AI para a Cúpula de Finanças por Artefact - 17 de setembro de 2024 - Paris

Principais aprendizados da discussão entre Pierre Ruhlmann, diretor de operações do banco de varejo francês do BNP Paribas, e Joffrey Martinez, líder global de serviços financeiros do Artefact.

A estrutura do BNP Paribas AI : Criando valor por meio de tribos e expertise

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

Medição de valor além dos retornos financeiros

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 rastrear como os recursos do AI afetam as experiências dos clientes. O envolvimento dos funcionários é igualmente importante, garantindo que a equipe sinta os benefícios do AI, que se alinha com o foco duplo do banco nos clientes e nos funcionários.

Dimensionamento e industrialização AI

Pierre compartilhou exemplos de como o banco dimensiona suas soluções AI , 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 nos projetos generativos do AI . Dois MVPs, "Gary" e "Genius Bar", estão em desenvolvimento, com foco na gestão do conhecimento interno e em melhorias no atendimento ao cliente. Ambos os projetos precisam de mais otimização antes de serem totalmente industrializados.

Gary AI para a gestão do conhecimento interno

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 o aprimoramento dos processos internos com o site AI.

Substituição de chatbots desatualizados

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

O desafio da adoção do AI

Pierre enfatizou a adoção do AI , 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.

Desenvolver uma mentalidade crítica AI e lidar com os medos do trabalho

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