Bagaimana Kecerdasan Buatan Mengganggu Keuangan

Ringkasan bisnis plan

Teknologi tujuan umum adalah istilah ekonom cadangan untuk teknologi yang memacu pertumbuhan ekonomi yang berkepanjangan dan kemajuan masyarakat, merevolusi operasi rumah tangga dan perusahaan sama. Contoh teknologi tujuan umum adalah listrik. Listrik melahirkan banyak produk dan sektor, termasuk lemari es, mesin cuci, kereta api dan, tentu saja, komputer. Munculnya listrik secara radikal mengubah dunia.

Artikel Harvard Business Review baru-baru ini menetapkan kecerdasan buatan (AI) sebagai teknologi tujuan umum paling penting di era kita . Kami akrab dengan kekuatan AI. Itu terwujud dalam bentuk robot yang mengalahkan pemain catur terkenal di dunia. Sebuah mobil yang dapat parkir paralel dengan sendirinya. Perangkat yang merespons cuaca besok saat kami bertanya. Tetapi sebagian besar kontak kita dengan—dan pemahaman tentang—AI berkisar pada produk yang memengaruhi kehidupan kita sehari-hari sebagai konsumen. Di tingkat organisasi, ada pertanyaan yang lebih besar seputar bagaimana AI akan mengganggu industri, dan khususnya, bagaimana layanan keuangan akan memanfaatkan AI.

Artikel berikut akan mendefinisikan kecerdasan buatan, bidang teknologi terkait, ukuran industri AI secara keseluruhan, dan aplikasi kecerdasan buatan di bidang keuangan. Bagian ini tidak dimaksudkan untuk memberikan penilaian normatif tentang pengembangan AI; alih-alih, ini akan fokus pada bagaimana AI mengganggu keuangan.

Kecerdasan Buatan: Apa itu AI?

Kecerdasan buatan adalah bidang ilmu komputer yang berfokus pada pembuatan mesin cerdas yang berfungsi seperti manusia. Komputer AI dirancang untuk melakukan fungsi manusia termasuk pembelajaran, pengambilan keputusan, perencanaan, dan pengenalan suara.

Kecerdasan buatan memungkinkan mesin untuk terus meningkatkan kinerjanya tanpa manusia memberikan instruksi preskriptif tentang cara melakukannya. Ini penting karena beberapa alasan. Pertama, manusia tahu lebih banyak daripada yang bisa kita katakan. Artinya, manusia mungkin bisa mengenali wajah atau menjalankan strategi cerdas dalam permainan catur. Namun, sebelum teknologi kecerdasan buatan canggih, ketidakmampuan manusia untuk mengartikulasikan pengetahuan kita berarti bahwa kita tidak dapat mengotomatisasi banyak tugas. Kedua, teknologi AI adalah manusia super dalam eksekusinya, beroperasi lebih cepat dan seringkali lebih akurat daripada manusia.

Teknologi Kecerdasan Buatan

Kecerdasan buatan mencakup banyak kemampuan dan teknologi. Perusahaan konsultan PWC menegaskan bahwa AI “bukan bidang subjek yang monolitik. Ini terdiri dari sejumlah hal yang semuanya menambah gagasan kita tentang apa artinya menjadi 'cerdas.'” Di bawah ini adalah beberapa bidang AI yang paling populer:

• Machine learning adalah metode analisis data yang mengotomatiskan pembuatan model analitik. Menggunakan algoritme yang secara iteratif belajar dari data, pembelajaran mesin memungkinkan komputer menemukan wawasan tersembunyi tanpa diprogram secara eksplisit ke mana harus mencari.
• Pembelajaran mendalam adalah bagian dari pembelajaran mesin. Ini telah memfasilitasi pengenalan objek dalam gambar, pelabelan video, dan pengenalan aktivitas, dan membuat kemajuan dalam persepsi (termasuk audio dan ucapan). Misalnya, aplikasi deep learning Facebook DeepFace telah dilatih untuk mengenali orang di foto. Banyak yang membandingkan antara teknologi pembelajaran mendalam dan biologi, tetapi para ahli umumnya setuju bahwa meskipun terinspirasi oleh otak manusia, itu belum tentu dimodelkan setelahnya.
• Pemrosesan bahasa alami adalah kemampuan program komputer untuk memahami ucapan manusia secara real time. Penelitian dan pengembangan sedang bergeser ke arah sistem yang mampu berinteraksi dengan orang-orang melalui dialog, tidak hanya bereaksi terhadap permintaan bergaya.
• Internet of things (IoT) dikhususkan untuk gagasan bahwa beragam perangkat, termasuk peralatan, kendaraan, dan bangunan dapat saling terhubung. Misalnya, jika alarm Anda berdering pada pukul 07.00, itu dapat secara otomatis memberi tahu pembuat kopi Anda untuk mulai menyeduh kopi untuk Anda. Teknologi wearable yang berfungsi sebagai sensor saat dikenakan juga merupakan bagian dari tren yang lebih besar ini.

