Jay Venkateswaran, affärsenhetschef, bank- och finansiella tjänster på WNS – Intervjuserie

Jay Venkateswaran, affärsenhetschef för bank och finansiella tjänster, övervakar strategi, tillväxt och finansiell prestation. Innan han började på WNS var han konsultpartner på AT Kearney. Som en pålitlig partner för affärstransformation och tjänster, WNS kombinerar unikt domänexpertis med ett enhetligt digitalt ekosystem som integrerar Analytics, Hyperautomation och AI för att skapa marknadsdifferentiering för kunder.

Generativ AI förändrar snabbt bank- och finansiella tjänster. Hur ser du på att dess inverkan kommer att utvecklas under de kommande fem åren?

Inom bankverksamheten ser jag att Generativ AI (Gen AI) spelar en avgörande roll för att förbättra kundupplevelsen, förbättra den operativa effektiviteten och stärka riskhanteringen. I backoffice kommer AI-driven automation att effektivisera uppgifter som regelrapportering, efterlevnadskontroller och dokumentbehandling, vilket avsevärt minskar driftskostnaderna. Dessutom kommer AI att förfina kreditriskbedömningar och bedrägeriupptäckt genom datainsikter i realtid och prediktiv analys.

En av de mest omvälvande förändringarna kommer att vara hyperpersonalisering, vilket kommer att göra det möjligt för finansinstitutioner att erbjuda högt anpassade produkter och tjänster skräddarsydda för individuella kunders beteenden, preferenser och behov. När AI-kapaciteten utvecklas kommer banker i allt högre grad att integrera AI-drivna chatbots och virtuella assistenter för att förbättra kundinteraktionen, vilket gör dem mer intuitiva och lyhörda. I slutändan kommer bank- och finanssektorn att utvecklas till ett mycket intelligent, datadrivet ekosystem där AI-drivna insikter möjliggör smartare beslutsfattande, vilket leder till en sömlös och mer personlig bankupplevelse.

Låt oss naturligtvis inte förbise det faktum att mindre än två år efter att Gen AI blev mainstream, har ett lika – om inte mer – transformativt genombrott uppstått: Agentisk AI. Denna innovation kan potentiellt driva ett paradigmskifte inom bankverksamhet genom att ersätta statiska chatbots och siled automation med autonoma, beslutsfattande AI-agenter som kan anpassa, lära sig och utföra uppgifter med nästan mänsklig intelligens.

Många finansiella institutioner är fortfarande i de tidiga stadierna av AI-adoption. Är det för sent för sena användare att komma ikapp, eller ser du hållbara strategier för dem att överbrygga gapet?

Det är inte för sent för finansinstitutioner att ta till sig AI, men ett strategiskt tillvägagångssätt är viktigt. Sena användare bör integrera AI i sina strategiska planer, med fokus på högeffektiva användningsfall som ger omedelbart värde.

Ett rekommenderat första steg är att identifiera “snabbvinster”-möjligheter – såsom AI-drivna chatbots för kundtjänst, automatisering av dokumentbearbetning och bedrägeriupptäckt – där AI-antagande snabbt kan öka effektiviteten och kundnöjdheten.

Dessutom, snarare än att utveckla AI-modeller internt, vilket kan vara resurskrävande och tidskrävande, kan finansinstitutioner påskynda AI-distributionen genom partnerskap med specialiserade AI-leverantörer. Dessa partnerskap gör det möjligt för banker att utnyttja förbyggda AI-modeller och molnbaserade AI-lösningar, vilket minskar implementeringstid och kostnader.

En annan nyckelstrategi är att utnyttja AI-plattformar med låg kod och ingen kod. Dessa plattformar gör det möjligt för finansinstitutioner att snabbt implementera AI-drivna lösningar utan omfattande teknisk expertis. Till exempel kan AI-baserade Intelligent Data Processing-moduler (IDP) extrahera, kategorisera och analysera data från ostrukturerade källor som PDF-filer och e-postmeddelanden, vilket förbättrar operativ effektivitet.

