em apenas uma década, Inteligência Artificial (AI) transformou -se de um tópico de pesquisa promissor em uma tecnologia acessível e crucial no centro de uma nova revolução industrial. A IA está reformulando processos e funções fundamentais em inteiros setores, desde desenvolvimento de medicamentos e agendamento de companhias aéreas até Cadeia de suprimentos Otimização e imagem médica. A IA não é mais um conceito do futuro-hoje é um divisor de águas. E as empresas que avançam decisivamente e estrategicamente com a IA obterão vantagens duradouras significativas em suas indústrias. A IA é executada em dados, e bancos e outras instituições financeiras multilinas (FIS) comam vastas minas de dados de ouro centradas no cliente. Em particular, os dados transacionais granulares da base de clientes de um banco podem fornecer informações precisas e abrangentes sobre comportamentos, preferências, necessidades e riscos de maneiras que poucos conjuntos de dados de outros setores podem. (Veja o Anexo 1.) Por exemplo, em
Nowhere is this more evident than in the financial sector. AI runs on data, and banks and other multiline financial institutions (FIs) command vast, high-quality, customer-centric gold mines of data. In particular, the granular transactional data of a bank’s customer base can provide precise, wide-ranging insights into behaviors, preferences, needs, and risks in ways that few other industries’ data sets can. (See Exhibit 1.) For instance, in Banco de varejo , alavancar a IA para prever e adaptar futuras ofertas de produtos com base nas necessidades e comportamentos do cliente está rapidamente se tornando estacas de tabela em muitos mercados bancários.
O aumento de AI generativa (Genai) enriqueceu o kit de ferramentas mais amplo da AI, acelerando as oportunidades para as instituições financeiras criarem um novo valor com a IA. A capacidade dos modelos de Genai para digerir (entender) e gerar (converse) na linguagem simples torna os recursos de IA mais universalmente acessíveis, estendendo o alcance dos ativos de IA a usuários não técnicos em toda a organização. Roadmap para esta jornada, desde a integração de Genai em estruturas existentes a reimaginar o tradicional
FI executives should take the arrival of this new phase of technology as an opportunity to commit to AI and GenAI as key drivers of the industry’s future direction.
In this article, we chart a roadmap for this journey, from integrating GenAI into existing frameworks to reimagining traditional
Operações
através de uma transformação completa da IA. No cenário de IA em rápida mudança, o estabelecimento de uma estratégia firme de pessoas é tão crítico quanto navegar adequadamente pelos desafios da governança e da regulamentação. E como a tecnologia progride diariamente, uma visão de IA prospectiva é imperativa para os líderes financeiros que moldam o futuro. O hype e a confusão resultantes fizeram com que muitos executivos questionassem se a Genai tornará obsoleta suas estratégias e iniciativas de IA existentes. A resposta clara é não. De fato, pelo contrário, a Genai complementa a IA que já está incorporada nas estratégias de FI existentes. (Veja o Anexo 2.) Na última década, essa forma de IA ganhou destaque no FIS principalmente porque aborda vários desafios de previsão e classificação que são fundamentais para o setor bancário e
Incorporate GenAI in Your Roadmap
Media headlines tend to cast an exaggerated and often imprecise spotlight on GenAI. The resulting hype and confusion have caused many executives to question whether GenAI will render their existing AI strategies and initiatives obsolete. The clear answer is no. Indeed, to the contrary, GenAI complements AI that is already embedded in existing FI strategies.
Many people in the financial sector informally use the term AI to refer to a subset of AI techniques that focus on predictive decision-making models. (See Exhibit 2.) Over the past decade, this form of AI has risen to prominence in FIs primarily because it addresses various prediction and classification challenges that are pivotal to banking and Seguro , como monitoramento de risco, preços ideais e modelagem de propensão ao produto. Nós nos referimos a esta forma de IA como AI preditivo.
GenAI and predictive AI are powerful tools, but they serve fundamentally different purposes. Consequently, using them is not an either-or question. A bank’s AI strategy will need to include both of them going forward, harnessing their respective strengths in different ways.
One way to think of how predictive and generative AI complement each other is on the model of the two halves of the human brain. (See Exhibit 3.) Predictive AI is comparable to the left side of the brain, wired specifically for logic, measurement, and calculation. This left brain comprises algorithms that assign probabilities, categorize outcomes, and support decisions. For its part, GenAI acts as the right brain, wired to excel at creativity, expression, and a holistic perspective—the sorts of skills required to generate plausibly human-sounding responses in an automated chat.
