Artificiell intelligens (AI) omformar finansbranschen och 91 % av finansinstituten använder AI. Kombinationen av billigare datorkraft, bättre verktyg och konkurrenstryck har gjort att AI har gått från att vara experimentellt till att vara nödvändigt när det gäller bedrägeri, krediter, betalningar och efterlevnad. Detta för med sig möjligheter och risker, särskilt i en bransch som är så reglerad som finansbranschen.

Nedan tar vi upp hur AI inom finans förändrar betalningar och riskhantering, vad detta innebär för kundupplevelsen och en del av regel- och säkerhetslandskapet för institut som implementerar dessa system.

Viktiga punkter

• AI ger tydlig, mätbar avkastning inom upptäckt av bedrägeri och riskanalys för krediter.

• Regulatoriska krav på förklarbarhet och oproportionerlig påverkan kräver uppmärksamhet.

• Nästa steg för de flesta institut är att implementera dessa AI-drivna verktyg på ett ansvarsfullt sätt, vilket är en utmaning som rör både organisation och styrning såväl som teknik.

Varför accelereras införandet av AI i finansbranschen?

Finans har alltid varit en datatung bransch. Men under lång tid låg branschens förmåga att agera på dessa data långt efter dess förmåga att samla in den.

Nu sammanstrålar tre krafter för att ändra på det:

• Beräkningskostnaderna har sjunkit: Att köra stora modeller på stora arbetsbelastningar skulle ha varit oöverkomligt dyrt för de flesta företag för fem år sedan. På grund av de lägre kostnaderna är det nu praktiskt genomförbart även för många medelstora institut.

• Verktyg med öppen källkod har mognat: Att bygga vidare på befintlig infrastruktur är vanligtvis snabbare och billigare än att bygga från grunden. Detta har sänkt tröskeln för institut utan stora egna AI-team.

• Konkurrenstrycket har ökat: Institut med snabbare och mer exakta signaler gällande kreditrisk eller bedrägeri har en betydande fördel gentemot de som fortfarande använder äldre system som utformats för lägre datavolymer.

Vilka är de viktigaste AI-trenderna som formar finansiella tjänster?

AI spelar många roller i finansbranschen och förändrar hur man gör saker överallt, bland annat inom teknikutveckling för finansiell teknik (fintech), på juridiska avdelningar med mera.

AI förbättrar dessa områden:

• Intern produktivitet: Banker och försäkringsbolag använder stora språkmodeller (LLM) för att hjälpa analytiker att sammanfatta presentationer om intäkter, skriva utkast till kreditpromemorior och söka i interna kunskapsdatabaser.

• Prediktiv modellering: Traditionell kreditvärdering förlitar sig på ett snävt antal variabler (t.ex. historik för betalning, utnyttjandegrad, kredithistorikens längd). Alternativa datamodeller kan införliva hundratals variabler för att generera kreditbedömningar för kunder med tunna eller obefintliga register, vilka annars aldrig skulle övervägas för konventionell riskanalys.

• Upptäckt av bedrägeri i realtid: Branschen har nästan helt och hållet övergått från regelbaserade system till modelldrivna sådana. Maskininlärningsmodeller kan identifiera avvikelser i spenderingsmönster som inget statiskt regelverk skulle upptäcka, och de uppdateras kontinuerligt allteftersom attackmönstren förändras.

• Agentiska finansiella arbetsflöden: Branschen införlivar agentiska arbetsflöden som kan vidta åtgärder i flera steg (t.ex. stämma av konton, utlösa betalningskörningar eller eskalera undantag) med minimal mänsklig inblandning i varje steg.

Hur omvandlar AI betalningar, risk och verksamhet i finansbranschen?

AI hanterar volym- och mönsterigenkänning i en hastighet och skala som manuella processer inte kan mäta sig med. AI-verktyg för betalning har haft en mätbar inverkan på kundupplevelsen och förlustnivåerna.