Genom att anta dessa fokuserade strategier kan sena användare effektivt stänga AI-gapet samtidigt som de säkerställer efterlevnad och skalbarhet.

Vilka är de största utmaningarna banker står inför när de implementerar AI-lösningar, och hur kan de övervinna dem?

När de implementerar AI-lösningar står banker inför tre primära utmaningar: datakvalitet, äldre systemintegration och regelefterlevnad.

1. Data Quality & Availability: AI‑modeller kräver högkvalitativa, strukturerade och mångsidiga dataset för träning. Dock har många banker problem med fragmenterade datakällor, brist på styrning och inkonsekventa dataformat. För att övervinna detta bör finansiella institutioner investera i robusta data‑styrningsramverk, centralisera datalager och använda AI‑drivna verktyg för datarengöring och berikning.
2. Legacy System Integration: Många banker använder fortfarande äldre IT‑infrastruktur som inte är optimerad för AI‑implementering. Genom att distribuera API‑baserade integrationsarkitekturer kan klyftan mellan AI‑drivna lösningar och äldre system överbryggas, vilket möjliggör sömlöst dataflöde och processautomatisering utan en fullständig systemöversyn.
3. Regulatory and Compliance Concerns: Det föränderliga regulatoriska landskapet kräver att AI‑modeller är transparenta, förklarbara och auditabla. För att hantera detta bör banker implementera AI‑styrningsramverk, samarbeta med regulatoriska organ och anta pålitliga AI‑lösningar som prioriterar transparens, bias‑mitigering och efterlevnadsanpassning.

Genom att proaktivt ta itu med dessa utmaningar kan banker skapa en solid grund för AI-adoption och säkerställa långsiktig framgång.

Varför är det viktigt för banker att experimentera med AI-användningsfall innan fullskalig implementering?

Experiment med AI-användningsfall är avgörande för banker för att säkerställa operativ genomförbarhet, regelefterlevnad och framgångsrikt användarantagande innan de förbinder sig till fullskalig implementering.

1. Operational Readiness: AI‑drivna lösningar kan avsevärt förändra arbetsflöden, vilket kräver omprövning av processer snarare än bara omarbetning. Experimentering gör det möjligt för banker att bedöma påverkan på befintliga processer och göra nödvändiga justeringar innan bred implementering.
2. User Acceptance & Training: AI‑drivna system kräver anpassning till slutanvändarnas förväntningar. Pilotprojekt i liten skala hjälper banker att mäta användaracceptans och förfina AI‑modeller baserat på verklig feedback, vilket säkerställer smidigare adoption och förtroende för AI‑drivet beslutsfattande.
3. ROI Validation: Banker måste mäta den finansiella och operativa påverkan av AI innan de gör stora investeringar. Experimentering med AI‑användningsfall – såsom förbättringar i kundförvärv, kostnadsbesparingar i drift och förbättringar i bedrägeriförebyggande – ger konkreta insikter om ROI, vilket möjliggör datadrivna investeringsbeslut.

Genom att ta ett iterativt, test-och-lärt tillvägagångssätt kan banker minska risker, förfina sina AI-strategier och se till att AI-anpassningen överensstämmer med affärsmålen.

Hur ska finansinstitutioner närma sig AI-beredskap och implementering för att maximera avkastningen på investeringen?

För att AI-distribution ska ge maximal avkastning på investeringen måste banker ta ett strategiskt, tvärfunktionellt tillvägagångssätt som anpassar AI-initiativ med affärsmål.

