Bankerna satsar miljarder på AI – ändå kör två av tre fast innan det börjar på allvar

Miljarder in – men var är resultaten?

Det råder inget tvivel om att finanssektorn är hänförd av artificiell intelligens. Investeringarna är enorma, ambitionerna ännu större, och i styrelserummen runt om i världen pratas det om transformation, effektivisering och konkurrensfördelar. Ändå visar en ny rapport från Finextra en besvärande bild: två tredjedelar av världens banker är fast i pilotfasen och lyckas inte rulla ut sina AI-satsningar i full skala.

Det är inte ett teknikproblem. Det är ett genomförandeproblem – och skillnaden är viktig.

Fyra hinder som bromsar bankerna

Enligt Finextra-rapporten återkommer samma förklaringar gång på gång när banker misslyckas med att skala upp:

Föråldrad teknisk infrastruktur är det kanske mest grundläggande hindret. Många banker bär på årtionden av uppbyggda system som inte var byggda för att tala med moderna AI-plattformar. Att integrera ny teknik i den miljön är som att försöka bygga ett motorvägsutbyte på ett medeltida gatunät – det går, men det kräver enormt mycket mer arbete än man trodde från början.

Kompetensbristen är lika akut. Att testa ett AI-system i en avgränsad miljö kräver ett litet team med rätt nyfikenhet. Att förvalta, vidareutveckla och ansvara för det i en levande verksamhet med miljontals transaktioner per dag – det kräver en helt annan organisatorisk mogenhet.

Regulatorisk osäkerhet gör att många banker väljer att avvakta. När de juridiska ramarna ännu inte är helt fastslagna är det rationellt att inte lägga hela sin prestige på en tekniklösning som kan behöva göras om från grunden om reglerna ändras. Försiktighet är inte feghet – det är sunt riskhantering.

Datakvaliteten är den fjärde och kanske mest underskattade utmaningen. AI-system för att identifiera penningtvätt och bedrägeri är hungriga på välstrukturerad, korrekt och historiskt rik data. Många institut har data – men inte i det skick som krävs för att träna tillförlitliga modeller.

Potentialen är verklig – och det gör frustrationen större

Det som gör situationen extra skarp är att potentialen är bevisad. I de pilotmiljöer som faktiskt fungerat har AI-baserade system visat sig betydligt bättre på att identifiera misstänkta transaktionsmönster än traditionella regelbaserade metoder. Antalet falska larm minskar, äkta hot fångas upp tidigare, och analytiker kan lägga sin tid på komplexa fall snarare än manuell genomgång av tusentals flaggade transaktioner.

Så tekniken fungerar. Frågan är varför så få lyckas ta den hela vägen.

Vad skiljer de som lyckas?

Utifrån vad som framträder i rapporten – och från vad jag själv sett i affärsutvecklingssammanhang – är svaret sällan tekniskt. De banker som lyckas skala upp har vanligtvis tre saker gemensamt:

För det första har de förankring i ledningen – inte bara entusiasm, utan faktiskt mandat och budget att göra de strukturella förändringar som krävs, inklusive att modernisera den tekniska grunden.

För det andra behandlar de AI-satsningen som ett verksamhetsprojekt, inte ett it-projekt. Affärslogiken driver, tekniken möjliggör – inte tvärtom.

För det tredje har de investerat i datahantering innan de investerat i AI. Att bygga en intelligent motor utan att ha rätt bränsle är bortkastad energi.

En lärdom som gäller alla branscher

Den här rapporten handlar om banker, men utmaningarna är universella. Samma mönster – stort intresse, snabba pilotprojekt, trög utrullning – syns inom sjukvård, tillverkning, detaljhandel och offentlig sektor. Klyftan mellan att testa AI och att leva med AI är branschöverskridande.

Det är dags att sluta mäta framgång i antalet pilotprojekt och börja mäta den i verklig, storskalig påverkan på verksamheten.