Rather than negating the fundamentals of existing AI strategies, GenAI adds a new skill set to the mix. Accordingly, leaders should lean in and consider how GenAI can enhance and extend their current AI approaches by opening up new opportunities for AI-driven impact.
Many people may initially associate GenAI in banking and insurance with customer service chatbots, but the technology’s versatility extends far beyond these applications to encompass tasks such as automated financial analysis and AI-assisted code development. Numerous global banks are exploring such uses for GenAI models (either built in-house or sourced as a service), and industry giants such as Goldman Sachs, Deutsche Bank, American Express, and Wells Fargo are already starting to go live with their solutions.
When considering the new opportunities of GenAI alongside existing predictive AI–driven solutions, leaders should bear in mind that well-proven and potential AI applications now span almost every aspect of FI workflows, from client-facing roles to back-end operations. (See Exhibit 4.)
Para aproveitar ao máximo essas novas oportunidades de Genai, as instituições financeiras devem aprimorar seus métodos para identificar, priorizar e incubar iniciativas que provavelmente tenham o maior impacto positivo na geração de valor, clientes e funcionários e qualidade. Dois princípios orientadores emergem para os líderes: seja claro sobre os pontos fortes e fracos da IA e adote uma abordagem disciplinada à experimentação da IA. No caso de IA preditiva, por exemplo, um sistema de pontuação de risco de crédito baseado no aprendizado de máquina tomará melhores decisões de empréstimos do que a maioria dos seres humanos quando apresentados com pedidos simples de cartão de crédito. Mas se a tarefa é avaliar empréstimos que envolvem transações financeiras estruturadas complexas nas quais cada aplicação é única, é melhor deixar um humano decidir.
The Boundaries of AI’s Capabilities
As with any tool, it’s important to use AI in suitable applications. In the case of predictive AI, for example, a credit risk scoring system based on machine learning will make better lending decisions than most humans when presented with simple credit card applications. But if the task is to assess loans involving complex structured finance transactions in which every application is unique, it’s better to let a human decide.
O mesmo vale para Genai. UM Estudo recente do Instituto BCG Henderson, em colaboração com os principais acadêmicos , descobriram que a Genai se destaca em tarefas como a inovação criativa de produtos e que os esforços humanos para melhorar ou aprimorar os resultados dos modelos nessas áreas geralmente saíram pela culatra e levaram a piores resultados. Por outro lado, para tarefas que estão fora dos recursos atuais da tecnologia, como resolver problemas de negócios, a Genai teve um desempenho inferior a humanos, mais frequentemente do que não impedir o desempenho dos participantes do estudo que aproveitaram a tecnologia. Mas quando os seres humanos atuam como aprimoradores - fazendo a saída e tentando torná -la melhor - eles podem diminuir significativamente o valor do uso da IA. (Consulte o Anexo 5.)
In other words, GenAI performs best when humans act as complementors of GenAI output, taking over tasks that fall outside AI’s domain of expertise (as in the predictive AI example of credit scoring). But when humans act as enhancers—taking the output and trying to make it better—they can significantly diminish the value of using AI. (See Exhibit 5.)
Disciplina experimental
Avaliação e lançamento de casos de uso em menor escala em áreas orientadas por inovação dos negócios podem ser altamente benéficas. Criar esses tipos de laboratórios de IA pode ajudar a nutrir um apetite mais amplo e uma maior aceitação por soluções de IA dentro da organização. Eles também oferecem uma plataforma para refinar novas técnicas e criar recursos técnicos. E eles fornecem uma maneira prática de lidar com decisões importantes, como desenvolver fundações tecnológicas internamente, em origem, formar parcerias ou explorar outras opções de integração.
