Jay Venkateswaran, forretningsenhetssjef, bank- og finansielle tjenester hos WNS – Intervjuserie

Jay Venkateswaran, forretningsenhetssjef for bank- og finansielle tjenester, har ansvar for strategi, vekst og økonomisk ytelse. Før han begynte i WNS, var han Consulting Partner hos AT Kearney. Som en pålitelig partner innen forretningstransformasjon og tjenester, WNS kombinerer unik fagkompetanse med et samlet digitalt økosystem som integrerer analyse, hyperautomatisering og AI for å skape markedsdifferensiering for kundene.

Generativ AI transformerer raskt bank- og finansielle tjenester. Hvordan ser du at virkningen vil utvikle seg de neste fem årene?

I banksektoren ser jeg at generativ AI (Gen AI) spiller en sentral rolle i å forbedre kundeopplevelsen, øke operasjonell effektivitet og styrke risikostyringen. På backoffice vil AI-drevet automatisering strømlinjeforme oppgaver som regulatorisk rapportering, etterkontroller og dokumentbehandling, noe som betydelig reduserer driftskostnadene. Videre vil AI forbedre kredittvurderinger og svindeldeteksjon gjennom sanntidsdata og prediktiv analyse.

En av de mest transformative endringene vil være hyper-personalisering, som gjør det mulig for finansinstitusjoner å tilby svært tilpassede produkter og tjenester skreddersydd til individuelle kunders atferd, preferanser og behov. Etter hvert som AI‑kapasitetene utvikles, vil banker i økende grad integrere AI‑drevne chat‑bots og virtuelle assistenter for å forbedre kundeinteraksjoner, gjøre dem mer intuitive og responsive. Til slutt vil bank‑ og finanssektoren utvikle seg til et høyt intelligent, datadrevet økosystem hvor AI‑drevne innsikter muliggjør smartere beslutninger, noe som fører til en sømløs og mer personlig bankopplevelse.

Selvfølgelig må vi ikke overse at mindre enn to år etter at Gen AI ble mainstream, har et like – om ikke mer – transformativt gjennombrudd dukket opp: Agentisk AI. Denne innovasjonen kan potensielt drive et paradigmeskifte i banksektoren ved å erstatte statiske chat‑bots og silo‑automatisering med autonome, beslutningstaking‑AI‑agenter som kan tilpasse seg, lære og utføre oppgaver med nesten menneskelig intelligens.

Mange finansinstitusjoner er fortsatt i de tidlige fasene av AI‑adopsjon. Er det for sent for sene adoptører å ta igjen, eller ser du levedyktige strategier for dem å lukke gapet?

Det er ikke for sent for finansinstitusjoner å omfavne AI, men en strategisk tilnærming er avgjørende. Sene adoptører bør integrere AI i sine strategiske planer, med fokus på høy‑impact‑brukstilfeller som gir umiddelbar verdi.

Et anbefalt første steg er å identifisere «quick‑win»-muligheter – som AI‑drevne kundeservice‑chat‑bots, automatisering av dokumentbehandling og svindeldeteksjon – hvor AI‑adopsjon raskt kan forbedre effektivitet og kundetilfredshet.

I tillegg, i stedet for å utvikle AI‑modeller internt, noe som kan være ressurs‑ og tidskrevende, kan finansinstitusjoner akselerere AI‑implementering gjennom partnerskap med spesialiserte AI‑leverandører. Disse partnerskapene gjør det mulig for banker å utnytte forhåndsbygde AI‑modeller og skybaserte AI‑løsninger, noe som reduserer implementeringstid og kostnader.

En annen viktig strategi er å utnytte low‑code‑ og no‑code‑AI‑plattformer. Disse plattformene gjør det mulig for finansinstitusjoner å raskt distribuere AI‑drevne løsninger uten omfattende teknisk ekspertise. For eksempel kan AI‑baserte Intelligent Data Processing (IDP)‑moduler trekke ut, kategorisere og analysere data fra ustrukturerte kilder som PDF‑filer og e‑post, og forbedre operasjonell effektivitet.

