Kunstmatige intelligentie en machine learning worden al meer dan tien jaar gebruikt in de financiële dienstverlening, waardoor verbeteringen mogelijk zijn die variëren van betere acceptatie tot verbeterde fundamentele fraudescores. generatieve AI via grote taalmodellen (LLM's) vertegenwoordigt een monumentale sprong en transformeert onderwijs, spellen, handelEn nog veel meer. Terwijl traditionele AI/ML gericht is op het maken van voorspellingen of classificaties op basis van bestaande gegevens, generatieve AI creëert net-nieuwe inhoud.   

Dit vermogen om LLM's te trainen op enorme hoeveelheden ongestructureerde gegevens, gecombineerd met in wezen onbeperkte rekenkracht, zou kunnen opleveren de grootste transformatie die de markt voor financiële dienstverlening in decennia heeft doorgemaakt. In tegenstelling tot andere platformverschuivingen - internet, mobiel, cloud - waar de financiële dienstverlening achterbleef bij de acceptatie, verwachten we hier dat de beste nieuwe bedrijven en gevestigde exploitanten nu generatieve AI omarmen.   

Financiële dienstverleners hebben enorme hoeveelheden historische financiële gegevens; als ze deze gegevens gebruiken om LLM's te verfijnen (of helemaal opnieuw te trainen, zoals Bloomberg GPT), zullen ze in staat zijn om snel antwoorden te geven op bijna elke financiële vraag. Een LLM die bijvoorbeeld is getraind in de chats met klanten van een bedrijf en enkele aanvullende productspecificatiegegevens, moet in staat zijn om direct alle vragen over de producten van het bedrijf te beantwoorden, terwijl een LLM die is getraind in 10 jaar Suspicious Activity Reports (SAR's) van een bedrijf, in staat moet zijn om een ​​reeks transacties te identificeren die duiden op witwaspraktijken. Wij zijn van mening dat de financiële dienstverlening klaar is om generatieve AI in te zetten voor vijf goals: gepersonaliseerde consumentenervaringen, kostenefficiënte bedrijfsvoering, betere naleving, verbeterd risicobeheer en dynamische prognoses en rapportages. 

In de strijd tussen zittende bedrijven en startups, zullen de gevestigde exploitanten een eerste voordeel hebben bij het gebruik van AI om nieuwe producten te lanceren en de bedrijfsvoering te verbeteren, gezien hun toegang tot eigen financiële gegevens, maar uiteindelijk zullen ze worden belemmerd door hun hoge drempels voor nauwkeurigheid en privacy. Aan de andere kant zullen nieuwkomers in eerste instantie misschien openbare financiële gegevens moeten gebruiken om hun modellen te trainen, maar ze zullen snel hun eigen gegevens gaan genereren en AI gaan gebruiken als wig voor de distributie van nieuwe producten. 

Laten we eens kijken naar de vijf doelen om te zien hoe gevestigde bedrijven en startups gebruik kunnen maken van generatieve AI.

Terwijl consument fintech-bedrijven hebben de afgelopen 10 jaar enorm veel succes geboekt, ze hebben hun meest ambitieuze belofte nog niet waargemaakt: om de balans en resultatenrekening van een consument te optimaliseren, zonder tussenkomst van een mens. Deze belofte blijft onvervuldgevuld omdat gebruikersinterfaces niet in staat zijn om de menselijke context die financiële beslissingen beïnvloedt volledig vast te leggen of om advies en cross-selling te geven op een manier die mensen helpt de juiste afwegingen te maken.

Een goed voorbeeld van waar niet voor de hand liggende menselijke context ertoe doet, is hoe consumenten prioriteit geven aan het betalen van rekeningen tijdens ontberingen. Consumenten hebben de neiging om zowel het nut als het merk in overweging te nemen bij het nemen van dergelijke beslissingen, en het samenspel van deze twee factoren maakt het ingewikkeld om een ​​ervaring te creëren die volledig kan vastleggen hoe deze beslissing kan worden geoptimaliseerd. Dit maakt het moeilijk om bijvoorbeeld best-in-class kredietcoaching te geven zonder tussenkomst van een menselijke medewerker. Terwijl ervaringen zoals die van Credit Karma klanten voor 80% van de reis kunnen meenemen, wordt de resterende 20% een griezelig dal waar verdere pogingen om de context vast te leggen de neiging hebben om te smal te zijn of valse precisie te gebruiken, waardoor het vertrouwen van de consument wordt geschonden.