No entanto, na última década de crescimento de IA e experimentação de IA mostrou claramente que a experimentação pode facilmente sair do controle. Uma ampla abordagem de “sobrevivência da mais apagada” - ou seja, lançando uma grande variedade de pequenos casos de uso para ver quais poucos são bem -sucedidos e florescem - geralmente produzem resultados decepcionantes. As estratégias de IA mais eficazes envolvem a realização de experimentos seletivos em ambientes de teste de estilo laboratório controlados. Essa abordagem permite que os líderes usem idéias obtidas com os experimentos para identificar um pequeno número de oportunidades de IA de alto impacto e reunir a organização ao seu redor. Ao mesmo tempo, porém, é essencial uma abordagem disciplinada da experimentação. Casos de uso isolados que se concentram em uma única parte de um processo maior podem brilhar intensamente por um curto período de tempo, mas geralmente queimam jovens, com a escala e o impacto da mudança ficando aquém das expectativas. E a incorporação de IA em processos herdados construídos em torno das necessidades e capacidades dos trabalhadores humanos pode levar a lançamentos desarticulados e atrito potencial para os funcionários. Uma abordagem de ponta a ponta não é uma questão de inserir a IA a cada etapa, mas sim de redesenho de processos desde o início com a IA e os papéis humanos em mente para obter um valor otimizado. Ao aproveitar a IA preditiva e a Genai em conjunto com a experiência humana, o FIS pode obter maior eficiência e eficácia do processo - um impacto maior que a soma das partes. Alcance um cliente, são apropriados para a IA preditiva.
As GenAI solutions evolve rapidly, the need for continuous experimentation will remain critical to harnessing their full potential. At the same time, though, a disciplined approach to experimentation is essential.
Reimagine AI-Enabled End-to-End Solutions That Reshape Entire Journeys
The successes and failures of recent AI implementations indicate that companies see greater impact and capture more value when they holistically reimagine entire processes end-to-end and with AI. Isolated use cases that focus on a single part of a larger process can shine brightly for a short time, but they often burn out young, with the scale and impact of change falling short of expectations. And incorporating AI into legacy processes built around the needs and capabilities of human workers can lead to disjointed rollouts and potential friction for employees.
Beyond Tweaking—Transformation
The big wins from AI consistently come from broad transformations that involve rethinking the way an entire process works as part of an AI landscape. An end-to-end approach isn’t a matter of inserting AI at every step, but rather of redesigning processes from the ground up with both AI and human roles in mind for optimized value.
The vast operations of FIs contain a powerful synergy waiting to be unlocked. By leveraging predictive AI and GenAI in concert with human expertise, FIs can achieve enhanced process efficiency and effectiveness—an impact greater than the sum of the parts.
Let’s unpack the roles of the two AI domains within FI workflows:
- Analytical and Predictive Tasks. These left brain tasks, such as determining the best offer with which to reach out to a customer, are appropriate for predictive AI.
- tarefas criativas e expressivas. A IA preditiva e a Genai trabalham em mãos para automatizar a maioria das tarefas de campanha de ponta a ponta, desde a seleção do cliente-alvo até a decisão dos muitos parâmetros e variáveis de uma oferta a escrever uma mensagem personalizada e inserir imagens geradas personalizadas. Mas, mesmo quando a IA simplifica muitos aspectos do fluxo de trabalho, os seres humanos permanecem integrais como complementadores, supervisionando o processo e lidando com exceções que exigem experiência humana além da capacidade da IA. maneiras complementares - siga os padrões básicos. (2) avaliar/decidir; (3) Tome medidas criativas. Na prática, esse pode ser o fluxo de trabalho para responder a uma consulta ao cliente, processando a fatura de um fornecedor, tomando uma decisão sobre um pedido de cartão de crédito, monitorando uma conta de sinais de lavagem de dinheiro ou escrevendo uma seção de um prospecto de investimento. (Consulte o Anexo 6.) These right brain tasks, such as creating the content and designing visuals for the customer offer, are better suited for GenAI.
These two simple examples can form the core of a modern hyperpersonalized product marketing campaign. Predictive AI and GenAI work hand in hand to automate most campaign tasks end-to-end, from selecting the target customer to deciding on the many parameters and variables of an offering to writing a tailored message and inserting custom-generated images. But even as AI streamlines many aspects of the workflow, humans remain integral as complementors, supervising the process and dealing with exceptions that require human expertise beyond AI’s capability.
Golden Patterns
Although numerous constellations of AI use are possible, many big opportunities that lie within end-to-end workflows—in particular, opportunities that marry predictive AI and GenAI in complementary ways—follow basic patterns.
One such pattern consists of three steps: (1) process information; (2) evaluate/decide; (3) take creative action. In practice, this might be the workflow for replying to a customer inquiry, processing a supplier’s invoice, making a decision on a credit card application, monitoring an account for signs of money laundering, or writing a section of an investment prospectus. (See Exhibit 6.)
Nos processos herdados com base em conhecimentos humanos, uma peneira humana através das informações, avalia -a, chega a uma decisão e depois toma medidas. Mas cada um desses estágios no padrão é uma oportunidade para a IA preditiva e a Genai para se unirem ao humano. Conjuntos. Aqui, o modelo preditivo atua como o mecanismo de direção central para o processo, determinando independentemente a necessidade de envolvimento humano.