Ved å adoptere disse fokuserte strategiene kan sene adoptører effektivt lukke AI‑gapet samtidig som de sikrer etterlevelse og skalerbarhet.

Hva er de største utfordringene bankene møter når de implementerer AI‑løsninger, og hvordan kan de overvinne dem?

Når bankene implementerer AI‑løsninger, møter de tre hovedutfordringer: datakvalitet, integrering av eldre systemer og regulatorisk etterlevelse.

1. Datakvalitet og tilgjengelighet: AI‑modeller krever høykvalitets, strukturerte og mangfoldige datasett for trening. Mange banker sliter imidlertid med fragmenterte datakilder, mangel på styring og inkonsistente dataformater. For å overvinne dette bør finansinstitusjoner investere i robuste datastyringsrammeverk, sentralisere datalagre og bruke AI‑drevne verktøy for datarensing og berikelse.
2. Eldre systemintegrasjon: Mange banker bruker fortsatt eldre IT‑infrastrukturer som ikke er optimalisert for AI‑implementering. Å distribuere API‑baserte integrasjonsarkitekturer kan bygge bro mellom AI‑drevne løsninger og eldre systemer, og tillate sømløs dataflyt og prosessautomatisering uten fullstendig systemoverhaling.
3. Regulatoriske og etterlevelsesbekymringer: Det stadig utviklende regulatoriske landskapet krever at AI‑modeller er transparente, forklarbare og reviderbare. For å håndtere dette bør banker implementere AI‑styringsrammeverk, samarbeide med regulatoriske organer og adoptere pålitelige AI‑løsninger som prioriterer åpenhet, bias‑reduksjon og etterlevelsesjustering.

Ved proaktivt å takle disse utfordringene kan banker skape et solid grunnlag for AI‑adopsjon og sikre langsiktig suksess.

Hvorfor er det kritisk for banker å eksperimentere med AI‑brukstilfeller før fullskala utrulling?

Eksperimentering med AI‑brukstilfeller er essensielt for banker for å sikre operasjonell gjennomførbarhet, regulatorisk etterlevelse og vellykket brukeradopsjon før de forplikter seg til fullskala utrulling.

1. Operasjonell beredskap: AI‑drevne løsninger kan endre arbeidsflyter betydelig, noe som krever prosess‑reimaginering snarere enn kun re‑engineering. Eksperimentering gjør det mulig for banker å vurdere påvirkningen på eksisterende prosesser og foreta nødvendige justeringer før omfattende implementering.
2. Brukeraksept og opplæring: AI‑drevne systemer krever samsvar med sluttbrukerens forventninger. Småskalapilotprosjekter hjelper banker med å måle brukeraksept og finjustere AI‑modeller basert på tilbakemeldinger fra virkeligheten, noe som sikrer en jevnere adopsjon og tillit til AI‑drevet beslutningstaking.
3. ROI‑validering: Banker må måle den økonomiske og operative påvirkningen av AI før de gjør store investeringer. Å eksperimentere med AI‑brukstilfeller – som forbedringer i kundeverving, kostnadsbesparelser i drift og forbedringer i svindelforebygging – gir konkrete innsikter i ROI, og muliggjør datadrevne investeringsbeslutninger.

Ved å ta en iterativ test‑og‑lær‑tilnærming kan banker dempe risiko, finjustere sine AI‑strategier og sikre at AI‑adopsjon er i tråd med forretningsmål.

Hvordan bør finansinstitusjoner tilnærme seg AI‑beredskap og utrulling for å maksimere ROI?

For at AI‑utrulling skal gi maksimal ROI, må banker ta en strategisk, tverrfaglig tilnærming som tilpasser AI‑initiativ med forretningsmål.

