Kløften i udførelsen af Agentic AI: Hvorfor banker og forsikringsselskaber vil vinde eller tabe på integration

Af Maneeza Malik, Produkt Marketing Direktør

Banker og forsikringsselskaber går ind i en ny fase af kunstig intelligens-vedtagelse. Efter årtier med eksperimenter med prædiktive modeller, chatbots og generativ AI vurderer mange finansielle institutioner nu agent-baseret AI. Disse systemer er i stand til at ræsonnere, træffe beslutninger og udføre opgaver på tværs af forretningsprocesser med begrænset menneskelig indgriben.

Potentialet er betydeligt: AI-agenter kan hjælpe med at automatisere komplekse arbejdsgange, reducere manuelt arbejde, forbedre den operationelle effektivitet og fremskynde kundevendte processer. Anvendelserne spænder over kundeservice, svindelefterforskning, udlån, forsikringsdækning, skadesbehandling, finans, HR og overholdelse af regler.

Teknologien i sig selv udvikler sig hurtigt. Ifølge Gartner, inden 2028 vil 33% af virksomhedens softwareapplikationer indeholde agentbaseret AI, hvilket er en stigning fra under 1% i 2024 — mens 15% af de daglige arbejdsbeslutninger vil blive truffet autonomt af AI-agenter.

Alligevel opdager mange, mens organisationer bevæger sig fra eksperimentering til produktion, at intelligens alene ikke er nok. AI-agenter skaber kun værdi, når de kan få adgang til data, interagere med virksomhedssystemer og udføre handlinger på tværs af end-to-end-forretningsprocesser.

Inden for finansielle tjenester og forsikring, hvor arbejdsgange ofte spænder over hundredvis af applikationer og reguleringskontroller, er denne “sidste mile” af udførelsen ofte den største hindring for skalering.

Spørgsmålet er ikke længere, om institutioner vil tage agentbaseret AI til sig. Det er, hvilke organisationer der med succes vil operationalisere det på tværs af virksomheden. Og i stigende grad viser integration sig at være det kritiske bindeled mellem AI-kapacitet og forretningsresultater.

Implementeringskløften for agentbaseret AI i den finansielle sektor

Løftet om agentbaseret AI handler ikke bare om bedre indsigt. Det er evnen til at udføre arbejde.

De fleste finansielle institutioner og forsikringsselskaber har allerede vist, at kunstig intelligens kan analysere dokumenter, summere information, identificere mønstre og anbefale handlinger. Disse evner bliver i stigende grad en grundlæggende forudsætning. Udfordringen begynder, når organisationer forsøger at bevæge sig fra isolerede use cases til implementering i produktionsskala.

I modsætning til traditionell software fungerer AI-agenter sjældent inden for en enkelt applikation. For at udføre meningsfuldt arbejde skal de interagere med datakilder, forretningsapplikationer, arbejdsgange og beslutningssystemer på tværs af virksomheden.

For at gøre dette har AI-agenter brug for adgang til data, systemer, arbejdsgange, politikker og forretningsmæssig kontekst. Uden dette opererer selv de mest avancerede modeller med en ufuldstændig forståelse af miljøet og begrænset evne til at skabe resultater.

Her går mange initiativer i stå.

En udlånsproces kan for eksempel involvere kundetilmeldingssystemer, dokumentarkiver, kreditoplysningsbureauer, underwritingsplatforme, kernebankapplikationer, overholdelseskontroller og godkendelsesprocesser. En AI-agent kan være i stand til at evaluere en ansøgning og identificere risikofaktorer, men for at fuldføre processen kræves koordination og adgang til alle involverede systemer.

Den samme udfordring findes på tværs af skadebehandling, svindelefterforskning, kundeservice og finansielle operationer. Viden er der muligvis, men udførelsen bliver vanskelig, når de underliggende systemer er fragmenterede.

Almindelige forhindringer omfatter:

• Data distribueret på tværs af ældre systemer og sky-miljøer
• Forretningsprocesser, der spænder over flere applikationer
• Inkonsekvente sikkerheds- og tilladelsesmodeller
• Begrænset indsigt i agenters handlinger og resultater
• Manuelle overleveringer mellem systemer og teams
• Regulatoriske krav, der kræver tilsyn og sporbarhed

Som følge heraf står mange finansielle institutioner tilbage med AI-agenter, der kan anbefale handlinger, men som ikke pålideligt kan fuldføre end-to-end-forretningsprocesser.