Soortgelijke tekortkomingen bestaan ​​in modern vermogensbeheer en belastingvoorbereiding. Bij vermogensbeheer winnen menselijke adviseurs het van fintech-oplossingen, zelfs die eng gericht op specifieke activaklassen en strategieën, omdat mensen sterk worden beïnvloed door idiosyncratische hoop, dromen en angsten. Dit is de reden waarom menselijke adviseurs van oudsher in staat waren om hun advies voor hun klanten beter af te stemmen dan de meeste fintech-systemen. In het geval van belastingen, zelfs met behulp van moderne software, geven Amerikanen meer uit 6 miljard uur op hun belastingen, maken 12 miljoen fouten en laten vaak inkomsten achter of zien af ​​van een voordeel waarvan ze niet op de hoogte waren, zoals het mogelijk aftrekken van werk- en reiskosten. 

LLM's bieden een nette oplossing voor deze problemen met een beter begrip en dus een betere navigatie van de financiële beslissingen van consumenten. Deze systemen kunnen vragen beantwoorden ("Waarom zit een deel van mijn portefeuille in muni-obligaties?"), afwegingen evalueren ("Hoe moet ik denken over looptijdrisico versus rendement?"), en uiteindelijk de menselijke context meenemen in de besluitvorming ("Kun je een plan dat flexibel genoeg is om mijn bejaarde ouders op een bepaald moment in de toekomst financieel te ondersteunen?”). Deze mogelijkheden zouden fintech voor consumenten moeten transformeren van een hoogwaardige, maar beperkt gerichte reeks gebruiksscenario's naar een andere waar apps consumenten kunnen helpen hun hele financiële leven te optimaliseren.

-Anish Acharya en Sumeet Singh

In een wereld waar generatieve AI-tools een bank kunnen doordringen, moet Sally continu worden onderschreven, zodat ze op het moment dat ze besluit een huis te kopen, een vooraf goedgekeurde hypotheek heeft. 

Helaas bestaat deze wereld nog niet om drie belangrijke redenen: 

• Ten eerste bevindt consumenteninformatie zich in meerdere verschillende databases. Dit maakt cross-selling en het voorspellen van de behoeften van de consument zeer uitdagend. 
• Ten tweede zijn financiële diensten zeer gewaardeerde emotionele aankopen met vaak complexe en moeilijk te automatiseren beslissingsbomen. Dit betekent dat banken grote klantenserviceteams in dienst moeten hebben om de vele vragen van hun klanten te beantwoorden over welke financiële producten het beste voor hen zijn, op basis van hun individuele situatie.
• Ten derde zijn financiële diensten sterk gereguleerd. Dit betekent dat menselijke werknemers, zoals leningfunctionarissen en verwerkers, op de hoogte moeten zijn van elk beschikbaar product (bijvoorbeeld hypotheken) om ervoor te zorgen dat complexe, maar ongestructureerde wetten worden nageleefd.

Generatieve AI zal de arbeidsintensieve functies van het ophalen van gegevens van meerdere locaties en het begrijpen van ongestructureerde gepersonaliseerde situaties en ongestructureerde nalevingswetten, 1000x efficiënter maken. Bijvoorbeeld:

• Klantenservice agenten: Bij elke bank moeten duizenden medewerkers van de klantenservice nauwgezet worden opgeleid in de producten van de bank en de bijbehorende nalevingsvereisten om vragen van klanten te kunnen beantwoorden. Stel je nu eens voor dat een nieuwe medewerker van de klantenservice begint en dat deze het voordeel heeft toegang te hebben tot een LLM die is getraind in de afgelopen 10 jaar van klantenservicegesprekken in alle afdelingen van de bank. De vertegenwoordiger zou het model kunnen gebruiken om snel het juiste antwoord op elke vraag te genereren en hen te helpen intelligenter over een breder scala aan producten te praten, terwijl tegelijkertijd de hoeveelheid tijd die nodig is om ze te trainen wordt verminderd. Een gevestigde exploitant zou ervoor willen zorgen dat hun eigendomsgegevens en klantspecifieke PII niet worden gebruikt om een ​​algemene LLM te verbeteren die andere bedrijven zouden kunnen gebruiken. Nieuwkomers zouden creatief moeten zijn in het opstarten van een dataset.
• Lening officieren: Leningambtenaren halen momenteel gegevens uit bijna een dozijn verschillende systemen om een ​​leningbestand te genereren. Een generatief AI-model zou kunnen worden getraind op gegevens van al deze systemen, zodat een leningfunctionaris eenvoudig de naam van een klant kan opgeven en het leningbestand onmiddellijk voor hem kan worden gegenereerd. Een leningfunctionaris zou waarschijnlijk nog steeds nodig zijn om 100% nauwkeurigheid te garanderen, maar hun proces voor het verzamelen van gegevens zou veel efficiënter en nauwkeuriger zijn.
• Kwaliteitsverzekering: Een groot deel van de QA bij banken en fintech-bedrijven omvat het waarborgen van volledige naleving van tal van regelgevende instanties. Generatieve AI zou dit proces drastisch kunnen versnellen. Bijvoorbeeld, Vesta zou een generatief AI-model kunnen bevatten dat is getraind met de Fannie Mae-verkoopgids om een ​​hypotheekadviseur onmiddellijk te waarschuwen voor nalevingsproblemen. Aangezien veel van de regelgevingsgidsen openbaar beschikbaar zijn, kan dit een interessante wig vormen voor nieuwkomers op de markt. De echte waarde komt echter nog steeds toe aan de bedrijven die eigenaar zijn van de workflow-engine.

Dit zijn allemaal stappen die zullen leiden naar een wereld waarin Sally direct toegang heeft tot een potentiële hypotheek.

-Angela Strange, Alex Rampell en Marc Andrusko

Toekomstige compliance-afdelingen die generatieve AI omarmen, zouden mogelijk de $ 800 miljard kunnen stoppen $ 2 biljoen dat jaarlijks wereldwijd illegaal wordt witgewassen. Drugshandel, georganiseerde misdaad en andere illegale activiteiten zouden allemaal hun meest dramatische vermindering in decennia meemaken.

Vandaag de dag zijn de miljarden dollars die momenteel worden uitgegeven aan compliance alleen 3% effectief bij het stoppen van crimineel witwassen. Nalevingssoftware is gebouwd op grotendeels "hard-coded" regels. Anti-witwassystemen stellen nalevingsfunctionarissen bijvoorbeeld in staat om regels uit te voeren zoals "transacties van meer dan $ 10 markeren" of scannen op andere vooraf gedefinieerde verdachte activiteiten. Het toepassen van dergelijke regels kan een onvolmaakte wetenschap zijn, waardoor de meeste financiële instellingen worden overspoeld met valse positieven die ze wettelijk verplicht zijn te onderzoeken. Compliancemedewerkers besteden een groot deel van hun tijd aan het verzamelen van klantinformatie uit verschillende systemen en afdelingen om elke gemarkeerde transactie te onderzoeken. Naar voorkom hoge boetes, hebben ze duizenden in dienst, vaak meer dan 10% van het personeelsbestand van een bank. 

Een toekomst met generatieve AI kan het volgende mogelijk maken:

• Efficiënte screening: Een generatief AI-model zou een samenvatting van belangrijke informatie over verschillende systemen over elk individu snel binnen handbereik van een compliance officer kunnen brengen, waardoor compliance officers sneller tot een antwoord kunnen komen als een transactie een probleem was. 
• Witwassers beter voorspellen: Stel je nu een model voor dat is getraind op de afgelopen 10 jaar Suspicious Activity Reports (SAR's). Zonder het model specifiek te hoeven vertellen wat een witwasser is, zou AI kunnen worden gebruikt om nieuwe patronen in de rapporten te detecteren en zijn eigen definities te creëren van wat een witwasser is. 
• Snellere documentanalyse: Compliance-afdelingen zijn verantwoordelijk om ervoor te zorgen dat het interne beleid en de procedures van een bedrijf worden gevolgd en dat ze zich houden aan de wettelijke vereisten. Generatieve AI kan grote hoeveelheden documenten analyseren, zoals contracten, rapporten en e-mails, en potentiële problemen of aandachtspunten signaleren die verder onderzoek vereisen.
• Training en onderwijs: Generatieve AI kan worden gebruikt om trainingsmateriaal te ontwikkelen en real-world scenario's te simuleren om nalevingsfunctionarissen op te leiden over best practices en hoe potentiële risico's en niet-conform gedrag kunnen worden geïdentificeerd.

Nieuwkomers kunnen starten met openbaar beschikbare nalevingsgegevens van tientallen bureaus, en zoeken en synthese sneller en toegankelijker maken. Grotere bedrijven profiteren van jarenlange verzamelde gegevens, maar ze zullen de juiste privacyfuncties moeten ontwerpen. Compliance wordt lange tijd beschouwd als een groeiende kostenplaats, ondersteund door verouderde technologie. Generatieve AI gaat dit veranderen.

-Angela Vreemd en Joe Schmidt

Archegos en de London Whale klinken misschien als wezens uit de Griekse mythologie, maar beide vertegenwoordigen zeer reële mislukkingen van risicobeheer die verschillende van 's werelds grootste banken miljarden aan verliezen hebben gekost. Voeg daar het veel recentere voorbeeld van Silicon Valley Bank aan toe en het wordt duidelijk dat risicobeheer een uitdaging blijft voor veel van onze toonaangevende financiële instellingen. 

Hoewel de vooruitgang op het gebied van AI niet in staat is om krediet-, markt-, liquiditeits- en operationele risico's volledig uit te bannen, geloven we dat deze technologie een belangrijke rol kan spelen bij het helpen van financiële instellingen om deze risico's sneller te identificeren, te plannen en erop te reageren wanneer deze zich onvermijdelijk voordoen. Tactisch gezien zijn hier een paar gebieden waarop we geloven dat AI kan bijdragen aan een efficiënter risicobeheer:

• Natuurlijke taalverwerking: LLM-modellen zoals ChatGPT kunnen helpen bij het verwerken van grote hoeveelheden ongestructureerde gegevens, zoals nieuwsartikelen, marktrapporten en onderzoek van analisten, waardoor een vollediger beeld wordt verkregen van markt- en tegenpartijrisico's.
• Realtime inzichten: Onmiddellijke zichtbaarheid van marktomstandigheden, geopolitieke gebeurtenissen en andere risicofactoren zou bedrijven in staat kunnen stellen zich sneller aan veranderende omstandigheden aan te passen.
• Voorspellende analyse: De mogelijkheid om aanzienlijk complexere scenario's uit te voeren en vroegtijdige waarschuwingen te geven, zou bedrijven kunnen helpen om blootstellingen proactiever te beheren.
• integratie: Door ongelijksoortige systemen te integreren en AI te gebruiken om informatie te synthetiseren, kan een completer beeld van risicoblootstelling worden verkregen en kunnen risicobeheerprocessen worden gestroomlijnd.

-David Haber en Marc Andrusko

Naast het kunnen helpen met het beantwoorden van financiële vragen, kunnen LLM's financiële dienstverleners ook helpen hun eigen interne processen te verbeteren, waardoor de dagelijkse werkstroom van hun financiële teams wordt vereenvoudigd. Ondanks de vooruitgang in vrijwel elk ander aspect van financiën, wordt de dagelijkse workflow van moderne financiële teams nog steeds aangedreven door handmatige processen zoals Excel, e-mail en business intelligence-tools die menselijke input vereisen. Basistaken moeten nog worden geautomatiseerd vanwege een gebrek aan gegevenswetenschappelijke middelen, en CFO's en hun directe ondergeschikten besteden bijgevolg te veel tijd aan tijdrovende archiverings- en rapportagetaken, terwijl ze zich zouden moeten concentreren op top-van-piramide strategische beslissingen. 