Tentu saja, daftar ini tidak lengkap. Lihat di bawah untuk topik dan teknologi kecerdasan buatan yang lebih luas.

Ukuran Pasar Kecerdasan Buatan

Artikel Harvard Business Review yang disebutkan sebelumnya memprediksi bahwa “Efek AI akan diperbesar dalam dekade mendatang, karena manufaktur, ritel, transportasi, keuangan, perawatan kesehatan, hukum, periklanan, asuransi, hiburan, pendidikan, dan hampir setiap industri lainnya mengubah mereka proses inti dan model bisnis untuk memanfaatkan pembelajaran mesin. Hambatannya ada pada manajemen, implementasi, dan imajinasi bisnis.”

Adopsi AI secara luas di seluruh industri diperkirakan akan mendorong pendapatan global sebesar $12,5 miliar pada tahun 2017 dan $47 miliar pada tahun 2020 dengan tingkat pertumbuhan tahunan gabungan (CAGR) sebesar 55,1% dari tahun 2016 hingga 2020. Secara khusus, industri yang akan berinvestasi paling banyak dalam teknologinya adalah perbankan dan ritel, diikuti oleh perawatan kesehatan dan manufaktur. Secara keseluruhan, keempat industri ini akan mencakup lebih dari setengah pendapatan AI global pada tahun 2016, dengan sektor perbankan dan ritel masing-masing menghasilkan hampir $1,5 miliar.

Di seluruh industri, investasi AI terbesar pada tahun 2017 akan berada di bidang-bidang seperti agen layanan pelanggan otomatis, intelijen ancaman otomatis, dan analisis penipuan (lihat bagan di bawah). Menurut Jessica Goepfert, direktur program di firma riset pasar IDC, “Peluang jangka pendek untuk sistem kognitif ada di industri seperti perbankan, sekuritas dan investasi, dan manufaktur. Di segmen ini, kami menemukan banyak data tidak terstruktur, keinginan untuk memanfaatkan wawasan dari informasi ini, dan keterbukaan terhadap teknologi inovatif.” Bagian selanjutnya dari artikel ini akan menyelidiki berbagai kasus penggunaan kecerdasan buatan di industri jasa keuangan.

Aplikasi Kecerdasan Buatan Saat Ini dan Masa Depan dalam Keuangan

Kecerdasan buatan di bidang keuangan dapat mendorong efisiensi operasional di berbagai bidang mulai dari manajemen risiko dan perdagangan hingga penjaminan emisi dan klaim. Sementara beberapa aplikasi lebih relevan untuk sektor tertentu dalam layanan keuangan, yang lain dapat dimanfaatkan secara menyeluruh.

Kecerdasan Buatan dalam Keuangan: Manajemen Risiko

Kecerdasan buatan telah terbukti sangat berharga dalam hal keamanan dan deteksi penipuan. Metode tradisional deteksi penipuan termasuk komputer menganalisis data terstruktur terhadap seperangkat aturan. Misalnya, perusahaan pembayaran tertentu mungkin menetapkan ambang batas untuk transfer kawat sebesar $15.000 sehingga setiap transaksi yang melebihi jumlah tersebut akan ditandai untuk penyelidikan lebih lanjut. Namun, jenis analisis ini menghasilkan banyak positif palsu dan membutuhkan banyak upaya tambahan. Bahkan mungkin lebih signifikan, penipu kejahatan dunia maya sering mengubah taktik mereka. Oleh karena itu, sistem yang paling efektif harus terus-menerus menjadi lebih pintar.

