Agentic AI sa Banking: Ipinapakita ng TD Kung Ano ang Susunod

Ang artificial intelligence ay lumalalim na sa core ng operasyon ng mga tradisyonal na bangko. Sa loob ng maraming taon, ginamit na ng sektor ng pananalapi ang AI para sa pagtuklas ng pandaraya, credit scoring, segmentasyon ng customer, pagsasala para sa pagsunod, at suporta ng chatbot. Gayunpaman, karamihan sa mga sistemang iyon ay makitid, partikular sa gawain, at nakadepende sa malinaw na tinukoy na mga workflow ng tao.

Ang susunod na yugto ay iba. Ang Agentic AI ay nagbibigay sa mga bangko ng mga software agent na maaaring mag-interpret ng mga layunin, mangalap ng impormasyon, magsagawa ng maraming hakbang na gawain, mag-eskalada ng mga eksepsiyon, at lumikha ng magagamit na output na may mas kaunting direktang interbensyon ng tao. Hindi ibig sabihin nito na iniaatas ng mga bangko ang mga desisyon sa kredito sa mga algorithm na walang pagsubaybay. Ibig sabihin nito ay nagsisimula na silang i-embed ang AI sa layer ng workflow kung saan nagtatagpo ang mga dokumento, patakaran, polisiya, data ng customer, at husga ng empleyado.

Ang paglulunsad ng TD Bank Group ng unang agentic AI model nito para sa real estate secured lending ay malinaw na halimbawa kung saan patungo ang pagbabago na ito. Ginagamit ng bangko ang agentic AI upang i-automate at pasimplehin ang ilang bahagi ng proseso ng aplikasyon para sa mortgage at Home Equity Line of Credit. Ang unang deployment nito ay nakatuon sa pre-adjudication, kung saan ang sistema ay gumagawa ng mga buod na memo para sa mga underwriter sa pamamagitan ng pag-uuri ng mga dokumento, pagkuha ng mahahalagang impormasyon, pagkalkula ng kita, pagsuri ng pahintulot, pag-validate ng mga numero laban sa napiling mga kinakailangan ng polisiya, pagtukoy ng mga hindi pagkakatugma, at paggawa ng maikling buod ng file.

Ayon sa TD (TD ), ang mga unang resulta ay nagbawas ng proseso na dati ay tumatagal ng average na 15 oras sa mas mababa sa tatlong minuto. Para sa isang bangko, hindi ito basta isang pag-upgrade ng teknolohiya. Ito ay potensyal na muling disenyo kung paano niruruta, nire-review, sinusukat, at pinapalaki ang gawain sa pagpapautang.

Ano ang Agentic AI sa Pananalapi?

Ang Agentic AI ay tumutukoy sa mga AI system na maaaring maghangad ng isang layunin sa pamamagitan ng sunud-sunod na mga aksyon sa halip na simpleng tumugon sa isang prompt lamang. Ang isang karaniwang generative AI tool ay maaaring magbuod ng dokumento kapag hiniling. Ang isang agentic system ay maaaring hanapin ang mga kaugnay na dokumento, iuri ang mga ito, kunin ang kinakailangang data, ihambing ang data sa polisiya, markahan ang mga hindi pagkakatugma, ihanda ang buod, at i-ruta ang file sa isang tao na gagawa ng desisyon.

Paano Naiiba ang Agentic AI sa Karaniwang Automation

Ang tradisyonal na automation ay pinakamainam kapag ang proseso ay paulit-ulit at istraktura. Halimbawa, ang robotic process automation ay maaaring maglipat ng data mula sa isang sistema papunta sa iba kung ang format ng input ay predictable. Ang Agentic AI ay mas flexible. Maaari itong magtrabaho sa mga semi-structured na dokumento, natural na wika, internal na polisiya, at nagbabagong mga file ng customer.

Ang flexibility na iyon ang dahilan kung bakit interesado ang mga bangko. Ang kanilang base ng gastos ay puno ng knowledge work na paulit-ulit ngunit hindi simple. Ang mga empleyado ay gumugol ng malaking oras sa pagbabasa, pag-reconcile, pagbubuod, at pagsuri ng impormasyon bago makagawa ng desisyon. Ang Agentic AI ay tumatarget sa gitnang layer ng trabaho na iyon.

• Maaari nitong bawasan ang manu-manong pagsusuri ng dokumento.
• Maaari nitong mapabuti ang pagkakakonsistente sa mga komplikadong workflow.
• Maaari nitong tulungan ang mga empleyado na magpokus sa husga, mga eksepsiyon, at relasyon sa kliyente.