Denne kløft mellem intelligens og eksekvering er ved at blive en af de mest definerende udfordringer ved implementering af kunstig intelligens i virksomheder.

Derfor har agentbaseret kunstig intelligens brug for integration for at skabe værdi i banksektoren

I årtier er integration blevet betragtet primært som en IT-funktion. I æraen for agentbaseret AI er det blevet en strategisk forretningskapacitet.

Overvej en svindelundersøgelse. At registrere mistænkelig aktivitet er kun det første skridt. Løsning af problemet kan kræve hentning af transaktionshistorikker, gennemgang af kundekartoteker, kontrol af sanktionsscreensystemer, oprettelse af sagsmapper, underretning af efterforskere og dokumentation af handlinger med henblik på lovpligtig rapportering.

Værdien skabes ikke ved at identificere et potentielt problem. Den skabes ved at bringe undersøgelsen videre. Det kræver sammenhæng på tværs af systemer.

Det samme princip gælder for kundeservice. En medarbejder, der yder assistance til en forsikringstager, kan have brug for at hente policetoplysninger, få adgang til skadesregistre, verificere betalingsstatus, opdatere kontooplysninger og koordinere opfølgende kommunikation. Kundeoplevelsen afhænger ikke blot af kvaliteten af denne interaktion, men også af evnen til at udføre handlinger i realtid.

Derfor er integration blevet den sidste mile for agentbaseret AI.

Organisationer har investeret massivt i dataplatforme, analyser og AI-modeller. Forretningsværdien realiseres imidlertid i sidste ende, når AI kan fungere inden for eksisterende processer og omsætte beslutninger til handlinger. Integration udgør det bindevæv, der muliggør denne overgang fra intelligens til eksekvering.

Uden den forbliver kunstig intelligens begrænset til isolerede anvendelsesscenarier. Med den kan organisationer begynde at automatisere komplette forretningsprocesser i stedet for individuelle opgaver.

Governance kan ikke være en eftertanke

Udførelse alene er ikke nok. Finansielle institutioner og forsikringsselskaber opererer i nogle af verdens mest strengt regulerede miljøer. Enhver teknologi, der påvirker kundernes resultater, finansielle beslutninger eller operationelle processer, skal opfylde strenge krav til gennemsigtighed, ansvarlighed og kontrol.

Dette bliver endnu vigtigere, efterhånden som AI-systemer opnår større autonomi.

Organisationer har brug for tillid til, at agentens handlinger er i overensstemmelse med interne politikker, lovgivningsmæssige krav og risikostyringsrammer. De skal forstå, hvordan beslutninger blev truffet, hvilke oplysninger der blev brugt, og om passende kontroller blev fulgt under hele processen.

Spørgsmål som disse bliver stadigt vigtigere

• Hvorfor blev en bestemt handling foretaget?
• Hvilke data lå til grund for beslutningen?
• Blev politikkerne anvendt konsekvent?
• Hvornår var menneskelig gennemgang påkrævet?
• Kan processen revideres efterfølgende?

Disse spørgsmål handler om mere end blot overholdelse af regler. De er et krav til tillid.

Uden klare styringsmekanismer kan organisationer tøve med at implementere AI-agenter i værdifulde processer. Omvendt kan institutioner skalere automatisering med større tillid, når politikrethævelse, overvågning, observerbarhed og reviderbarhed er indbygget i de operationelle arbejdsgange.

De organisationer, der får succes med agent-baseret AI, vil ikke være dem, der bevæger sig hurtigst. Det vil være dem, der etablerer de nødvendige kontrolforanstaltninger til at bevæge sig ansvarligt.

Fremtiden for autonom finans

Samtalen om agentbaseret AI fokuserer ofte på, hvad teknologien kan gøre. I stigende grad er det vigtigere spørgsmål, hvad organisationer kan operationalisere.

De fleste finansielle institutioner og forsikringsselskaber vil få adgang til stadig mere kompetente AI-modeller. Den konkurrencemæssige fordel vil hidrøre fra, hvor effektivt disse evner integreres i forretningsdriften.

Organisationer, der kan forbinde AI-agenter til virksomhedssystemer, arbejdsgange og styringsrammer, vil være bedre rustet til at accelerere beslutningstagning, forbedre kundeoplevelser, øge driftseffektiviteten og reducere manuelt arbejde på tværs af organisationen.