Dengan algoritme pembelajaran lanjutan, seperti yang berasal dari pembelajaran mendalam, fitur baru dapat ditambahkan ke sistem untuk penyesuaian dinamis. Menurut Samir Hans, kepala penasihat di Deloitte Transactions and Business Analytics LLP, “Dengan analitik kognitif, model deteksi penipuan dapat menjadi lebih kuat dan akurat. Jika sistem kognitif mengeluarkan sesuatu yang ditentukannya sebagai potensi penipuan dan manusia menentukan itu bukan penipuan karena X, Y, dan Z, komputer belajar dari wawasan manusia itu, dan lain kali komputer tidak akan mengirimkan deteksi serupa ke arah Anda. . Komputer menjadi lebih pintar dan lebih pintar.”

Kesuksesan PayPal dengan Kecerdasan Buatan dan Deteksi Penipuan

Ambil raksasa pembayaran PayPal dan protokol penipuan canggihnya, misalnya. Karena skala dan visibilitasnya, PayPal “memiliki target besar di belakangnya.” Ini memproses $ 235 miliar pada tahun 2015 dari empat juta transaksi oleh 170 juta pelanggannya. Namun, PayPal telah mampu meningkatkan keamanan dengan memanfaatkan teknologi pembelajaran mendalam. Faktanya, penipuan PayPal relatif rendah pada pendapatan 0,32%, angka yang jauh lebih baik daripada rata-rata 1,32% yang dilihat pedagang.

Di masa lalu, PayPal menggunakan model linier sederhana. Saat ini, algoritmenya menambang data dari riwayat pembelian pelanggan dan meninjau pola kemungkinan penipuan yang tersimpan dalam basis datanya yang terus berkembang. Sementara model linier dapat mengkonsumsi 20-30 variabel, teknologi pembelajaran mendalam dapat memerintahkan ribuan titik data. Kemampuan yang ditingkatkan ini membantu PayPal membedakan transaksi yang tidak bersalah dari yang mencurigakan. Menurut Hui Wang, Direktur Senior PayPal untuk Ilmu Risiko Global, “Apa yang kami nikmati dari pembelajaran mesin yang lebih modern dan canggih adalah kemampuannya untuk mengkonsumsi lebih banyak data, menangani lapisan dan lapisan abstraksi dan dapat 'melihat' berbagai hal [… ] bahkan manusia mungkin tidak dapat melihat.”

Kecerdasan Buatan dalam Keuangan: Perdagangan

Transisi dari Model Buatan Manusia ke AI Sejati

Selama bertahun-tahun, perusahaan manajemen investasi mengandalkan komputer untuk melakukan perdagangan. Sekitar 1.360 dana lindung nilai, mewakili 9% dari semua dana, bergantung pada model statistik besar yang dibangun oleh ilmuwan data yang sering memegang gelar PhD matematika (atau dikenal sebagai "quants"). Namun, model ini hanya menggunakan data historis, seringkali statis, memerlukan intervensi manusia, dan tidak berkinerja baik saat pasar berubah. Akibatnya, dana semakin bermigrasi ke model kecerdasan buatan sejati yang tidak hanya dapat menganalisis data dalam jumlah besar, tetapi juga terus meningkatkan diri.

Teknologi baru ini menggunakan teknik kompleks termasuk pembelajaran mendalam, suatu bentuk pembelajaran mesin yang disebut jaringan Bayesian, dan komputasi evolusioner, yang terinspirasi oleh genetika. Perangkat lunak perdagangan AI dapat menyerap sejumlah besar data untuk mempelajari dunia dan membuat prediksi tentang pasar keuangan. Untuk memahami tren global, mereka dapat mengonsumsi semuanya mulai dari buku, tweet, laporan berita, data keuangan, angka pendapatan, dan kebijakan moneter internasional hingga sketsa Saturday Night Live.

Agar jelas, hal di atas berbeda dari perdagangan frekuensi tinggi (HFT), yang memungkinkan pedagang untuk mengeksekusi jutaan pesanan dan memindai banyak pasar dalam hitungan detik, menanggapi peluang dengan cara yang tidak bisa dilakukan manusia. Platform berbasis AI yang dibahas di atas mencari perdagangan terbaik dalam jangka panjang, dan mesin—bukan manusia—mendikte strategi.