Bakit Nagsisimula ang Malalaking Bangko sa Pagpapautang

Ang pagpapautang ay isang lohikal na unang target para sa agentic AI dahil pinagsasama nito ang kagyat na pangangailangan ng customer, malaking dami ng mga dokumento, mataas na gastos sa operasyon, at mahigpit na kontrol sa panganib. Ang mga aplikasyon para sa mortgage at secured lending ay nangangailangan ng mga bangko na tasahin ang kita, trabaho, assets, liabilities, impormasyon ng ari-arian, pahintulot, pagsunod sa polisiya, at mga panganib sa eksepsiyon. Maraming bahagi ng trabahong iyon ay administratibo, ngunit maaaring magdulot ng panganib sa kredito, regulasyon, at reputasyon ang mga pagkakamali.

Mahalaga ang deployment ng TD dahil hindi nito inilalagay ang AI bilang kapalit ng mga underwriter. Sa halip, lumilikha ito ng mas matibay na pre-adjudication layer. Inihahanda ng AI ang file, hinahanap ang mga hindi pagkakatugma, at gumagawa ng memo. Ang tao na underwriter ay maaaring suriin ang mas kumpleto at istrakturang pakete.

Malamang na ang modelong iyon ay magiging pangunahing pattern para sa mga tradisyonal na bangko. Ang malapit na pagkakataon ay hindi ganap na autonomous na banking. Ito ay banking na pinamumunuan ng tao kung saan ang mga AI agent ang humahawak sa paghahanda, beripikasyon, at pag-oorganisa ng workflow na nagpapabagal sa mga prosesong nakaharap sa customer.

Ano ang Iniaalok ng Agentic AI sa mga Customer ng Bangko

Para sa mga customer, ang pinaka-nakikitang benepisyo ay bilis. Ang mga aplikante ng mortgage ay madalas nakararanas ng banking bilang sunod-sunod na kahilingan ng dokumento, mga panahon ng paghihintay, mga loop ng paglilinaw, at hindi malinaw na mga update sa status. Kung maikokompres ng mga AI agent ang internal na proseso ng pagsusuri, maaaring makatanggap ang mga customer ng mas maagang indikasyon ng pag-apruba, mas mabilis na kahilingan para sa nawawalang impormasyon, at mas kaunting paulit-ulit na interaksyon.

Ang bilis ay nakakaapekto rin sa kumpiyansa ng customer. Sa real estate, mahalaga ang mga pagkaantala. Maaaring harapin ng mga mamimili ang mga deadline ng alok, kondisyon sa financing, pagbabago ng rate, at mga kompetisyon na bid. Ang mas mabilis na proseso ng pre-adjudication ay maaaring magbigay ng mas kaunting pag-aalinlangan sa karanasan sa banking sa panahon ng isang mataas na stress na desisyon sa pananalapi.

Ang ikalawang benepisyo ay personalisasyon. Maaaring tulungan ng Agentic AI ang mga bangko na maunawaan kung nasaan ang isang customer sa proseso at kung anong aksyon ang kinakailangan susunod. Sa halip na pangkalahatang mensahe, maaaring magbigay ang bangko ng mas tiyak na gabay batay sa aktwal na kalagayan ng file. Maaaring magbigay ito ng mas proaktibong serbisyo sa mortgage, maliliit na pautang sa negosyo, onboarding ng pamumuhunan, at insurance.

Ang ikatlong benepisyo ay pagkakakonsistente. Ang mga prosesong pinamumunuan ng tao ay maaaring mag-iba-iba ayon sa sangay, koponan, workload, at komplikasyon ng dokumento. Maaaring i-standardize ng Agentic AI ang layer ng paghahanda upang makatanggap ang mga empleyado ng mas pare-parehong file bago mag-apply ng husga.

Ano ang Iniaalok ng Agentic AI sa mga Bangko

Para sa mga bangko, mas direkta ang ekonomiks. Ang malalaking institusyon ay nagpapatakbo sa napakalaking sukat, ngunit marami pa ring back-office na proseso ang labor-intensive. Maaaring bawasan ng Agentic AI ang oras na ginugugol ng mga empleyado sa mga mababang halaga na gawain sa pagsusuri habang pinapabuti ang throughput sa mga produktong may mataas na volume.

Ang pagkakataon ay lalo pang kaakit-akit dahil hindi kailangang lumikha ng mga bagong kategorya ng kita ang mga bangko upang makinabang. Kahit na ang mga katamtamang pagbuti sa oras ng pagproseso, paghawak ng eksepsiyon, pagtuklas ng pandaraya, at produktibidad ng empleyado ay maaaring lumikha ng makabuluhang halaga kapag inilapat sa milyun-milyong account at aplikasyon.

Mayroon ding kalamangan sa panganib. Ang isang maayos na pinamamahalaang agentic system ay maaaring mag-iwan ng istrukturadong bakas ng kung ano ang sinuri nito, kung ano ang nakuha, kung aling kinakailangan ng polisiya ang tinukoy, at kung anong eksepsiyon ang minarkahan. Ang auditability na iyon ay kritikal sa banking, kung saan ang pagiging maipaliwanag at pananagutan ay kasinghalaga ng bilis.

