Bankernas AI-revolution fastnar i decennier av kaotisk data – och ingen vet riktigt hur man löser det
Bankernas AI-drömmar kraschar mot decennier av rörig och obrukbar data.
Löftet är stort. Verkligheten är knepigare.
Få trender har skapat lika mycket entusiasm inom finanssektorn som autonoma AI-agenter – system som självständigt kan hantera komplexa arbetsflöden, fatta beslut och genomföra transaktioner utan mänsklig inblandning för varje steg. Visionen är lockande: snabbare kreditbeslut, bättre riskhantering, mer skräddarsydda kundupplevelser. Men mellan vision och verklighet gömmer sig ett problem som är enkelt att beskriva och fruktansvärt svårt att lösa.
Enligt en analys publicerad av Finextra är entitetsigenkänning den verkliga flaskhalsen som bromsar hela projektet. Problemet låter tekniskt, men konsekvenserna är djupt affärsmässiga: när en AI-agent ska granska en kunds kredithistorik eller genomföra en betalning måste systemet med absolut säkerhet veta vem det pratar om. En och samma person kan förekomma under olika namn, personnummer eller kontobeteckningar i system som byggts upp under decennier – ofta som ett resultat av fusioner, uppköp och skilda affärsenheter som aldrig riktigt integrerats.
Banker sitter på enorma datamängder. Men data i sig är inte värde – det är tillförlitlig, sammanlänkad data som skapar värde. Utan robust entitetsmatchning riskerar AI-agenten att arbeta med fel eller ofullständig information, vilket i finansvärlden inte bara är ett tekniskt problem. Det är ett regelefterlevnadsproblem. Det är ett bedrägeririsks-problem. I värsta fall är det ett problem som kan kosta banker miljarder i böter och förlorat förtroende.
Budgetarna stampar – trots all retorik
Att det finns strukturella hinder i tekniken är en sak. Men det finns ett annat mönster som är minst lika talande: pengarna rör sig inte i den takt man skulle förvänta sig. En ny undersökning från Substantive Research, rapporterad av Finextra, visar att utgifterna för investeringsforskning i stort sett stagnerat – trots att AI-verktyg i teorin borde driva upp både behov och investeringsvilja hos institutionella aktörer.
Det här är inte ett litet avvikande kvartal. Det beskrivs som ett bestående mönster. Finansbolagen pratar om AI-transformation, men anslagen följer inte med. En möjlig förklaring är att bolagen omfördelar befintliga resurser mot AI-lösningar i stället för att skjuta till nytt kapital – en strategi som visserligen är förståelig i ett pressat kostnadsläge, men som riskerar att skapa ett farligt glapp mellan vad man säger sig prioritera och vad man faktiskt är beredd att betala för.
Det är ett välkänt fenomen i affärsutveckling: transformation kräver inte bara ny teknik, det kräver ny budget, ny kompetens och ett genuint ledarskapsmandat. Saknas något av dessa delar havererar projekten – inte för att tekniken är dålig, utan för att organisationen inte är redo.
CaixaBank väljer ändå att satsa
Mitt i denna bild av stagnation och strukturella hinder finns det aktörer som tydligt väljer att gå framåt. Den spanska storbanken CaixaBank har fördjupat sitt strategiska samarbete med Google Cloud, med målet att stärka sin tekniska infrastruktur och påskynda integrationen av AI, datahantering och molntjänster i hela verksamheten – rapporterar Finextra.
Det är ett strategiskt vägval som berättar något viktigt om hur framgångsrika banker kommer att se ut de närmaste åren. Inte genom att bygga allt i egen regi, utan genom djupgående partnerskap med ledande teknikbolag. CaixaBank väljer att lägga sin tekniska framtid i händerna på Google Cloud – i ett europeiskt regleringsklimat där det kräver mod, men också ger tillgång till resurser och kompetens som få banker kan matcha på egen hand.
För Google Cloud är affären ytterligare ett kvitto på ambitionen att befästa sin ställning i den hårt reglerade finansbranschen i Europa – en marknad där kampen mot Microsoft Azure och Amazon Web Services är stenhård och varje storbanksavtal räknas.
Klyftan är verklig – men den går att överbrygga
Det som träder fram när man lägger dessa tre berättelser bredvid varandra är inte en bild av en bransch som misslyckas. Det är en bild av en bransch i aktiv omvandling – med alla de friktioner det innebär. Entitetsigenkänning är inte ett olösligt problem; det är ett prioriteringsproblem. Stagnerade budgetar är inte ett bevis på att AI inte fungerar; det är ett tecken på att branschen ännu inte hittat rätt investeringslogik för den nya tekniken.
De banker som kommer ut som vinnare ur den här fasen är de som adresserar de strukturella problemen på allvar – inte bara köper in verktyg och hoppas på det bästa.
Vår analys
Det är lätt att bli cynisk när man ser klyftan mellan AI-retorik och faktiska investeringar i finanssektorn. Men jag läser det annorlunda: vi befinner oss i den klassiska tröghetsfasen av en teknologisk omvandling, där förståndet förstår vad som behöver göras men organisationerna ännu inte byggt kapaciteten att genomföra det.
Entitetsigenkänning som flaskhals är faktiskt goda nyheter i förklädnad. Det betyder att vi nu vet exakt var problemet sitter – och det är ett lösbart problem. Bolag som investerar i datakvalitet och entitetsmatchning nu bygger en konkurrensfördel som kommer att vara svår att kopiera om ett till två år när resten av branschen vaknar.
CaixaBanks satsning visar att det finns banker som inte väntar. De som agerar i denna fas – trots osäkerhet, trots stagnerade branschbudgetar – är de som om fem år kommer att räknas som föregångarna. Transformationsfönstret är öppet. Frågan är bara vem som väljer att kliva igenom det.