Beberapa dari sistem perdagangan AI ini dikembangkan oleh perusahaan rintisan. Misalnya, Aidiya yang berbasis di Hong Kong adalah dana lindung nilai yang sepenuhnya otonom yang membuat semua perdagangan sahamnya menggunakan kecerdasan buatan (AI). “Jika kita semua mati,” kata salah satu pendiri Ben Goertzel, “itu akan terus diperdagangkan.” Institusi tradisional juga tertarik dengan teknologi perdagangan AI. Pada tahun 2014, Goldman Sachs memimpin putaran pendanaan Seri A dan mulai memasang platform perdagangan AI yang disebut Kensho. Untuk putaran Seri B Kensho, selain S&P Global, enam bank terbesar di Wall Street (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup, dan Wells Fargo) juga berpartisipasi.

Perbandingan Kinerja Perdagangan

Sebuah studi baru-baru ini yang dilakukan oleh firma riset investasi Eurekahedge melacak kinerja 23 dana lindung nilai yang memanfaatkan AI dari 2010-2016, menemukan bahwa mereka mengungguli yang dikelola oleh jumlah yang lebih tradisional dan dana lindung nilai umum.

Implikasi bagi Pedagang dan Kuantitas

Akan menarik untuk mengamati bagaimana AI akan berdampak pada pasar tenaga kerja perdagangan. Efeknya sudah terlihat di beberapa lembaga perbankan besar. Pada tahun 2000, meja perdagangan ekuitas tunai Goldman Sach di kantor pusatnya di New York mempekerjakan 600 pedagang yang membeli dan menjual saham. Hari ini, ia memiliki dua pedagang ekuitas, dengan mesin melakukan sisanya. Daniel Nadler, CEO Kensho, menyatakan, "Dalam 10 tahun, Goldman Sachs akan jauh lebih kecil berdasarkan jumlah karyawan daripada sekarang." Dan untuk jumlah, mereka mungkin menemukan bahwa keterampilan mereka kurang diminati dari perusahaan manajemen investasi.

Saat ini, sekitar sepertiga lulusan dari program bisnis terkemuka masuk ke bidang keuangan. Ke mana beberapa talenta terbaik bangsa akan pindah? Mark Minevich, penasihat senior Dewan Daya Saing AS, percaya bahwa “Beberapa orang pintar ini akan pindah ke perusahaan rintisan teknologi, atau akan membantu mengembangkan lebih banyak platform AI, atau mobil otonom, atau teknologi energi […] New York mungkin bersaing dengan Silicon Lembah di bidang teknologi.”

Kecerdasan Buatan dalam Keuangan: Robo-Advisory

Apa itu Robo-Advisor dan Bagaimana Cara Kerjanya?

Robo-advisor adalah platform digital yang menyediakan layanan perencanaan keuangan otomatis yang digerakkan oleh algoritme dengan pengawasan manusia yang minimal. Sementara manajer keuangan manusia telah memanfaatkan alokasi portofolio otomatis sejak awal 2000-an, investor harus mempekerjakan penasihat untuk mendapatkan keuntungan dari teknologi. Saat ini, robo-advisor memungkinkan pelanggan mengakses layanan secara langsung. Tidak seperti rekan manusia mereka, robo-advisor memantau pasar tanpa henti dan tersedia 24/7. Penasihat Robo juga dapat menawarkan kepada investor hingga 70% dalam penghematan biaya dan biasanya memerlukan minimum yang lebih rendah atau tidak sama sekali untuk berpartisipasi.

Saat ini, robo-advisor dapat membantu dengan tugas yang lebih berulang seperti pembukaan akun dan transfer aset. Prosesnya biasanya melibatkan klien menjawab kuesioner sederhana tentang selera risiko atau faktor likuiditas, yang kemudian diterjemahkan oleh robo-advisor ke dalam logika investasi. Mayoritas penasihat robo saat ini bertujuan untuk mengalokasikan klien mereka ke portofolio ETF terkelola berdasarkan preferensi mereka. Diharapkan kemampuan di masa depan akan berkembang menjadi penawaran yang lebih maju seperti pemindahan aset otomatis dan cakupan yang diperluas di seluruh kelas aset alternatif seperti real estat.

