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

Principais aprendizados do painel de discussão com Laure Lesage, diretora de Data e digital da ODDO BHF, Lydie Percier, diretora de inovação da Indosuez Wealth Management, e Alexis Baufine-Ducrocq, sócio da Artefact.

AI em bancos privados, usos e estratégias atuais

O private banking é um aspecto profundamente pessoal dos serviços financeiros, e ambos os bancos discutiram suas jornadas AI . Começando com o AI em 2018, um banco lançou um fundo de investimento alimentado pelo AI e utilizou algoritmos para corretagem direcionada. O outro começou com a PNL para resumir reports para gerentes de ativos e agora está testando casos de uso de GenAI, como tradução, conversão de fala em texto e consulta a data .

Casos de uso promissores em bancos privados

Ambos os bancos exploraram uma variedade de aplicativos AI . Um dos principais focos é capacitar a equipe do front office para agilizar as reuniões, gerenciar as atividades dos clientes e fornecer listas de tarefas personalizadas. O AI ajuda os banqueiros a filtrar procedimentos complexos, liberando-os para passar mais tempo com os clientes. No entanto, o desafio está em equilibrar os casos de uso de alto impacto com a viabilidade operacional, garantindo um suporte significativo para a equipe sem complicar demais os fluxos de trabalho diários.

AI suporte ao gerenciamento de relacionamentos

A confiança e a personalização são vitais no gerenciamento de patrimônio. Em vez de substituir as interações humanas, o site AI serve para aprimorar a capacidade dos banqueiros de dar suporte eficaz aos clientes. Começando com ferramentas internas - como chatbots integrados aos CRMs - os banqueiros recebem insights acionáveis dos clientes para melhorar a tomada de decisões. Ambos os bancos veem o AI como uma ferramenta para aumentar, em vez de substituir, os relacionamentos personalizados com os clientes, cruciais para os bancos privados.

Equilíbrio entre inovação e ROI

Mostrar o retorno sobre o investimento para projetos AI é complexo, mas ambos os bancos enfatizam a agilidade. A estratégia envolve investimentos rápidos e pequenos com validação rápida, minimizando o risco e criando confiança com os patrocinadores. Um banco adotou design sprints para validar conceitos antes de grandes investimentos, e ambos estão convencidos de que o AI terá um impacto significativo no setor. Entretanto, eles evitam tirar conclusões rápidas, concentrando-se em ganhos de longo prazo.

Desafios de dimensionamento e desenvolvimento de habilidades

A industrialização e o dimensionamento das tecnologias AI continuam sendo um desafio. Os sistemas legados, as pilhas de tecnologia em evolução e os novos requisitos de habilidades em data analytics e AI apresentam obstáculos. Ambos os bancos investem na contratação de talentos especializados, como engenheiros de data e especialistas em ML, ao mesmo tempo em que aprimoram as habilidades dos funcionários atuais para manter a continuidade. Apesar do apoio da gerência, provar que esses investimentos são corretos é fundamental para obter um apoio mais amplo às iniciativas orientadas por AI.

Garantir a adoção e a confiança do usuário

Um banco promove a adoção criando ambientes sem estresse para que os bancários explorem o AI, começando com casos de uso geral antes de passar para aplicativos mais específicos. O objetivo é ajudar os bancários a perceber o valor que o AI traz para suas vidas profissionais. Para o treinamento, são encenados cenários para mostrar como o AI pode ajudar na aquisição de clientes e em outras tarefas. O segundo banco enfatiza o envolvimento da liderança, treinando a alta gerência em AI, promovendo as comunidades data e AI e realizando regularmente eventos de conscientização para compartilhar histórias de sucesso e facilitar o aprendizado. Os bancos priorizam diferentes níveis de treinamento - tanto de base ampla quanto focado em especialistas - para criar confiança e adoção entre os funcionários.