• Mas mababang gastos sa pagproseso sa mga workflow na maraming dokumento.
• Mas mabilis na conversion ng customer sa kompetitibong merkado ng pagpapautang.
• Mas mahusay na internal control kapag ang mga output ng AI ay sinusubaybayan at maaaring i-audit.

Ang Hamon sa Pamamahala na Hindi Maiiwasan ng mga Bangko

Ang pinakamalaking hadlang sa agentic AI sa tradisyonal na pananalapi ay hindi ang kakayahan ng modelo. Ito ay pamamahala. Ang mga bangko ay nagpapatakbo sa isang reguladong kapaligiran kung saan ang privacy, patas na pagtrato, pagiging maipaliwanag, cybersecurity, operational resilience, at pamamahala ng panganib ng modelo ay mga pangunahing pangangailangan.

Ito ang dahilan kung bakit mahalaga ang pagbanggit ng TD sa pangangasiwa ng Trustworthy AI team nito. Habang mas maraming operational na hakbang ang naaapektuhan ng agentic AI, kakailanganin ng mga bangko ang mga kontrol na sumasaklaw sa pag-access ng data, pag-validate ng modelo, pagsusuri ng tao, mga threshold ng eskalasyon, paghawak ng eksepsiyon, pagmamanman ng output, at post-deployment drift.

Ang profile ng panganib ay iba rin kumpara sa simpleng deployment ng chatbot. Ang isang agent na nagbubuod ng pampublikong impormasyon ng produkto ay mababa ang panganib. Ang isang agent na kumukuha ng kita, nagsusuri ng pahintulot, naghahanap ng mga hindi pagkakatugma, at naghahanda ng dokumentasyon sa pagpapautang ay mas malapit sa isang reguladong workflow ng desisyon. Kahit na ang tao pa rin ang huling gumagawa ng desisyon, maaaring impluwensiyahan ng AI kung ano ang unang nakikita ng tao.

Ano ang Susunod Pagkatapos ng Paglunsad ng Agentic AI ng TD?

Naipahiwatig na ng TD na ito ay unang hakbang lamang sa mas malawak na transformasyon ng real estate secured lending. Inilatag ng bangko ang RESL journey mula sa pagsusumite ng dokumento hanggang sa pagpopondo at nagplano na ipakilala ang agentic AI sa karagdagang mga hakbang. Ipinapakita nito ang isang hinaharap kung saan ang mga AI agent ay hindi hiwalay na mga tool, kundi bahagi ng imprastruktura ng workflow.

Ang susunod na yugto ay malamang na magsasama ng mas malalim na integrasyon sa mga portal ng customer, mga channel ng broker, internal na underwriting system, mga tool sa pamamahala ng dokumento, at mga risk platform. Sa halip na magbuod lamang ng mga file, maaaring tumulong ang mga agentic system na tukuyin ang mga nawawalang dokumento, magrekomenda ng susunod na pinakamainam na aksyon, maghanda ng mga conditional approval package, at subaybayan ang mga file hanggang sa pagsasara.

Higit pa sa mortgage, malamang na susundan ng iba pang tradisyonal na bangko ang katulad na mga pattern. Ang pinaka-kaakit-akit na maagang mga kaso ng paggamit ay mga larangan na may mataas na dami ng dokumento, malinaw na mga patakaran, nasusukat na cycle time, at nakapaloob na pagsusuri ng tao sa proseso. Ang commercial lending, mga imbestigasyon sa pagsunod, onboarding ng customer, mga claim sa insurance, at suporta sa wealth management ay lahat akma sa profile na iyon.

Pamumuhunan sa Agentic Integrations

Para sa mga mamumuhunan na naghahanap lampas sa mga indibidwal na bangko, isa sa mga mas direktang paraan upang subaybayan ang trend na ito ay sa pamamagitan ng mga enterprise software provider na nagtatayo ng agentic AI sa mga workflow ng financial services. Isang kapansin-pansing halimbawa ay ang Oracle Corporation (ORCL ), na pinalalawak ang Oracle Financial Services platform nito na may nakapaloob na kakayahan ng AI at mga pre-built na agent para sa mga use case ng corporate banking tulad ng treasury, trade finance, credit, at lending.

Hindi simpleng nagbebenta ang Oracle ng pangkalahatang chatbot sa mga bangko. Ang pagkakataon nito ay mas nakatuon sa imprastruktura. Ang malalaking institusyong pinansyal ay umaasa na sa kumplikadong software stack para sa core banking, risk, compliance, payments, rekord ng customer, at pagproseso ng transaksyon. Habang lumilipat ang agentic AI mula sa eksperimento patungo sa produksyon, kakailanganin ng mga bangko ang mga vendor na makakakonekta ng mga AI agent sa mga reguladong workflow, permissioned na data, audit trail, at enterprise controls.