Robo-advisory dapat berdampak besar pada sektor keuangan pribadi dan manajemen kekayaan. Sementara total aset yang dikelola (AUM) robo-advisor saat ini hanya mewakili $ 10 miliar dari $ 4 triliun industri manajemen kekayaan (kurang dari 1% dari semua aset akun yang dikelola), sebuah studi Business Insider memperkirakan bahwa angka ini akan meningkat menjadi 10% pada tahun 2020 Ini setara dengan sekitar $8 triliun AUM.

Adopsi Industri dari Robo-Advice

Pelaku industri telah mengadopsi berbagai pendekatan untuk robo-advisory. Perusahaan manajemen kekayaan yang lebih kecil menambahkan komponen algoritmik untuk mengotomatiskan manajemen investasi mereka, mengurangi biaya/biaya, dan bersaing dengan robo-advisor. Di sisi lain, perusahaan investasi mapan membeli robo-advisor yang ada, seperti akuisisi Jemstep oleh Invesco atau membuat solusi robo-advisor mereka sendiri, seperti FidelityGo dan Schwab's Intelligent Advisory.

Penasihat Robo vs. Penasihat Keuangan: Akankah Manusia Digantikan?

Konsensus umum di antara para ahli adalah bahwa manusia akan tetap sangat diperlukan. Sentuhan manusia akan tetap penting, karena penasihat masih perlu meyakinkan pelanggan selama masa keuangan yang sulit dan membujuk mereka dengan solusi yang bermanfaat. Sebuah studi yang dilakukan oleh perusahaan konsultan Accenture mengungkapkan bahwa 77% klien manajemen kekayaan mempercayai penasihat keuangan mereka sementara 81% menunjukkan bahwa interaksi tatap muka itu penting. Untuk klien dengan keputusan investasi yang kompleks, model penasihat hibrida, yang menggabungkan layanan komputerisasi dengan penasihat manusia, mendapatkan daya tarik.

Sementara penasihat keuangan akan tetap menjadi pusat, penasihat robo dapat menyebabkan pergeseran tanggung jawab pekerjaan mereka. Dengan AI yang mengelola tugas berulang, manajer investasi mungkin mengambil tanggung jawab sebagai ilmuwan atau insinyur data, seperti memelihara sistem. Manusia juga dapat lebih fokus pada pembangunan hubungan klien dan menjelaskan keputusan yang telah dibuat mesin.

Kecerdasan Buatan dalam Keuangan: Penjaminan dan Klaim Asuransi

Asuransi bergantung pada keseimbangan risiko di antara kumpulan orang; perusahaan asuransi mengelompokkan orang-orang yang serupa, dan beberapa orang akan membutuhkan pembayaran sementara yang lain tidak. Industri ini dibangun berdasarkan penilaian risiko; perusahaan asuransi tidak asing dengan analisis data. Namun, AI dapat memperluas jumlah data yang dianalisis serta cara penggunaannya, sehingga menghasilkan harga yang lebih akurat dan efisiensi operasional lainnya.

Startup berada di garis depan dalam mendorong industri ke depan. Menurut Henrik Naujoks, partner di Bain & Co, “Start-up menunjukkan apa yang mungkin dan apa yang bisa dilakukan. Banyak eksekutif incumbent melihatnya — mereka tidak benar-benar memahaminya tetapi mereka ingin terlibat.” Investor juga telah menangkap tren ini (lihat di bawah). Pada tahun 2016, AI adalah salah satu tema paling populer untuk investasi teknologi asuransi.

Kecerdasan Buatan dan Penjaminan

Laporan PWC memperkirakan bahwa AI akan mengotomatiskan sejumlah besar penjaminan emisi pada tahun 2020, terutama di pasar yang matang di mana data tersedia. Saat ini, penjamin emisi asuransi, dengan bantuan perangkat lunak komputer dan model aktuaria, mengevaluasi risiko dan eksposur klien potensial, berapa banyak pertanggungan yang harus mereka terima, dan berapa banyak yang harus mereka bayar untuk itu. Dalam jangka pendek, AI dapat membantu mengotomatiskan volume besar underwriting dalam asuransi mobil, rumah, komersial, jiwa, dan grup. Di masa depan, AI akan meningkatkan pemodelan, menyoroti pertimbangan utama bagi pembuat keputusan manusia yang mungkin tidak diperhatikan. AI tingkat lanjut juga diprediksi akan memungkinkan penjaminan emisi yang dipersonalisasi oleh perusahaan atau individu, dengan mempertimbangkan perilaku dan keadaan yang unik.