Här är vad de kan göra:

• Bedömning av bedrägeri i realtid: Moderna kortbetalningsnätverk och betalningsleverantörer kan snabbt analysera många datapunkter per transaktion (t.ex. enhetsfingeravtryck, transaktionshastighet, geografiskt mönster och tid på dygnet) och använda dem för att generera en riskpoäng innan de autentiserar en betalning. Stripe Radar använder exempelvis maskininlärningsmodeller som har tränats på data från miljontals företag för att upptäcka avvikelser och tilldela en riskpoäng till varje transaktion.

• Proaktiv hantering av tvister: AI kan flagga transaktioner som sannolikt kommer att leda till återkrediteringar innan en tvist har skapats. Detta ger företag möjlighet att proaktivt återbetala eller kontakta kunden, vilket kan minska antalet tvister.

• Riskanalys av krediter: AI-drivna modeller kan snabbt leverera ett beslut om utlåning till en kund. Vid utlåning till små företag kan kassaflödesanalys ersätta eller komplettera traditionell dokumentgranskning, vilket historiskt sett har saktat ner godkännanden.

• Hantering av likviditet och kassa: Finansteam kan använda AI för att mer exakt prognostisera kassapositioner genom att modellera historiska mönster tillsammans med realtidsdata för inflöde och utflöde.

• Övervakning av efterlevnad: AI-programvara för efterlevnad kan skanna stora volymer av kommunikation och transaktionsaktivitet efter indikatorer på policyöverträdelser eller regelrisker utan många av de inkonsekvenser som en manuell granskning innebär.

Hur påverkar användningen av AI i finansbranschen kundens upplevelse och förtroende?

AI har potential att få kunderna att känna sig tryggare och mer sedda. Men samma funktioner kan göra kundupplevelsen mer förvirrande eller otydlig.

Tänk på följande problem:

• Anpassning kontra integritet: Anpassningsmotorer kan lyfta fram relevanta produkter baserat på kontobeteende istället för att förlita sig på breda demografiska segment. Men AI-driven anpassning är beroende av detaljerade beteendedata, och en del kunder känner obehag inför hur dessa data används.

• Kundtjänstens begränsningar: AI-drivna virtuella assistenter kan hantera saldoförfrågningar och rutinmässiga förfrågningar korrekt och snabbt, men de kan ofta inte svara på komplexa eller tvetydiga frågor. När en kund inte kan nå en människa efter att assistenten har misslyckats kan relationen skadas.

• Bristande insyn i viktiga beslut: Kunder vet förmodligen inte när AI är inblandat i ett beslut som påverkar dem, till exempel ett avslag på en kredit, en flaggning för bedrägeri eller ett flaggat konto. När dessa beslut är felaktiga kan bristen på insyn göra det svårare att bestrida dem och skapa en känsla av godtycklighet som kan urholka förtroendet för institutet.

Vilka regelmässiga, säkerhetsmässiga och etiska överväganden finns det kring AI inom finans?

Tillsynsramverken kring AI inom finans förändras snabbt, liksom säkerhetsrelaterade och etiska farhågor. Institut som implementerar AI måste ta hänsyn till denna dynamik.

Här är vad du bör tänka på:

• Vägledning i USA om negativa åtgärder: Consumer Financial Protection Bureau (CFPB) har klargjort att användning av en algoritm inte befriar en långivare från att ange specifika, korrekta skäl till negativa kreditåtgärder enligt Equal Credit Opportunity Act. I USA är det ett efterlevnadskrav att ta fram förklarbara utdata.

• EU:s AI-lag: EU:s AI-lag klassificerar AI-system som används för kreditvärdering och bedömning av kreditvärdighet som högrisk, vilket ställer krav på transparens, mänsklig tillsyn och dokumentation som går utöver vad många finansinstitut har. Tidslinjer för efterlevnad gäller för vissa bestämmelser.

