Verden er full av nyheter og artikler om kunstig intelligens (AI), og betalingsindustrien er intet unntak. Nylig har vi fått vite at Mastercard har rullet ut en

AI-verktøy for å oppdage betalingssvindel i sanntid,
US Bank bruker kunstig intelligens i forretningsreiseadministrasjon, og konferanser er
fylt med foredrag om en AI-fremtid.

Et år før hadde finanspressen en lignende begeistring rundt NFT-er og Web3,

men AI har tatt vinden ut av seilene. Det er en enkel, og sannsynligvis ikke helt feil, tolkning som mange har trukket frem her: i fravær av store strukturelle endringer for å forbedre finans (eller til og med økonomien bredere), kjøper bedrifter seg inn i kjepphester i stedet for å tenke langsiktig. Dette er ikke helt feil eller riktig. Det som trengs, som alltid, er et nyansert syn på fenomenene AI i bankvirksomhet som tar hensyn til dets potensiale samtidig som man avviser "hypen".

Hva er AI?

Spørsmålet om hva som utgjør intelligens er langt utenfor rekkevidden av det jeg utforsker her – og kan være et av de viktigste filosofiske spørsmålene som finnes. Vi kan gi en rask definisjon av AI som alt som ligner et menneskes tenkning – så systemene som tar beslutninger om grenser for lånesøkere kan defineres som kunstig intelligente. De gjør det som en gang ville blitt gjort av et menneske med en sjekkliste og ofte sine egne magefølelser om hvorvidt en søker er den "riktige" typen person.

Denne typen AI er funksjonelt et flytskjema - hvis søkeren har en kredittscore over en viss terskel, gå til spørsmål tre, hvis den er under, gå til spørsmål tre. Disse flytskjemaene kan være utrolig komplekse, men de er fortsatt en kopi av noe som kan gjøres med penn og papir. Den nyere bølgen av AI gjør imidlertid noe annerledes. Maskinlæring (ML) lar disse flytskjemalignende systemene justere seg for bedre å optimalisere for å oppnå visse resultater. For eksempel kan et låneselskaps ML-system se gjennom dataene om tilbakebetalingssatser for kunder med ulike kredittscore og finne at kunder med en score på 600 er like i stand til å betale tilbake lånene sine som de med en score på 700, så det er det ikke nødvendig å belaste dem med høyere renter. De mildere vilkårene vil trekke inn flere kunder, og øke virksomhetens lønnsomhet. Dette kan være noe som et menneske kan gjøre, men de ville gjort det mye saktere. Selvfølgelig er ikke alle ML-systemer skapt like, og det kan være kompleksiteter som en datamaskin ikke kan ta hensyn til, så få selskaper vil gi AI-systemene sine frie tøyler til å gjøre de endringene de bestemmer seg for er riktige, men de er godt egnet til å gjøre små justeringer av systemer som gir noen få prosentpoeng ekstra fortjeneste. I hovedsak er AI og ML bare så gode som mennesket bak, men det krever absolutt mye tunge løft fra menneskets hender.

AI i betalinger

Innen betaling har ML lignende applikasjoner. Forskning viser det
55 % av bedriftene har fortsatt skyldige fakturaer fra 2022 i mai 2023. Det er mange årsaker til dette, ikke minst de økende levekostnadene og strømprisene, men den store byråkrati rundt betalinger er et stort problem.

B2B-betalinger i Storbritannia er de raskeste i Europa og blir raskere, men fortsatt gjennomsnittlige

23 dager fra faktura til betaling. Sammenlign dette med B2C-betalinger, hvor penger vanligvis overføres umiddelbart fra konto til konto eller kunde til bedrift. «Dag én» B2B-betalinger er den hellige gral, men det er ikke alltid et alternativ av juridiske og samsvarsmessige årsaker – AI kan identifisere når det is et alternativ og derfor når øyeblikkelig betaling kan tilbys.