Ginagawa nitong isang kawili-wiling benepisyaryo ang Oracle sa parehong pag-shift na binigyang-diin ng deployment ng TD sa real estate secured lending. Ipinapakita ng TD kung paano maaaring paikliin ng mga agentic system ang mga workflow ng pagpapautang na maraming dokumento. Inilalagay ng Oracle ang sarili nito bilang isa sa mga technology vendor na kayang magbigay ng katulad na agentic capabilities sa mas malawak na operasyon ng banking.

• Ang negosyo nito sa financial services ay nagbibigay ng exposure sa mga bangko, insurer, at mga kumpanya sa capital markets na nasa ilalim ng pressure na i-modernisa ang mga legacy workflow.
• Ang agentic AI strategy nito ay nakaugnay sa mga operational function kung saan malaki na ang gastusin ng mga institusyong pinansyal, kabilang ang credit, lending, treasury, at mga prosesong kalapit sa compliance.
• Ang mas malawak nitong cloud at database footprint ay maaaring makatulong na i-integrate ang mga AI agent sa enterprise systems kung saan naka-imbak at pinamamahalaan na ng mga bangko ang kritikal na data.

Ang investment case ay hindi walang panganib. Mahaba ang sales cycle ng teknolohiya ng bangko, maaaring mataas ang gastos sa implementasyon, at malamang na hindi ililipat ng mga reguladong institusyon ang mission-critical na workflow sa mga autonomous system nang walang masusing validation. Nakikipagkumpetensya rin ang Oracle sa Microsoft (MSFT ), Salesforce (CRM ), ServiceNow (NOW ), IBM (IBM ), at mga specialized fintech vendor, na lahat ay sumusunod sa AI-driven financial services automation sa iba’t ibang paraan.

Gayunpaman, maaaring palakasin ng agentic AI ang pangmatagalang halaga ng mga enterprise software vendor na malapit sa core financial workflow. Kung patuloy na itinuturing ng mga bangko ang mga AI agent bilang operational infrastructure sa halip na mga experimental na tool, ang mga mananalo ay maaaring mga kumpanyang kayang pagsamahin ang domain-specific na aplikasyon, secure cloud deployment, data governance, at workflow automation.

Para sa mga mamumuhunan, nag-aalok ang Oracle ng mas malinaw na agentic finance angle kumpara sa maraming purong AI narrative dahil ang thesis ay nakatali sa nasusukat na mga use case ng bangko: mas mabilis na credit workflow, mas automated na paghawak ng dokumento, pinabuting kapasidad ng serbisyo, at mas mahusay na operational efficiency. Habang sinusundan ng mga tradisyonal na bangko ang pamumuno ng TD, ang mga vendor na may kredibleng financial services AI platform ay maaaring maging lalong mahalagang providers ng picks-and-shovels para sa agentic banking era.

Pinakabagong Pag-unlad ng Oracle (ORCL)

Punto ng Mamumuhunan: Ang Agentic AI ay Nagiging Imprastruktura ng Bangko

Para sa mga mamumuhunan, ang pangunahing punto ay hindi dapat tingnan ang agentic AI bilang isang trend lamang sa software. Sa banking, nagiging isang pagbabago sa operating model ito. Ang mga bangko na mag-scale nito nang responsable ay maaaring mapabuti ang cost efficiency, paikliin ang timeline ng serbisyo, bawasan ang operational friction, at ipagtanggol ang relasyon sa customer laban sa mas agile na mga fintech competitor.

Ang kompetitibong edge ay hindi magmumula sa paggamit ng pinaka-advanced na modelo nang mag-isa. Magmumula ito sa pagsasama ng proprietary data, disiplinadong pamamahala, integrasyon ng workflow, pag-aampon ng empleyado, at pagpapatupad na nakaharap sa customer. Ang malalaking bangko ay may data, distribusyon, karanasan sa regulasyon, at dami ng proseso na kailangan upang makinabang. Mayroon din silang komplikasyon na nagpapahirap sa implementasyon.

Ipinapakita ng paglulunsad ng TD kung saan patungo ang sektor. Nagsisimula ang Agentic AI sa back office, malapit sa mga dokumento at workflow. Mula doon, malamang na lalawak ito patungo sa karanasan ng customer, operasyon ng credit, compliance, at advisory support. Ang mga bangko na magagawa ito nang tama ay hindi lamang mag-a-automate ng mga lumang proseso. Ire-redesign nila kung paano gumagalaw ang mga desisyon sa pananalapi mula sa aplikasyon hanggang sa pag-apruba.