1. Strategisk tilpasning: AI bør integreres i finansinstitusjonens overordnede strategiske mål, som kostnadsreduksjon, prosesseffektivitet, kundeverving og forbedret risikostyring.
2. Tverrfaglig samarbeid: AI‑implementering bør ikke være siloet innen IT‑team. I stedet er tverrfaglig samarbeid som involverer risiko, etterlevelse, drift, kundeservice og forretningsenheter avgjørende for å sikre at AI‑løsninger dekker hele organisasjonens behov.
3. Kompetanseheving av arbeidsstyrken og endringsledelse: Banker bør investere i opplæringsprogrammer for å utruste ansatte med AI‑relaterte ferdigheter. En smidig overgang til AI‑drevet drift krever strukturerte læringsprogrammer, praktisk opplæring og utnyttelse av ekstern AI‑talent gjennom partnerskap.
4. Skalerbar AI‑infrastruktur: Finansinstitusjoner bør distribuere skalerbare AI‑plattformer som tillater iterative forbedringer og sømløs integrasjon med eksisterende banksystemer.

Ved å prioritere disse elementene kan banker sikre at AI‑adopsjon driver meningsfulle forretningsresultater, forbedrer kundeopplevelser og leverer målbare økonomiske avkastninger.

Svindel i digitale betalinger er en økende bekymring. Hvordan kan generativ AI hjelpe finansinstitusjoner med å bekjempe økende svindel og forbedre sikkerheten?

Den økende bruken av digitale betalinger har ført til mer sofistikerte svindelmetoder. Gen AI tilbyr forbedrede svindeldeteksjonsmuligheter ved å analysere enorme datasett i sanntid og identifisere avvikende transaksjonsmønstre som tradisjonelle regelbaserte systemer kan gå glipp av.

Gen AI can:

1. Oppdage svindel med høyere nøyaktighet ved kontinuerlig læring fra transaksjonsdata, redusere falske positiver samtidig som forebyggingsraten forbedres.
2. Identifisere atferdsavvik på individuelt kundesnivå, flagge mistenkelige aktiviteter basert på historiske trender.
3. Forbedre trusselintelligens ved å skanne bransjerapporter, sikkerhetsbulletiner og globale hendelsesdatabaser for å forutsi nye svindeltrender og tilpasse seg deretter.

Ved å utnytte disse AI‑drevne evnene kan finansinstitusjoner betydelig styrke sine svindelforebyggende tiltak, optimalisere menneskelige undersøkelser og sikre tryggere digitale transaksjoner.

WNS har samskapt løsninger på tvers av ulike kunder for å adressere svindeldeteksjon og etterforskningsaspekter ved å utnytte analyse og AI. Disse løsningene bruker en kombinasjon av

Predictive modeling for fraud detection and classification.

• IDP for dokumentdigitalisering
• Deep Learning‑baserte løsninger for å oppdage manipulerte dokumenter

Compliance‑krav blir stadig mer komplekse på tvers av globale markeder. Hvordan kan AI hjelpe banker med å møte regulatoriske standarder mer effektivt?

Regulatorisk etterlevelse har vært en dynamisk og utviklende utfordring de siste tiårene på grunn av de konstante endringene i globale forskrifter. Dette har gjort det avgjørende for banker å investere i mennesker, prosesser og teknologi for å sikre overholdelse av stadig mer komplekse etterlevelseskrav. AI har fremstått som et kraftig verktøy for å strømlinjeforme regulatorisk etterlevelse, spesielt når det gjelder å spore regulatoriske endringer og vurdere deres påvirkning på bankdrift. Ved å utnytte AI kan finansinstitusjoner motta sanntidsoppdateringer om regulatoriske endringer, slik at de proaktivt kan planlegge og implementere etterlevelses tiltak.

I tillegg kan AI‑drevne løsninger systematisk organisere og håndtere regulatoriske publikasjoner, og redusere den manuelle innsatsen som kreves for å spore og tolke disse endringene. Gen (Gen AI) forbedrer ytterligere etterlevelseskapasiteten ved å analysere nye forskrifter i forhold til tidligere versjoner, slik at institusjoner raskt kan vurdere deres påvirkning på interne retningslinjer og prosedyrer. Denne evnen styrker risikokontrollvurderinger, og gjør etterlevelsesprosesser mer effektive og effektive. Videre kan Gen AI være avgjørende for å lage strukturert opplæringsinnhold, og sikre at ansatte er godt informert om regulatoriske endringer. AI‑drevet kontinuerlig overvåking og revisjonskapasitet reduserer betydelig etterlevelsesrisiko, og gir institusjoner en proaktiv tilnærming til regulatorisk styring og minimerer overraskelser i det overordnede risikokontroll‑ og etterlevelsesrammeverket.