1. Strategic Alignment: AI bör integreras i den finansiella institutionens bredare strategiska mål, såsom kostnadsreducering, process‑effektivitet, kundförvärv och förbättrad riskhantering.
2. Cross-functional Collaboration: AI‑implementering bör inte vara isolerad inom IT‑team. Istället är tvärfunktionellt samarbete som involverar risk, efterlevnad, drift, kundservice och affärsenheter avgörande för att säkerställa att AI‑lösningar möter hela organisationens behov.
3. Workforce Upskilling & Change Management: Banker bör investera i utbildningsprogram för att utrusta anställda med AI‑relaterade färdigheter. En smidig övergång till AI‑driven verksamhet kräver strukturerade lärprogram, praktisk utbildning och utnyttjande av extern AI‑talang genom partnerskap.
4. Scalable AI Infrastructure: Finansiella institutioner bör distribuera skalbara AI‑plattformar som möjliggör iterativa förbättringar och sömlös integration med befintliga banksystem.

Genom att prioritera dessa element kan banker säkerställa att AI-antagande leder till meningsfulla affärsresultat, förbättrar kundupplevelser och levererar mätbar ekonomisk avkastning.

Bedrägerier vid digitala betalningar är ett växande problem. Hur kan generativ AI hjälpa finansinstitutioner att bekämpa ökande bedrägerier och förbättra säkerheten?

Det ökande antagandet av digitala betalningar har lett till mer sofistikerade bedrägeritaktik. Gen AI erbjuder förbättrade funktioner för upptäckt av bedrägerier genom att analysera stora datamängder i realtid och identifiera onormala transaktionsmönster som traditionella regelbaserade system kan missa.

Gen AI can:

1. Upptäck bedrägeri med större noggrannhet genom att ständigt lära av transaktionsdata, minska falska positiva resultat samtidigt som frekvensen för förebyggande av bedrägerier förbättras.
2. Identifiera beteendeavvikelser på individuell kundnivå och flagga misstänkta aktiviteter baserat på historiska trender.
3. Förbättra hotintelligensen genom att skanna branschrapporter, säkerhetsbulletiner och globala incidentdatabaser för att förutsäga nya bedrägeritrender och anpassa sig därefter.

Genom att utnyttja dessa AI-drivna funktioner kan finansinstitutioner avsevärt stärka sina bedrägeriförebyggande åtgärder, optimera mänskligt ledda utredningar och säkerställa säkrare digitala transaktioner.

WNS har samskapat lösningar för olika kunder för att ta itu med bedrägeriupptäckt och utredningsaspekter som utnyttjar analys och AI. Dessa lösningar utnyttjar en kombination av

Predictive modeling for fraud detection and classification.

• IDP for document digitization
• Deep Learning-baserade lösningar för att upptäcka manipulerade dokument

Efterlevnadskraven blir mer komplexa på globala marknader. Hur kan AI hjälpa banker att uppfylla regulatoriska standarder mer effektivt?

Regelefterlevnad har varit en dynamisk och utvecklande utmaning under de senaste decennierna på grund av de ständiga förändringarna i globala regelverk. Detta har gjort det absolut nödvändigt för banker att investera i människor, processer och teknik för att säkerställa efterlevnaden av allt mer komplexa efterlevnadsmandat. AI har dykt upp som ett kraftfullt verktyg för att effektivisera regelefterlevnad, särskilt för att spåra regeländringar och bedöma deras inverkan på bankverksamheten. Genom att utnyttja AI kan finansinstitut få uppdateringar i realtid om regulatoriska förändringar, vilket gör det möjligt för dem att proaktivt planera och implementera efterlevnadsåtgärder.

Dessutom kan AI-drivna lösningar systematiskt organisera och hantera regulatoriska publikationer, vilket minskar den manuella ansträngning som krävs för att spåra och tolka dessa förändringar. Gen (Gen AI) förbättrar ytterligare efterlevnadskapacitet genom att analysera nya regler jämfört med tidigare versioner, vilket gör det möjligt för institutioner att snabbt bedöma deras inverkan på interna policyer och procedurer. Denna förmåga stärker risk- och kontrollbedömningar, vilket gör efterlevnadsprocesser mer effektiva och effektiva. Dessutom kan Gen AI vara avgörande för att skapa strukturerat utbildningsinnehåll, vilket säkerställer att personalen förblir välinformerad om regeländringar. AI-driven kapacitet för kontinuerlig övervakning och revision minskar avsevärt efterlevnadsrisker, ger institutioner ett proaktivt tillvägagångssätt för regulatorisk hantering och minimerar överraskningar i övergripande ramverk för risk och efterlevnad.