Depending on the specific context, the first step (process information) might offer an opportunity to use GenAI to synthesize and condense large amounts of information into easily digestible summaries, or to engage the power of predictive AI to narrow the field of choices by extracting targeted insights from large data sets.
In the second step (evaluate/decide), a predictive AI model can reliably make automated decisions on cases that lie within its domain of expertise (typically the lion’s share of cases to be decided) and route the exceptional cases to a human in the loop. Here, the predictive model acts as the central steering mechanism for the process, independently determining the need for human involvement.
O terceiro passo (tome uma ação criativa), se envolve compor uma carta de rejeição de empréstimos, um relatório de atividade suspeito ou uma resposta à pergunta de um cliente, muitas vezes pode ser entregue a um modelo genai-para automatização completa de elementos simples e/ou não-missionários, ou pelo menos para o pré-processamento de elementos repetitivos. Trabalhos de alto volume que seguem um padrão de ouro desse tipo em um ou mais lugares são oportunidades de mudança de jogo para transformar o processo de ponta a ponta. E, de fato, os líderes enfrentam muitos desafios importantes aqui. A IA é sedenta de dados e pode levar a proliferação de dados não controlados, portanto, uma estratégia de dados clara é essencial. E embora um modelo genai como ChatGPT seja muito fácil de usar, não é fácil de implementar em escala. fatores de sucesso mais críticos.
Repetitive, high-volume workflows that follow a golden pattern of this sort in one or more places are game-changing opportunities to transform the process end-to-end.
Focus the Journey on People and Process, Not Just on Tech
Rapid advances in AI make it all too easy to become fixated on the technology, the IT implementation, and the data underlying it. And indeed, leaders face many important challenges here. AI is data-hungry and can lead to uncontrolled data proliferation, so a clear data strategy is essential. And although a GenAI model such as ChatGPT is very user-friendly, it is not at all IT-friendly to implement at scale.
But time and again we see instances where softer success factors—the target operating model and its organizational structures, the approach to AI talent and skills management, and the change management that must accompany any transformation—are underrepresented and underfunded within bank’s AI strategies and prove to be the most critical success factors.
Modelo operacional e estrutura organizacional
AI permite um crescimento significativo da produtividade. O trabalho é automatizado ou aumentado e as funções devem ser redesenhadas. Vemos quatro tipos principais de impacto no trabalho que alterarão as funções em toda a organização (e dirigimos os muitos exemplos listados no Anexo 4):
- Tarefas repetitivas, como o código de baixo código/Automação sem código | Decisões
- Knowledge synthesis such as review of all commercial loan agreements
- Data-driven decisions, como automação de negociações de fornecedores
- Tarefas criativas, como o aumento da geração de código
para se ajustar a essa alteração. Esse esforço exigirá a criação de equipes mais interdisciplinares com dados incorporados, análise de negócios e capacidades legais; a implementação de uma estrutura mais plana e mais ágil para iterações e decisões mais rápidas; e uma redução nos vãos de controle para lidar com a natureza cada vez mais complexa do trabalho humano.
Finalmente, um modelo de operação de plataforma é fundamental para apoiar a adoção bem -sucedida da IA. Uma orientação elevada de mercado com maior capacidade de implantar rapidamente pessoas, processos e dados apoiará mais rápido e assertivo Modelo de negócios Inovação e interrupção. Equipes multifuncionais com propriedade de ponta a ponta de produtos, viagens e serviços apoiarão a reimaginação de processos inteiros, e a capacidade do modelo operacional da plataforma de impulsionar a escalabilidade com a padronização e sem comprometer a personalização será um facilitador-chave. Ai
Talent and Skills
Going forward, nearly every human role will have a relationship with AI:
- Roles that build AI, como especialistas em tecnologia que criam e monitoram modelos de IA e suportam plataformas de tecnologia, alavancando recursos técnicos profundos
- Funções que shape AI such as functional experts who direct AI operations to deliver business outcomes and integrate models into business processes
- Roles that Use ai, como profissionais que trabalham com saídas de modelos de IA, interpretando conteúdo e dados resultantes para agregar valor aos clientes e funcionários
- ROUNS that govern AI such as specialists who monitor AI output to ensure that the software drives returns and to verify that the system uses tech safely and ethically
Genai terá um alto grau de impacto em determinadas funções, incluindo marketing, atendimento ao cliente, desenvolvimento legal e de software. É provável que essas funções vejam uma extensa automação, resultando em oportunidades significativas para redução de custos, geração de demanda por meio de serviços de alta qualidade e capacidade de concentrar recursos em tarefas de maior valor.