Innenfor compliance‑området har WNS vært i front med å bygge løsninger som utnytter AI & Gen AI de siste årene, inkludert:

• Gen AI‑løsning for screening av negativ mediedekning
• AI & Gen AI‑løsning for AML‑undersøkelser
• AI‑drevet løsning for forbedret KYC

Hva er noen av de mest lovende AI‑drevne brukstilfellene i banksektoren i dag, utover svindeldeteksjon og compliance?

AI utvikler seg kontinuerlig, med datascientister og AI‑praktikere som utvikler innovative løsninger for å møte et bredt spekter av forretningsbehov i banksektoren. Utover svindeldeteksjon og compliance driver AI betydelig transformasjon i kundeopplevelse, operasjonell effektivitet og beslutningsprosesser.

Et av de mest fremtredende brukstilfellene er AI‑drevne chat‑bots og Gen AI‑drevet sanntidsagentassistanse, som revolusjonerer kundeservice ved å tilby personlig, umiddelbar og effektiv interaksjon. Denne endringen øker kundetilfredsheten og strømlinjeformer problemløsning.

På den operative fronten adresserer AI langvarige utfordringer i avstemmingsprosesser, som vanligvis spenner over flere avdelinger i finansinstitusjoner. AI‑drevne algoritmer kan automatisere matching av uoverensstemmende transaksjoner ved å analysere historiske mønstre og trender, og dermed redusere behovet for manuell inngripen betydelig.

En annen kritisk anvendelse er betalingsbehandling, spesielt håndtering av innkommende innskudd hvor ufullstendige eller tvetydige betalingsdetaljer krever menneskelig inngripen. AI‑drevne sannsynlighetsmodeller kan generere sannsynlighetspoeng, og hjelpe institusjoner med raskt og nøyaktig å identifisere riktige motparter, og dermed optimalisere manuelle behandlingsinnsats.

Dette er bare noen få eksempler på hvordan WNS aktivt har støttet ledende finansinstitusjoner i å utnytte AI for å drive effektivitet, forbedre kundeopplevelsen og styrke operasjonell robusthet.

AI‑talent er etterspurt på tvers av bransjer. Hva kan banker gjøre for å tiltrekke og beholde topp‑AI‑profesjonelle?

Den økende adopsjonen av AI på tvers av bransjer har ført til en økning i etterspørselen etter AI‑talent, spesielt datascientister og maskinlærings‑eksperter. Å tiltrekke og beholde topp‑AI‑profesjonelle krever en strategisk tilnærming som fokuserer på å tilby meningsfulle muligheter og fremme et innovativt miljø.

En av de viktigste motivasjonene for AI‑profesjonelle er tilgang til høykvalitetsdata som gjør dem i stand til å eksperimentere, innovere og utvikle innflytelsesrike løsninger. Organisasjoner som tilbyr strukturerte, velorganiserte dataøkosystemer skaper et miljø hvor AI‑eksperter kan blomstre. Mangel på muligheter til å skape meningsfull forretningspåvirkning er derimot en av hovedgrunnene til at AI‑profesjonelle forlater organisasjoner.

For å tiltrekke topp‑talent må banker etablere sterke partnerskap med ledende ingeniørhøyskoler og universiteter, og tilby AI‑fokuserte internship‑programmer, forskningssamarbeid og direkte rekrutteringsveier. Denne tilnærmingen gjør det mulig for finansinstitusjoner å engasjere AI‑profesjonelle tidlig i karrieren og tilby en klar vekstbane innen organisasjonen.