Inom området för efterlevnad har WNS legat i framkant när det gäller att bygga lösningar som utnyttjar AI och Gen AI under de senaste åren, inklusive:

• Gen AI Solution for Adverse Media screening
• AI & Gen AI solution for AML Investigations
• AI-powered solution for enhanced KYC

Vilka är några av de mest lovande AI-drivna användningsfallen inom banksektorn idag, bortom upptäckt av bedrägerier och efterlevnad?

AI utvecklas kontinuerligt, med datavetare och AI-utövare som utvecklar innovativa lösningar för att möta ett brett spektrum av affärsbehov inom banksektorn. Utöver bedrägeriupptäckt och efterlevnad driver AI betydande förändringar i kundupplevelse, operativ effektivitet och beslutsprocesser.

Ett av de mest framträdande användningsfallen är AI-drivna chatbots och Gen AI-driven agenthjälp i realtid, som revolutionerar kundservice genom att tillhandahålla personliga, omedelbara och effektiva interaktioner. Denna förändring ökar kundnöjdheten och effektiviserar problemlösningen.

På den operativa fronten hanterar AI långvariga utmaningar i avstämningsprocesser, som vanligtvis spänner över flera avdelningar inom finansinstitutioner. AI-drivna algoritmer kan automatisera matchningen av omatchade transaktioner genom att analysera historiska mönster och trender, vilket avsevärt minskar behovet av manuell intervention.

En annan viktig applikation är betalningshantering, särskilt hantering av inkommande insättningar där ofullständiga eller tvetydiga betalningsdetaljer kräver mänskligt ingripande. AI-drivna benägenhetsmodeller kan generera sannolikhetspoäng, hjälpa institutioner att snabbt och exakt identifiera rätt motparter och därigenom optimera manuella bearbetningsinsatser.

Det här är bara några exempel på hur WNS aktivt har stöttat ledande finansiella institutioner i att utnyttja AI för att öka effektiviteten, förbättra kundupplevelsen och förbättra operativ motståndskraft.

AI-talanger är mycket efterfrågade i alla branscher. Vad kan banker göra för att attrahera och behålla ledande AI-proffs?

Den ökande användningen av AI i olika branscher har lett till en ökning i efterfrågan på AI-talanger, särskilt datavetare och maskininlärningsexperter. Att attrahera och behålla ledande AI-proffs kräver ett strategiskt tillvägagångssätt som fokuserar på att tillhandahålla meningsfulla möjligheter och främja en innovativ miljö.

En av de främsta motiven för AI-proffs är tillgång till högkvalitativ data som gör att de kan experimentera, förnya och utveckla effektfulla lösningar. Organisationer som erbjuder strukturerade, välorganiserade dataekosystem skapar en miljö där AI-experter kan frodas. Omvänt är bristen på möjligheter att skapa meningsfull affärseffekt en av de viktigaste anledningarna till att AI-proffs lämnar organisationer.

För att attrahera topptalanger måste banker etablera starka partnerskap med ledande ingenjörshögskolor och universitet, erbjuda AI-fokuserade praktikplatser, forskningssamarbeten och direkta rekryteringsvägar. Detta tillvägagångssätt gör det möjligt för finansinstitutioner att engagera AI-proffs tidigt i sina karriärer och ge en tydlig tillväxtbana inom organisationen.