Over het algemeen kan generatieve AI deze teams helpen gegevens uit meer bronnen binnen te halen en het proces van het signaleren van trends en het genereren van prognoses en rapportage te automatiseren. Enkele voorbeelden zijn:

• Voorspelling: Generatieve AI kan helpen bij het schrijven van formules en query's in Excel-, SQL- en BI-tools die analyse kunnen automatiseren. Bovendien kunnen dergelijke tools helpen om patronen aan het licht te brengen en input voor prognoses te suggereren op basis van een bredere set gegevens met complexere scenario's (dwz rekening houden met macro-economie) en suggereren hoe deze modellen gemakkelijker kunnen worden aangepast om de besluitvorming van het bedrijf te ondersteunen. 
• Rapportage: In plaats van tijd te besteden aan het handmatig ophalen van gegevens en analyses in zowel externe als interne rapporten (bijv. board decks, beleggersrapporten, wekelijkse dashboards), kan generatieve AI helpen bij het automatiseren van het maken van tekst, grafieken, grafieken en meer, door dergelijke rapportage aan te passen op basis van verschillende voorbeelden.
• Boekhouding en belasting: Zowel de boekhoudkundige als de fiscale teams besteden tijd aan het raadplegen van de regels en het begrijpen hoe ze moeten worden toegepast. Generatieve AI kan helpen bij het synthetiseren, samenvatten en suggereren van mogelijke antwoorden over de belastingwetgeving en mogelijke aftrekposten.
• Inkoop en schulden: Generatieve AI kan helpen bij het automatisch genereren en aanpassen van contracten, inkooporders en facturen, en herinneringen.

Dat gezegd hebbende, is het belangrijk om rekening te houden met de huidige beperkingen van de output van generatieve AI hier, met name rond gebieden die beoordeling of een nauwkeurig antwoord vereisen, zoals vaak nodig is voor een financieel team. Generatieve AI-modellen worden steeds beter qua berekeningen, maar er kan nog niet op worden vertrouwd voor volledige nauwkeurigheid, of ze hebben op zijn minst menselijke beoordeling nodig. Naarmate de modellen snel verbeteren, met aanvullende trainingsgegevens en met de mogelijkheid om uit te breiden met wiskundige modules, ontstaan ​​er nieuwe mogelijkheden voor het gebruik ervan.

-Ziema Amble

Uitdagingen

Binnen deze vijf trends staan ​​nieuwkomers en gevestigde exploitanten voor twee primaire uitdagingen bij het realiseren van deze generatieve AI-toekomst.

1. LLM's trainen met financiële gegevens: LLM's worden momenteel via internet opgeleid. Use cases voor financiële dienstverlening vereisen dat deze modellen worden verfijnd met use case-specifieke financiële gegevens. Nieuwkomers zullen waarschijnlijk beginnen met het verfijnen van hun modellen met financiële gegevens van openbare bedrijven, regelgevingspapieren en andere bronnen van gemakkelijk toegankelijke openbare financiële gegevens, voordat ze uiteindelijk hun eigen gegevens gebruiken die ze in de loop van de tijd verzamelen. Bestaande spelers, zoals banken of grote platforms met financiële dienstverleners (bijv. Lyft), kunnen gebruikmaken van hun bestaande en eigendomsgegevens, wat hen mogelijk een eerste voordeel oplevert. Bestaande financiële dienstverleners zijn echter vaak overdreven conservatief als het gaat om het omarmen van grote platformverschuivingen. Dit geeft naar onze mening het concurrentievoordeel aan onbezwaard nieuwkomers.
2. Modeluitvoernauwkeurigheid: Gezien de impact die het antwoord op een financiële vraag kan hebben op individuen, bedrijven en de samenleving, moeten deze nieuwe AI-modellen zo nauwkeurig mogelijk zijn. Ze kunnen geen verkeerde maar zelfverzekerde antwoorden op kritische vragen over iemands belastingen of financiële gezondheid hallucineren of verzinnen, en ze moeten veel nauwkeuriger zijn dan de geschatte antwoorden op vragen over populaire cultuur of generieke middelbare schoolessays. Om te beginnen zal er vaak een mens in de loop zijn als laatste verificatie voor een door AI gegenereerd antwoord.