I tillegg styrker en AI‑drevet kultur i banker – hvor AI‑profesjonelle kan jobbe sammen med domenespesialister for å løse virkelige utfordringer – jobbtilfredshet og lojalitet. WNS har med suksess implementert en lignende modell i samarbeid med ledende universiteter i India, og sikrer en jevn tilførsel av dyktig AI‑talent klar til å bidra til finanssektoren.

Hvordan ser du rollen til bankprofesjonelle utvikle seg med AI‑integrasjon? Bør ansatte være bekymret for jobbfortrengning?

Diskusjonen om at AI erstatter menneskelige jobber har vært utbredt i flere år. Selv om AI automatiserer rutineoppgaver, ligger dens egentlige påvirkning i å forsterke menneskelige evner og forbedre kvaliteten på arbeidet som bankprofesjonelle utfører.

Ettersom repeterende og regelbaserte oppgaver i økende grad håndteres av AI og Robotic Process Automation (RPA), flytter bankprofesjonelle seg mot roller som krever høyere nivåer av skjønn, kritisk tenkning og beslutningstaking. Endringen har skjedd gjennom det siste tiåret, med digitale betalinger som gradvis erstatter tradisjonelle sjekkbaserte transaksjoner. Mens denne overgangen har redusert trafikken i filialer og minibanker, har den samtidig ført til at filialpersonell tar på seg mer komplekse roller, som håndtering av betalingsunntak, investeringsrådgivning og svindelundersøkelser.

På back‑office‑nivå har AI forenklet operasjonelle oppgaver ved å digitalisere ustrukturert data fra PDF‑filer og skannede dokumenter, som tidligere ble behandlet manuelt. Menneskelig involvering er nå hovedsakelig fokusert på håndtering av unntak og komplekse etterforskningsoppgaver, noe som forbedrer effektivitet og nøyaktighet.

I stedet for å forårsake jobbfortrengning har AI‑drevet transformasjon ført til kompetanseheving, og sikrer at fagfolk utvikler nye ferdigheter som er i tråd med bransjens behov. Denne endringen gagner finanssektoren ved å fremme en arbeidsstyrke utstyrt med avanserte analytiske og problemløsningsevner.

Er det noen beste praksiser du har observert for å fremme en AI‑først‑kultur i bankorganisasjoner?

WNS har vært i front med å fremme en AI‑først‑kultur på tvers av sine ulike bankengasjementer, og driver AI‑ledet transformasjon gjennom en strukturert, samarbeidsorientert tilnærming. Flere beste praksiser bidrar til å lykkes med å integrere AI i bankorganisasjoner:

1. Samskapingsmodell: Banker må integrere domenespesialister og datascientister i operative team for å sikre at AI‑drevne løsninger er tilpasset reelle bankutfordringer. Hos WNS har denne tilnærmingen gjort det mulig å identifisere og gjennomføre hyper‑automatiseringsmuligheter, og sikrer kontinuerlig forbedring.
2. Innebygde transformasjonsteam: AI‑transformasjonsarbeid bør ikke være siloet i IT‑ eller innovasjonsavdelinger. I stedet sikrer innbygging av transformasjonsteam i kjerneoperasjoner et vedvarende fokus på å identifisere AI‑ledede effektiviseringer og skalere løsninger på tvers av organisasjonen.
3. Kulturell bevissthet og adopsjon: Organisasjoner må investere i AI‑kompetanseprogrammer for å utdanne ansatte om AI‑fordeler, brukstilfeller og potensialet til å forsterke deres roller. En godt informert arbeidsstyrke vil sannsynligvis adoptere AI‑løsninger og bidra til vellykket implementering.
4. Incentivere innovasjon: Å oppmuntre ansatte til å bidra med AI‑drevne ideer og belønne vellykkede implementeringer fremmer en kultur for kontinuerlig forbedring og engasjement. Konkurranser, hackathons og anerkjennelsesprogrammer kan bidra til å drive AI‑adopsjon på alle organisasjonsnivåer.

Ved å adoptere disse beste praksisene kan banker sikre sømløs AI‑integrasjon, maksimere operasjonell effektivitet og bygge en arbeidsstyrke som er rustet for fremtiden innen finansielle tjenester.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke WNS.