Penjaminan emisi yang ditingkatkan dapat memanfaatkan tidak hanya pembelajaran mesin untuk penambangan data, tetapi juga teknologi yang dapat dikenakan dan penganalisis wajah pembelajaran mendalam. Misalnya, Lapetus, sebuah startup, ingin memanfaatkan selfie untuk memprediksi harapan hidup secara akurat. Dalam model yang mereka usulkan, pelanggan akan mengirimkan potret diri mereka melalui email, yang kemudian akan dipindai dan dianalisis oleh komputer—menganalisis ribuan wilayah wajah. Analisis akan mempertimbangkan segala sesuatu mulai dari demografi dasar hingga seberapa cepat seseorang akan menua, indeks massa tubuh mereka, dan apakah mereka merokok. Selain itu, teknologi wearable dapat membuat proses underwriting lebih kolaboratif. Alih-alih mengandalkan pemeriksaan medis yang panjang dan proses kontrak yang rumit, perangkat yang dapat dikenakan dapat memberikan wawasan waktu nyata tentang kesehatan dan perilaku pemegang polis. Jelas, pembelajaran mesin di bidang keuangan sudah berkembang.

Jenis analisis risiko real-time yang bernuansa ini akan memungkinkan tidak hanya penetapan harga pelanggan yang lebih akurat, tetapi juga deteksi dini risiko kesehatan dan peluang bagi perusahaan asuransi untuk berinvestasi dalam pencegahan. Alih-alih akhirnya membayar perawatan mahal untuk pasien, perusahaan asuransi dapat secara proaktif mencoba menurunkan kemungkinan kerusakan dan biaya terkait.

Dalam studi Oxford tahun 2013 yang menganalisis lebih dari 700 profesi untuk menentukan mana yang paling rentan terhadap komputerisasi, penjamin emisi asuransi termasuk dalam lima besar yang paling rentan. Meskipun AI tidak sepenuhnya menggantikan penjamin emisi, otomatisasi AI dapat mengubah tanggung jawab penjamin emisi. AI dapat membebaskan waktu penjamin emisi untuk nilai tambah yang lebih tinggi, seperti penilaian dan penetapan harga risiko di pasar negara berkembang yang kurang kaya data, memberikan lebih banyak manajemen risiko dan umpan balik pengembangan produk.

Kecerdasan Buatan dan Klaim Asuransi

Klaim asuransi adalah permintaan pembayaran formal yang dikirim ke perusahaan asuransi. Perusahaan asuransi kemudian meninjau klaim untuk validitas dan membayar kepada tertanggung setelah disetujui. Inilah cara kecerdasan buatan dapat meningkatkan proses:

Peningkatan akurasi data pelanggan. Proses klaim cukup manual: Agen manusia secara manual mencatat informasi pelanggan dan detail insiden. Menurut laporan Experian, kualitas data dapat menurun: data yang tidak lengkap menyebabkan 55% kesalahan data, sedangkan kesalahan ketik mencakup 32%. AI dapat meningkatkan akurasi dengan mengurangi input manual. Selain itu, proses klaim seringkali membutuhkan agen asuransi untuk mencocokkan informasi pelanggan dengan banyak database. AI dapat digunakan untuk melakukan ini dengan lebih efisien.

Rekomendasi pembayaran lebih cepat. Menurut studi kepuasan klaim properti JD Power & Associates, waktu siklus klaim yang lambat adalah salah satu kontributor terbesar ketidakpuasan pelanggan. AI dapat membantu mengurangi waktu penyelesaian dengan terlebih dahulu memvalidasi kebijakan, kemudian membuat keputusan tentang klaim dan apakah akan mengotomatiskan pembayaran. Ini karena AI memiliki kemampuan untuk menganalisis tidak hanya data terstruktur, tetapi juga data tidak terstruktur seperti formulir dan sertifikat tulisan tangan.

