BNP PARIBAS e ARTEFACT na AI for Finance by Artefact - Transformando o banco comercial com IA

Pierre Ruhlmann destacou como o banco estrutura suas iniciativas de IA em torno do valor. O programa é baseado em três pilares: tribos que oferecem jornadas de clientes, uma fábrica de IA para soluções em escala e um centro de especialização para avaliar o valor comercial e promover a alfabetização em IA. Essa estrutura organizacional foi implementada nos últimos quatro anos, marcando o fim da primeira fase.

Pierre enfatizou que o BNP Paribas mede o valor em várias dimensões, não apenas em retornos financeiros. Embora a economia de custos e a eficiência sejam cruciais, o banco também prioriza a satisfação do cliente e o envolvimento dos funcionários. O banco usa o Net Promoter Scores (NPS) para monitorar como os recursos de IA afetam as experiências dos clientes. O envolvimento dos funcionários é igualmente importante, garantindo que a equipe sinta os benefícios da IA, o que se alinha com o foco duplo do banco em clientes e funcionários.

Pierre compartilhou exemplos de como o banco dimensiona suas soluções de IA, especialmente em aprendizado de máquina para pontuação e processamento inteligente de documentos. Embora o BNP Paribas tenha feito investimentos significativos nessas áreas, eles estão menos maduros em projetos de IA generativa. Dois MVPs, “Gary” e “Genius Bar”, estão em desenvolvimento, com foco na gestão de conhecimento interno e melhorias no atendimento ao cliente. Ambos os projetos precisam de mais otimização antes de serem totalmente industrializados.

O sistema Gary foi projetado para ajudar os funcionários com verificações e procedimentos de produtos. Embora 90% da força de trabalho tenha adotado o sistema, surgiram desafios de implementação, como inconsistências na base de conhecimento em vários procedimentos. É fundamental resolver essas inconsistências antes que a solução possa ser ampliada. Gary representa uma etapa crucial para melhorar os processos internos com IA.

O Genius Bar, o segundo MVP principal, tem como objetivo aprimorar o atendimento ao cliente, substituindo chatbots desatualizados por uma solução de IA generativa. Com mais de um milhão de interações previstas para os próximos dois anos, a industrialização dessa solução exige uma abordagem cautelosa. Os exercícios de red-teaming foram essenciais para identificar problemas de segurança e confiabilidade, que foram corrigidos para garantir o dimensionamento suave do sistema.

Pierre enfatizou a adoção da IA, usando o Microsoft Copilot como exemplo. Um teste com 20 funcionários mostrou que, apesar do interesse inicial, metade parou de usar a ferramenta. Isso levou a um Champion Program e a um treinamento direcionado. O banco agora está ampliando o Copilot com cautela para garantir um bom retorno sobre o investimento.

Os desafios de adoção também incluem a promoção de uma mentalidade crítica entre os funcionários para garantir que os resultados da IA sejam interpretados corretamente. Dada a natureza regulamentada do setor bancário, os funcionários precisam ser cautelosos ao confiar apenas em soluções geradas por IA. Pierre também abordou o medo de que a IA possa tirar empregos, assegurando aos funcionários que a IA aumentará, e não substituirá, seu trabalho. Ele destacou o uso de testes AB para comparar o valor das tarefas realizadas com e sem IA, ajudando a promover a confiança e a compreensão do potencial da IA dentro da organização.