• Partiskhet i modeller och oproportionerlig påverkan: Träningsdata som återspeglar historiska utlåningsmönster kan koda in historisk diskriminering. Modeller som tränats på tidigare godkännanden lär sig att replikera dessa mönster, såvida inte träningsprocessen uttryckligen tar hänsyn till det. Detta är ett etiskt och regelmässigt problem eftersom tillsynsmyndigheter behandlar oproportionerlig påverkan som en tillsynsfråga.

• AI som attackyta: Modeller för att upptäcka bedrägeri kan sonderas och manipuleras av sofistikerade aktörer som förstår hur de fungerar och testar inmatningar som är utformade för att undvika att upptäckas. Detta är ett aktivt område inom antagonistisk forskning.

Hur bör finansinstitut förbereda sig för fortsatt implementering av AI?

De institut som ligger i framkant har byggt upp infrastrukturen och den organisatoriska kapaciteten för att införa AI ansvarsfullt i stor skala.

Här är vad du ska fokusera på:

• Datakvalitet: En väldesignad modell som tränats på ren, välmärkt data kommer att överträffa en sofistikerad modell som tränats på rörig data. Många institut underinvesterar i datainfrastruktur i förhållande till modellutveckling, vilket är ett problem som förvärras över tid.

• Mänsklig tillsyn: Tillsynsramverk kräver mänsklig granskning av viktiga AI-beslut. Det innebär att man måste utforma arbetsflöden där granskare har kontext, tid och befogenhet att åsidosätta modellernas utdata.

• Noggrann utvärdering av leverantörer: När finansinstitut inför ett AI-system från en tredjepartsleverantör är de ansvariga för vad systemet gör. Leverantörsbedömningar bör inkludera förklarbarhet, metodik för att testa partiskhet, praxis för datahantering och leverantörens aktuella regelefterlevnad.

• Tvärfunktionellt ägande: AI-implementeringar som hanteras helt och hållet av teknikteam tenderar att missa konsekvenser för efterlevnad, juridiska aspekter och kundupplevelse. De institut som bygger upp hållbara AI-funktioner behandlar dessa som tvärfunktionella program.

• Granskningsspår för alla viktiga beslut: Oavsett om det rör sig om ett avslag på en kredit, en flaggning för bedrägeri eller en automatiserad betalningsreservation måste instituten kunna rekonstruera varför en modell producerade ett visst utfall. Detta är viktigt för tillsynsmyndigheter, kunder och institutets granskningsprocesser.

Så kan Stripe Payments hjälpa till

Stripe Payments erbjuder en enhetlig, global betalningslösning som hjälper alla företag – från växande startupföretag till globala företag – att ta emot betalningar online, fysiskt och runt om i världen.

Det här kan Stripe Payments hjälpa till med:

• Optimera din kassaupplevelse: Skapa en friktionsfri kundupplevelse och spara tusentals arbetstimmar med färdiga användargränssnitt för betalning, tillgång till över 125 betalningsmetoder och Link, en plånbok skapad av Stripe.

• Expandera till nya marknader snabbare: Nå kunder över hela världen och minska komplexiteten och kostnaderna för hantering av flera valutor med gränsöverskridande betalningsalternativ, tillgängliga i 195 länder och för över 135 valutor.

• Göra betalningar både fysiskt och online till en enhetlig upplevelse: Bygg en enhetlig köpupplevelse i digitala och fysiska kanaler för att personanpassa interaktioner, belöna lojalitet och öka intäkterna.

• Förbättrad betalningsprestanda: Öka intäkterna med en rad anpassningsbara, lättkonfigurerade betalningsverktyg, inklusive kodfritt skydd mot bedrägeri och avancerade funktioner som förbättrar auktoriseringstiderna.

• Snabbare utveckling med en flexibel och pålitlig plattform för tillväxt: Bygg vidare på en plattform som är utformad för att skala upp med dig, med historisk upptid på 99,999 % och branschledande tillförlitlighet.

Läs mer om hur Stripe Payments kan underlätta dina betalningar online och i fysisk miljö, eller börja idag.