De komst van generatieve AI is een dramatische platformverandering voor financiële dienstverleners die hier mogelijk toe kan leiden gepersonaliseerde klantoplossingen, kostenefficiëntere operaties, betere naleving en verbeterd risicobeheerevenals meer dynamische prognoses en rapportages. Gevestigde bedrijven en startups zullen strijden om de twee kritieke uitdagingen die we hierboven hebben geschetst, onder de knie te krijgen. Hoewel we nog niet weten wie als winnaar uit de bus zal komen, weten we wel dat er al één duidelijke winnaar is: de consumenten van toekomstige financiële diensten.

***

De standpunten die hier naar voren worden gebracht, zijn die van het individuele personeel van AH Capital Management, LLC (“a16z”) dat wordt geciteerd en zijn niet de standpunten van a16z of haar gelieerde ondernemingen. Bepaalde informatie in dit document is verkregen uit externe bronnen, waaronder van portefeuillebedrijven van fondsen die worden beheerd door a16z. Hoewel ontleend aan bronnen die betrouwbaar worden geacht, heeft a16z dergelijke informatie niet onafhankelijk geverifieerd en doet het geen uitspraken over de blijvende nauwkeurigheid van de informatie of de geschiktheid ervan voor een bepaalde situatie. Bovendien kan deze inhoud advertenties van derden bevatten; a16z heeft dergelijke advertenties niet beoordeeld en keurt de daarin opgenomen advertentie-inhoud niet goed.

Deze inhoud is uitsluitend bedoeld voor informatieve doeleinden en mag niet worden beschouwd als juridisch, zakelijk, investerings- of belastingadvies. U dient hierover uw eigen adviseurs te raadplegen. Verwijzingen naar effecten of digitale activa zijn alleen voor illustratieve doeleinden en vormen geen beleggingsaanbeveling of aanbod om beleggingsadviesdiensten te verlenen. Bovendien is deze inhoud niet gericht op of bedoeld voor gebruik door beleggers of potentiële beleggers, en mag er in geen geval op worden vertrouwd bij het nemen van een beslissing om te beleggen in een fonds dat wordt beheerd door a16z. (Een aanbod om te beleggen in een a16z-fonds wordt alleen gedaan door middel van het onderhandse plaatsingsmemorandum, de inschrijvingsovereenkomst en andere relevante documentatie van een dergelijk fonds en moet in hun geheel worden gelezen.) Alle genoemde beleggingen of portefeuillebedrijven waarnaar wordt verwezen, of beschreven zijn niet representatief voor alle investeringen in voertuigen die door a16z worden beheerd, en er kan geen garantie worden gegeven dat de investeringen winstgevend zullen zijn of dat andere investeringen die in de toekomst worden gedaan vergelijkbare kenmerken of resultaten zullen hebben. Een lijst van investeringen die zijn gedaan door fondsen die worden beheerd door Andreessen Horowitz (met uitzondering van investeringen waarvoor de uitgevende instelling geen toestemming heeft gegeven aan a16z om openbaar te maken, evenals onaangekondigde investeringen in openbaar verhandelde digitale activa) is beschikbaar op https://a16z.com/investments /.

De grafieken en grafieken die hierin worden verstrekt, zijn uitsluitend bedoeld voor informatieve doeleinden en er mag niet op worden vertrouwd bij het nemen van een investeringsbeslissing. In het verleden behaalde resultaten zijn geen indicatie voor toekomstige resultaten. De inhoud spreekt alleen vanaf de aangegeven datum. Alle projecties, schattingen, voorspellingen, doelstellingen, vooruitzichten en/of meningen die in deze materialen worden uitgedrukt, kunnen zonder voorafgaande kennisgeving worden gewijzigd en kunnen verschillen of in strijd zijn met meningen van anderen. Zie https://a16z.com/disclosures voor aanvullende belangrijke informatie.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• De toekomst slaan met Adryenn Ashley. Toegang hier.
• Bron: https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/