Att främja en AI-driven kultur inom banker – där AI-proffs kan arbeta tillsammans med domänexperter för att lösa verkliga utmaningar – ökar arbetstillfredsställelsen och behållningen. WNS har framgångsrikt implementerat en liknande modell i samarbete med främsta universitet i Indien, vilket säkerställer en stadig pipeline av skickliga AI-talanger redo att bidra till den finansiella tjänstesektorn.

Hur ser du på rollen för bankproffs utvecklas med AI-integration? Bör anställda vara oroliga för att flytta från jobb?

Diskursen kring AI som ersätter mänskliga jobb har varit utbredd i flera år. Även om AI automatiserar rutinuppgifter, ligger dess verkliga inverkan i att förbättra mänskliga förmågor och förbättra kvaliteten på det arbete som utförs av bankproffs.

I takt med att repetitiva och regelbaserade uppgifter i allt högre grad hanteras av AI och Robotic Process Automation (RPA), övergår bankpersonalen till roller som kräver högre nivåer av bedömning, kritiskt tänkande och beslutsfattande. Skiftet har utvecklats under det senaste decenniet, med digitala betalningar som stadigt ersätter traditionella checkbaserade transaktioner. Även om denna övergång har minskat antalet kontor och bankomater, har det samtidigt lett till att kontorspersonal tar på sig mer komplexa roller, såsom hantering av undantag för betalningar, investeringsrådgivning och bedrägeriutredning.

På backoffice-nivå har AI förenklat det operativa arbetet genom att digitalisera ostrukturerad data från PDF-filer och skannade dokument, som tidigare bearbetats manuellt. Mänskligt engagemang är nu främst inriktat på undantagshantering och komplexa utredningsuppgifter, vilket förbättrar effektiviteten och precisionen.

Istället för att orsaka arbetsförflyttning har AI-driven omvandling lett till kompetenshöjning, vilket säkerställer att proffs utvecklar nya kompetenser som är anpassade till branschens behov. Denna förändring gynnar i slutändan den finansiella tjänstesektorn genom att främja en arbetsstyrka utrustad med avancerad analytisk och problemlösningsförmåga.

Finns det några bästa praxis du har observerat för att främja en AI-first-kultur inom bankorganisationer?

WNS har legat i framkant när det gäller att främja en AI-first-kultur genom sina olika bankåtaganden, och drivit AI-ledd transformation genom ett strukturerat, samarbetssätt. Flera bästa praxis bidrar till att framgångsrikt integrera AI i bankorganisationer:

1. Samskapande modell: Banker måste integrera domänexperter och datavetare i operativa team för att säkerställa att AI-drivna lösningar är anpassade till verkliga bankutmaningar. På WNS har detta tillvägagångssätt möjliggjort identifiering och genomförande av hyperautomatiseringsmöjligheter, vilket säkerställer kontinuerliga förbättringar.
2. Inbäddade transformationsteam: Ansträngningar för att transformera AI bör inte stoppas inom IT- eller innovationsavdelningar. Istället säkerställer inbäddning av transformationsteam inom kärnverksamheten ett fortsatt fokus på att identifiera AI-ledda effektivitetsvinster och skala lösningar över hela organisationen.
3. Kulturell medvetenhet och adoption: Organisationer måste investera i AI-läskunnighetsprogram för att utbilda anställda om AI: s fördelar, användningsfall och potential att utöka sina roller. En välinformerad arbetskraft kommer mer sannolikt att anta AI-lösningar och bidra till deras framgångsrika implementering.
4. Incitament för innovation: Att uppmuntra anställda att bidra med AI-drivna idéer och belöna framgångsrika implementeringar främjar en kultur av ständiga förbättringar och engagemang. Tävlingar, hackathons och igenkänningsprogram kan hjälpa till att driva på AI-anpassningen på alla organisationsnivåer.

Genom att anta dessa bästa metoder kan banker säkerställa sömlös AI-integration, maximera operativ effektivitet och bygga en arbetsstyrka som är rustad för framtidens finansiella tjänster.

Tack för den fina intervjun, läsare som vill veta mer bör besöka WNS.