De, der ikke gør det, vil fortsat stå over for en kendt udfordring: lovende AI-initiativer, der leverer begrænset forretningsmæssig effekt ud over pilotfasen.

Agentic AI repræsenterer en væsentlig mulighed for finansielle tjenester og forsikring, men for at realisere de potentielle fordele kræves der mere end intelligente modeller. Det kræver den infrastruktur, der gør det muligt for disse modeller at fungere inden for kompleksiteten af virksomhedsmiljøer.

Jitterbit Harmony: Integrering af AI i virksomhedens drift

Efterhånden som udbredelsen accelererer, fremstår integration som den kritiske bro mellem AI-potentiale og forretningsmæssige resultater. Banker og forsikringsselskaber, der bygger denne bro med succes, vil være dem, der omsætter AI-innovation til målelige resultater i skala.

Dette kræver et fundament, der gør det muligt for systemer, data, arbejdsgange og styringsprocesser at fungere sammen.

Jitterbit Harmony leverer det fundament gennem en samlet, AI-integreret low-code-platform, der samler:

• iPaaS
• Data- og systemintegrationer
• Hele livscyklussen API-administration
• Applikationsudvikling
• AI-assistenter og -agenter
• Og frem for alt, kompleks workflow- og AI-agent-orkestrering i stor skala — det hele i ét enkelt miljø

I stedet for at basere sig på fragmenterede punkt-til-punkt-forbindelser kan virksomheder etablere en moderne integrationsarkitektur, der understøtter kommunikation i realtid på tværs af virksomhedens systemer. Dette omfatter centrale bankplatforme, forsikringssystemer, CRM-applikationer, ERP-miljøer, datalagre og meget mere. Ved at forbinde disse miljøer gør Harmony det muligt for AI-drevne processer at fungere på tværs af hele virksomheden i stedet for inden for isolerede applikationer.

For banker og forsikringsselskaber, der ønsker at gå fra eksperimentering til produktionsdrift, tilbyder Harmony et omfattende miljø til at udvikle, implementere, administrere og koordinere AI-agenter på tværs af hele virksomheden. Dets »low-code«-funktioner fremskynder udviklingen af AI-agenter ved at forenkle designet af arbejdsgange, systemintegration og styringen af agenternes livscyklus, hvilket mindsker behovet for omfattende skræddersyet kodning.

Finansielle institutioner og forsikringsselskaber kan hurtigt oprette AI-agenter, der interagerer med kernebanktsystemer, policadministrationsplatforme, skadebehandlingsapplikationer, kundeserviceværktøjer og virksomhedens datakilder. Disse agenter kan indlejres i forretningsprocesser, samarbejde med andre agenter og menneskelige brugere og udføre handlinger på tværs af tilsluttede systemer i realtid. Dette er med til at sikre, at organisationer kan automatisere komplekse arbejdsgange, samtidig med at den operationelle synlighed og kontrol opretholdes.

Lige så vigtigt er det, at omfattende AI-governance, compliance og sikkerhedskontroller er integreret i hele platformen. Overvågning, audit trails og håndhævelse af politikken hjælper organisationer med at skalerbargøre automatiseringsinitiativer, samtidig med at de overholder lovgivningsmæssige krav. Og centraliserede styringsfunktioner sætter organisationer i stand til at styre agenters adfærd, spore ydeevne og sikre, at AI-drevne processer forbliver i overensstemmelse med forretnings-, risiko- og lovgivningsmæssige krav.

Jitterbit Harmony har opnået ISO 42001 certificering, sammen med adskillige andre sikkerhedscertificeringer, der er afgørende for regulerede brancher. Vores brancleførende fokus på sikkerhed sikrer, at agenter kan få den adgang, de behøver for at få succes, uden yderligere risiko.

Resultatet er et mere sikkert og pålideligt driftsmiljø for agent-baseret AI – et miljø, der understøtter både innovation og virksomhedskrav.

Klar til at begynde din agentbaserede AI-rejse?

Se hvordan Jitterbit hjælper finansielle institutioner og forsikringsselskaber med at opbygge, forbinde og skalere agentbaserede AI-løsninger med AI-assistenter, AI-agenter og det integrationsgrundlag, der skal til for at konkurrere på et AI-drevet marked.