AI förstärker både bankernas styrkor och svagheter – systemen bakom avgör utfallet

Bank- och finanssektorn har snabbt rört sig från AI-hype till praktiska användningsfall. Men när AI ska skalas från pilotprojekt till affärskritisk drift räcker det inte att prata om data, modeller och regelefterlevnad. Den avgörande frågan är om de underliggande systemen är tillräckligt säkra, skalbara och anpassningsbara för att realisera AI-ambitionerna, skriver Ravish Gopal, Director Solutions & Advisory på Software Improvement Group.

Svenska och nordiska bank- och finansaktörer befinner sig i en ny fas av AI-utvecklingen. AI används redan för att analysera transaktionsmönster, upptäcka bedrägerier, automatisera kunddialoger, stödja riskbedömningar och effektivisera interna processer.

Det är en naturlig utveckling. Få branscher är lika datadrivna som finanssektorn. Affären bygger på förmågan att samla in, tolka och agera på data. Därför är det logiskt att AI ses som en av de viktigaste teknikerna för nästa steg i finansbranschens utveckling.

Men när AI lämnar pilotfasen förändras kraven. Då räcker det inte att fokusera på modeller, datakvalitet och användarutbildning. Ledningar och styrelser behöver också förstå vilken teknisk grund AI:n faktiskt ska byggas in i. Många organisationer talar om behovet av “bra teknik eller arkitektur”, men konkretiserar sällan vad det betyder. I praktiken handlar det om huruvida systemen är flexibla nog för nya krav, skalbara nog för ökande volymer, säkra nog för en mer komplex riskbild och begripliga nog för att kunna styras över tid.

Utan den insikten blir AI-strategin till stor del en bedömning baserad på antaganden.

Det är särskilt viktigt i Norden, där många bank- och finansaktörer har hög digital mognad och stark teknisk historia. I vissa fall har äldre system länge varit en konkurrensfördel: stabila, väl integrerade och byggda för stora transaktionsvolymer. Men samma legacy-miljöer kan snabbt bli en begränsning när nya AI-lösningar ska kopplas in, skalas och styras i realtid. System som byggdes för gårdagens affärslogik är inte automatiskt redo för morgondagens AI-drivna verksamhet.

Här blir skillnaden mellan AI-aktivitet och AI-mognad tydlig. En pilot kan ge lovande resultat i en kontrollerad miljö med få användare och tydliga avgränsningar. Det bevisar inte att samma lösning är stabil, säker och kostnadseffektiv i affärskritisk drift över flera marknader, system, team och regulatoriska krav. Många organisationer mäter antalet AI-initiativ. Färre mäter förmågan att skala dem säkert, effektivt och med bibehållen kontroll.

Samtidigt ökar många bank- och finansaktörer sina AI-investeringar och talar om ansvarsfull och tillförlitlig AI. Men i praktiken är gapet mellan ambition och faktisk kontroll över systemen fortfarande stort. Vissa organisationer håller tillbaka AI-användning för att de saknar förtroende för systemen, medan andra skalar lösningar som ännu inte är tillräckligt validerade. Den ena situationen begränsar innovation, den andra skapar risk.

När finansaktörer investerar i AI förväntar de sig snabbare processer, bättre kundupplevelser, effektivare riskhantering och lägre kostnader. Om den tekniska grunden är svag kan resultatet bli det motsatta. Tillväxten kan bli dyrare än den ser ut. Under ytan kan utvecklingsteam lägga allt mer tid på underhåll, buggar, omarbete, integrationsproblem och arkitekturkomplexitet. Då blir varje ny produktförändring och varje ny kundgrupp dyrare att hantera.

AI-assisterad utveckling förstärker behovet av kontroll. Mer kod är inte samma sak som mer fart. Kodskrivning är bara en del av produktutvecklingen. Om arkitektur, byggkvalitet och teknisk skuld inte styrs kan ökad kodproduktion leda till mer omarbete, fler säkerhetsrisker och mindre förutsägbar leverans. AI förstärker i praktiken ofta de styrkor och svagheter som redan finns i organisationens mjukvara och utvecklingsprocesser.

Detsamma gäller externa AI-plattformar. Många finansiella aktörer bygger tjänster ovanpå tekniker de inte själva kontrollerar fullt ut. Det kan vara effektivt, men skapar nya beroenden. Om en leverantör förändrar funktioner, villkor eller tillgång till viktiga tekniker kan hela tjänsteerbjudanden påverkas.

Här finns en blind fläck i många ledningsrum. Styrelser är vana att styra verksamheten med finansiella data. Men motsvarande insyn saknas ofta när det gäller mjukvarulandskapet. Ledningen ser kostnader för utvecklare, licenser, moln och infrastruktur, men har begränsad bild av systemens skick, komplexitet, säkerhetsrisker och skalbarhet.

Om systemen är en svart låda blir även AI-strategin en svart låda. För finansaktörer som vill skala AI ansvarsfullt är några saker särskilt viktiga:

• Skapa faktabaserad insyn i mjukvarulandskapet. Ledningen behöver veta vilka system som finns, hur de mår och vilka delar som påverkar möjligheten att skala AI.
• Bedöm legacy som en AI-risk. Äldre system kan vara stabila, men också svåra att förändra, integrera och övervaka.
• Skilj mellan aktivitet och mognad. Fler AI-initiativ, mer kod och fler experiment betyder inte automatiskt högre leveransförmåga.
• Bedöm produktionsmognad, inte bara pilotresultat. En lyckad pilot visar inte automatiskt att lösningen är stabil, säker och kostnadseffektiv i drift.
• Koppla AI-governance till mjukvarukvalitet och arkitektur. Styrning av AI måste också omfatta kodkvalitet, arkitektur, säkerhet, underhållbarhet och tekniska beroenden.

AI i finans kommer inte att avgöras av vem som har flest experiment. Det kommer att avgöras av vilka aktörer som kan gå från experiment till kontrollerad produktion. I en sektor som bygger på förtroende kommer konkurrenskraften i allt högre grad att bero på kvaliteten på systemen bakom.

Debattartikel skriven av Ravish Gopal, Director Solutions & Advisory på Software Improvement Group.