Kecerdasan Buatan dalam Keuangan: Perbankan Percakapan dan Layanan Pelanggan

Bank membuat taruhan besar dengan asisten virtual mereka yang menghadap klien, yang dikenal sebagai chatbots. Sementara versi awal chatbots hanya akan dapat menjawab pertanyaan dasar tentang batas pengeluaran dan transaksi terkini, versi mendatang dijadwalkan untuk menjadi asisten virtual layanan lengkap yang dapat melakukan pembayaran dan melacak anggaran untuk konsumen. Terlibat dengan pelanggan dapat menghasilkan penghematan biaya yang signifikan, tetapi interaksi manusia juga tidak diragukan lagi lebih kompleks daripada sekadar menghitung angka. Kritikus menunjuk pada kurangnya empati dan pemahaman chatbots, yang mungkin dibutuhkan manusia ketika berhadapan dengan keputusan dan situasi keuangan yang sulit. Untuk teknologi ini, teknologi AI dari pemrosesan bahasa alami akan sangat penting untuk memproses dan menanggapi kekhawatiran dan keinginan pelanggan yang dipersonalisasi.

Pada bulan Oktober 2016, baik Bank of America dan MasterCard meluncurkan chatbots mereka, Erica dan Kai, masing-masing. Ini akan memungkinkan pelanggan untuk mengajukan pertanyaan tentang akun mereka, memulai transaksi, dan menerima saran melalui Facebook Messenger dari menara Echo Amazon.

Capital One juga telah meluncurkan chatbot mereka sendiri, bernama "Eno," yang merupakan anagram untuk "One." Eno memungkinkan pelanggan untuk mengobrol dengan bank menggunakan bahasa berbasis teks untuk membayar tagihan dan mengambil informasi akun. Barclays juga ikut beraksi. Dalam menggambarkan chatbot baru Bank of America, Michelle Moore, kepala perbankan digital di Bank of America menyatakan, “Apa yang akan terjadi pada perbankan dalam dua, tiga atau empat tahun? Ini akan menjadi ini. ”

Pikiran Perpisahan

Dampak penuh dari kecerdasan buatan dalam layanan keuangan harus dilihat. Beberapa futuris berpendapat bahwa dunia dengan cepat mendekati titik kritis, yang disebut "singularitas", di mana kecerdasan mesin akan melampaui kecerdasan manusia. Teknologi dan ilmuwan terkenal, termasuk Bill Gates dan Stephen Hawking, telah memperingatkan tentang hal ini. Elon Musk juga terkenal mendesak, "AI adalah risiko eksistensial mendasar bagi peradaban manusia, dan saya tidak berpikir orang sepenuhnya menghargai itu."

Ketika AI terus berkembang biak dalam kehidupan pribadi dan profesional kita, banyak masalah akan terus muncul. Ini termasuk potensi kesalahan, sentimen umum ketidakpercayaan terhadap mesin, dan kekhawatiran tentang penggantian pekerjaan. Ini akan menjadi kesalahan untuk mengabaikan ketakutan ini. Namun, masyarakat sudah berada di jalur yang lebih cepat menuju dunia yang digerakkan oleh AI. Di dunia baru ini, fokus pada bagaimana mesin dan manusia dapat hidup berdampingan adalah yang paling produktif. Penting bagi pembuat kebijakan untuk tetap berhati-hati, membiarkan teknologi baru berkembang sambil memantau dan meminimalkan konsekuensi negatifnya. Pengembang dan desainer juga harus meningkatkan kemampuan manusia untuk memahami sistem AI untuk membangun kepercayaan dan meningkatkan kepuasan dengan aplikasi AI. Setiap orang akan memiliki peran untuk dimainkan.

Seperti yang disampaikan Haruhiko Kuroda, Gubernur Bank of Japan dalam konferensi AI dan Layanan Keuangan tahun 2017, “Sangat penting bagi kita untuk secara konstruktif mempertimbangkan cara-cara yang diinginkan di mana manusia dan AI saling melengkapi, daripada saling berhadapan. Misalnya, penilaian manusia tidak sepenuhnya lepas dari paradigma yang ada, sehingga terkadang lengah terhadap perubahan. Dalam hal ini, AI dapat menyesuaikan bias kami dengan menganalisis secara netral dan menemukan korelasi baru di antara segudang data [sic]. Sementara itu, manusia dapat mengimbangi kelemahan AI dengan intuisi, akal sehat, dan imajinasi mereka.”