Utgangspunktet for enhver betaling må være å sørge for at personen som betaler eller blir betalt er den de sier de er, og passerte gjennom KYC- og AML-sjekker. Hele denne prosessen er en tidkrevende, torturerende arbeidsbelastning på grunn av det store volumet av dokumenter som skal undersøkes. Heldigvis har AI- og ML-verktøy ikke noe imot å sile gjennom bunker med papir eller digitalt skannet dokumentasjon. Med naturlig språkbehandling kan AI og ML hurtiglese dokumenter, verifisere om de er falske eller ekte, og kryssreferanser dem med andre kilder for å forsikre seg om autentisitet.

Med mye raskere og effektiv onboarding kan kunder åpne kontoer på bare noen få minutter, begynne å handle med en gang, og institusjoner drar nytte av kunnskapen om at de er i full overensstemmelse med AML- og KYC-regelverket.

Ved mer komplekse betalinger kan AI identifisere snarveier og effektivitetsbesparelser eller automatisere de mer dagligdagse oppgavene. AIs evne til å behandle massive datasett og sammenligne en mengde variabler i sanntid er en game-changer. Det kan forenkle direkte behandling av betalinger, med langt mer nøyaktige beslutninger, og smart ruting og distribusjon av betalingstransaksjoner for å forbedre autorisasjon og oppgjør. For eksempel kan AI hjelpe en betalingsleverandør avgjøre om en spesifikk transaksjon må gå gjennom tofaktorautentisering.

AI-drevet betalingsavstemming kan automatisk matche innkommende betalinger med utestående fakturaer, noe som reduserer behovet for menneskelig inngripen og øker avstemmingstiden. Dette vil forhåpentligvis føre til noen av de
50 milliarder pund eller mer i forsinkede betalinger til britiske bedrifter blir redusert.

Hva er det neste for AI i betalinger?

Du vil merke nå at vi snakker om AI-systemer innen betaling og finans i nåtid. Dette er fordi de har vært til stede i den større finansbransjen i årevis – i noen tilfeller tiår. Når AI nevnes i dag, er det vanligvis i referanse til nye innovasjoner på feltet, nemlig store språkmodeller (vanligvis referert til som ChatGPT, selv om dette er et av mange selskaper som jobber i feltet.)

Du vil sannsynligvis være klar over mulighetene til disse systemene som allerede er i bruk: en bruker kan gi AI-en en oppfordring ('skriv tre innlegg på sosiale medier om AI i bedrift-til-bedrift-betalinger') eller stille et spørsmål ("hvordan kan AI" påvirke B2B-betalingsbransjen?”), og den store språkmodellen vil gi et svar som ofte kan være ekstremt overbevisende. Den gjør dette ved å ha blitt matet med millioner av data (artikler, bøker, innlegg på sosiale medier og så videre) og lage sofistikerte nettverk av forbindelser mellom termer til det punktet at den kan reprodusere noe som ser ut som det den tidligere har sett en artikkel. på AI i betalinger ser ut. Fordi det ikke "tenker" som sådan og ikke kan utføre forskning, er disse LLM-ene utsatt for "hallusinasjoner' der de produserer et svar som ser plausibelt ut, men som faller fra hverandre under den minste gransking.

Til tross for alt snakk om LLM og betalinger, er det vanskelig å se hva disse systemene tilbyr som ikke allerede er tilgjengelig gjennom ML. Behovet for å produsere store mengder overbevisende (men ikke helt overbevisende) tekst er ikke et av smertepunktene i betalingsbransjen sammenlignet med betalingstilrettelegging, betalinger over landegrensene og svindel. Det kan være tilfelle at disse teknologiene vil føre til fremskritt innen ML som kan gjøre eksisterende systemer bedre i stand til å analysere de massive datasettene som genereres av et betalingsselskap under dets daglige aktivitet.

Som alltid må betalingsindustrien ha et realistisk syn på både teknologien bak AI og hva som virkelig vil flytte nålen for dem. De spesifikke smertepunktene som må adresseres i betalinger er varierte og i stadig utvikling, men vi ser allerede hvordan AI kan forbedre resultatene for betalingsselskaper.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
• kilde: https://www.finextra.com/blogposting/24673/can-ai-really-change-the-payments-industry?utm_medium=rssfinextra&utm_source=finextrablogs