Instituições financeiras Deve ser pragmático sobre a implementação de alterações. Isso implica identificar quais funções têm o valor mais alto de sua estratégia Genai específica e, em seguida, desenvolvendo um plano de talento de valor agregado apropriado. (Veja o Anexo 7.) Para gerenciar a transição para o GENAI bem em todas as funções, os executivos devem integrar o Genai diretamente em seu processo de planejamento da força de trabalho, definindo habilidades necessárias no estado futuro, avaliando o potencial atual da força de trabalho, desenvolvendo estratégias para preencher lacunas de suprimento-demanda e apoiar a cultura abrangente e a gestão de mudanças para informar a “construção da organização, a compra ou o borro” Estratégias. Sem governança sólida, tanto a IA preditiva quanto a Genai podem facilmente entrar em conflito com riscos legais, regulatórios e de reputação. O risco de viés contra certos clientes, por exemplo, pode aumentar com grandes modelos de idiomas (LLMS) que treinam em conjuntos de dados públicos tendenciosos obtidos na Internet. Os líderes da empresa estão lutando com essa dificuldade, como um
Prioritize Governance, Defining Your Own Rules of the Road
Achieving transformative impact from AI and gaining acceptance of and trust for AI solutions within the organization become possible only when the safeguards of a strong AI governance framework are in place. Without solid governance, both predictive AI and GenAI can easily fall afoul of legal, regulatory, and reputational hazards. The risk of bias against certain customers, for example, may increase with large language models (LLMs) that train on biased public data sets obtained from the internet. Company leaders are struggling with this difficulty, as a Pesquisa recente do BCG de 2.000 executivos globais encontrado. Totalmente 70% dos entrevistados disseram que as preocupações com a rastreabilidade limitada de fontes de LLMs os desencorajaram de usar Genai, e 68% disseram que o medo da natureza da caixa preta da tecnologia e o aumento do risco de violações de dados em torno de sua implementação de Genai. Leis específicas de IA, alterando -as com disposições da Genai e atualizando as leis de privacidade, responsabilidade e direitos autorais de dados para a nova tecnologia. (Veja o Anexo 8.) Mas a tecnologia e seus efeitos estão evoluindo mais rapidamente do que nunca, portanto, é provável que a incerteza regulatória em torno de Genai prevaleça por algum tempo. No entanto, três estruturas são particularmente dignas de nota para instituições financeiras. O FIS deve esperar receber um escrutínio especial nos três regimes, pois seus produtos são considerados essenciais para os cidadãos e particularmente sensíveis. A Lei AI da UE classifica as aplicações preditivas de IA e Genai em quatro categorias de risco. As aplicações que se enquadram na categoria "Risco inaceitável" serão proibidas do mercado europeu, enquanto as aplicações que se enquadram na categoria "de alto risco" estarão sujeitas a barreiras e obrigações pré e pós-implantação. As avaliações comuns de credibilidade preditiva de AI provavelmente serão aplicativos de alto risco, assim como os chatbots de suporte ao cliente da Genai. Ainda em seus estágios finais de negociação, a Lei da UE AI deve atingir a forma final até o final de 2023 ou no início de 2024 e, após um período de carência, se aplicará a todos os produtos do mercado europeu. O não cumprimento de seus requisitos pode resultar em multas de até 7% da rotatividade anual global. A Ordem Executiva do Presidente Joe Biden, na IA, emitida em 30 de outubro de 2023, define um conjunto de cheques e contrapesos específicos do setor, além de medidas para promover o uso seguro e responsável da tecnologia pelas empresas e pelo próprio governo. É o primeiro passo em direção à legislação, mas quando e como os EUA regulamentarão a IA continua sendo objeto de debate no Congresso e dentro da administração. com alta conformidade regulatória. Esses corrimãos devem se concentrar em uma estrutura que garante o alinhamento do desenvolvimento e operação da IA com o objetivo e os valores do banco, enquanto ainda oferece impacto nos negócios transformadores. Chamamos essa abordagem
Regulators around the globe have been busy finalizing specific AI laws, amending them with GenAI provisions, and updating data privacy, liability, and copyright laws for the new technology. (See Exhibit 8.) But the technology and its effects are evolving faster than ever, so regulatory uncertainty around GenAI is likely to prevail for some time. Nevertheless, three frameworks are particularly noteworthy for financial institutions. FIs should expect to receive special scrutiny in all three of these regimes, as their products are considered essential to citizens and particularly sensitive.
