innovere og udvikle effektive løsninger. Organisationer, der tilbyder strukturerede, velorganiserede dataøkosystemer, skaber et miljø, hvor AI-eksperter kan trives. Omvendt er manglen på muligheder for at skabe meningsfuld forretningspåvirkning en af ​​hovedårsagerne til, at AI-professionelle forlader organisationer.

For at tiltrække toptalenter skal banker etablere stærke partnerskaber med førende ingeniørhøjskoler og universiteter, der tilbyder AI-fokuserede praktikophold, forskningssamarbejder og direkte rekrutteringsveje. Denne tilgang gør det muligt for finansielle institutioner at engagere AI-professionelle tidligt i deres karriere og give en klar vækstbane i organisationen.

Derudover øger dannelsen af ​​en AI-drevet kultur i banker – hvor AI-professionelle kan arbejde sammen med domæneeksperter for at løse virkelige udfordringer – jobtilfredshed og fastholdelse. WNS har med succes implementeret en lignende model i samarbejde med førende universiteter i Indien, hvilket sikrer en stabil pipeline af dygtige AI-talenter klar til at bidrage til finanssektoren.

Hvordan ser du rollen som bankprofessionelle udvikler sig med AI-integration? Skal medarbejderne være bekymrede for jobforskydning?

Diskursen omkring AI, der erstatter menneskelige job, har været udbredt i årevis. Mens AI automatiserer rutineopgaver, ligger dens sande virkning i at øge menneskelige evner og forbedre kvaliteten af ​​det arbejde, der udføres af bankfolk.

Efterhånden som gentagne og regelbaserede opgaver i stigende grad styres af AI og Robotic Process Automation (RPA), skifter bankprofessionelle til roller, der kræver højere niveauer af dømmekraft, kritisk tænkning og beslutningstagning. Skiftet har udfoldet sig i løbet af det sidste årti, hvor digitale betalinger støt erstatter traditionelle checkbaserede transaktioner. Selvom denne overgang har reduceret antallet af filialer og pengeautomater, har det samtidig ført til, at filialens personale påtager sig mere komplekse roller, såsom administration af betalingsundtagelser, investeringsrådgivning og undersøgelse af svindel.

På back-office-niveau har AI forenklet den operationelle indsats ved at digitalisere ustrukturerede data fra PDF’er og scannede dokumenter, tidligere behandlet manuelt. Menneskelig involvering er nu primært fokuseret på undtagelseshåndtering og komplekse efterforskningsopgaver, hvorved effektiviteten og nøjagtigheden forbedres.

I stedet for at forårsage jobforskydning har AI-drevet transformation ført til talentopkvalificering, hvilket sikrer, at fagfolk udvikler nye kompetencer, der passer til industriens behov. Dette skift gavner i sidste ende sektoren for finansielle tjenesteydelser ved at fremme en arbejdsstyrke udstyret med avancerede analytiske og problemløsende færdigheder.

Er der nogen bedste praksis, du har observeret for at fremme en AI-first-kultur i bankorganisationer?

WNS har i sine bankprojekter arbejdet med en struktureret og tværfaglig tilgang til AI. Flere fremgangsmåder kan hjælpe med at forankre teknologien i organisationen:

1. Samskabelsesmodel: Banker skal integrere domæneeksperter og dataforskere i operationelle teams for at sikre, at AI-drevne løsninger er tilpasset den virkelige verdens bankudfordringer. Hos WNS har denne tilgang muliggjort identifikation og eksekvering af hyperautomatiseringsmuligheder, hvilket sikrer løbende forbedringer.
2. Indlejrede transformationsteams: AI-transformationsindsatsen bør ikke tilsidesættes i it- eller innovationsafdelinger. I stedet sikrer indlejring af transformationsteams i kernedriften vedvarende fokus på at identificere AI-ledede effektiviteter og skalering af løsninger på tværs af organisationen.
3. Kulturel bevidsthed og adoption: Organisationer skal investere i AI-kompetenceprogrammer for at uddanne medarbejderne om AI’s fordele, use cases og potentiale til at udvide deres roller. En velinformeret arbejdsstyrke vil mere sandsynligt anvende AI-løsninger og bidrage til deres succesfulde implementering.
4. Incitament til innovation: Opmuntring af medarbejdere til at bidrage med AI-drevne ideer og belønning af succesfulde implementeringer fremmer en kultur med kontinuerlig forbedring og engagement. Konkurrencer, hackathons og anerkendelsesprogrammer kan hjælpe med at drive AI-adoption på alle organisatoriske niveauer.

Med disse fremgangsmåder kan banker forbedre integrationen, følge den reelle driftseffekt og opbygge de kompetencer, som fremtidens finansielle tjenester kræver.

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge WNS.