The first and second regimes are the upcoming ASEAN Guide in AI Governance and Ethics (a guiding framework) and, much more importantly, the EU’s AI Act (a risk-based consumer protection law that is the first horizontal law on AI in the world). The EU AI Act classifies predictive AI and GenAI applications into four risk categories. Applications that fall into the “unacceptable risk” category will be banned from the European market, while applications that fall into the “high-risk” category will be subject to pre- and post-deployment barriers and obligations. Common predictive AI creditworthiness assessments will likely be high-risk applications, as will GenAI-powered customer support chatbots. Still in its final negotiation stages, the EU AI Act is supposed to reach final form by the end of 2023 or early 2024 and, after a grace period, will apply to all products in the European market. Failure to conform to its requirements may result in fines of up to 7% of global annual turnover.
The third regime is the US regulators’ approach, which currently aims to adapt existing regulations rather than to create new laws, and which takes a more national-security-driven perspective on GenAI risks. President Joe Biden’s executive order on AI issued on October 30, 2023, sets in motion a sector-specific set of checks and balances, along with measures to foster the safe and responsible use of the technology by companies and by the government itself. It is the first step toward legislation, but when and how the US will regulate AI remains a subject of debate in Congress and within the administration.
With appropriate guardrails in place to guide AI developers and users, companies should be able to deploy and quickly scale even rapidly changing technologies, with clear controls on the risks and with high regulatory compliance. These guardrails should center on a framework that ensures alignment of AI development and operation with the bank’s purpose and values while still delivering transformative business impact. We call this approach Responsável ai. (Ver Anexo 9.)
Um holístico e ágil
AI responsável
A estrutura deve incluir cinco componentes principais:
- Estratégia - Uma estratégia de IA abrangente ligada aos valores da empresa, bem como à sua estratégia de risco e princípios éticos
- Governança—oversight by a defined responsible AI leadership team, with established escalation paths to identify and mitigate risks
- Processos - Processos rigorosos implementados para monitorar e revisar produtos para garantir que eles atendam aos critérios de IA responsáveis
- Technology - Dados e tecnologia Infraestrutura estabelecida para mitigar os riscos de IA, incluindo kits de ferramentas para apoiar a IA responsável por design e monitoramento e gerenciamento apropriados do ciclo de vida
- Culture-forte entendimento entre todos os funcionários, incluindo desenvolvedores e usuários, de suas funções e hours em seguida AI responsável, e aderência rigorosa a eles |
A Estudo recente do BCG em colaboração com o MIT Sloan Management Review= descobriram que as organizações que integram com êxito a IA responsável praticam o ciclo de vida completo do produto de IA recebem benefícios mais significativos. De fato, a probabilidade de fazer pleno uso dos benefícios da IA preditiva quase triplica, saltando de 14% para 41%, quando as empresas se tornam líderes na IA responsável. Surgirão perguntas que os novos regulamentos de IA não respondem. Mas os executivos que se preparam para essa eventualidade agora, desenvolvendo uma estrutura holística da RAI, terão uma vantagem crítica e configurarão suas transformações de IA para o sucesso.
The rise of AI in the workplace will undoubtedly surface complex and pressing questions related to human-AI collaboration and will probably elicit strong positions from workers’ unions on process changes and technology implementation. Questions will arise that the new AI regulations do not answer. But executives who prepare for this eventuality now by developing a holistic RAI framework will have a critical advantage and will set up their AI transformations for success.
Aim for the Horizon
Like any foundational Nova tecnologia Genai levanta inúmeras questões importantes - em geral como realizar oportunidades para maior eficiência e eficácia, mas também sobre como implantar a tecnologia, como abordar as complexidades de uma nova estratégia de pessoas e como manter a tecnologia dentro dos limites da regulamentação segura e a boa governança. Os executivos devem tornar a investigação e a adoção da IA, incluindo a Genai, uma prioridade transformacional para suas organizações, adotando uma perspectiva de médio a longo prazo em suas estratégias de IA, seu planejamento de RH e sua abordagem para construir uma estrutura de governança robusta em torno da tecnologia. Os jogadores que planejam ativamente hoje para a revolução iminente de IA em suas maneiras de trabalhar serão uma vantagem decisiva daqui para frente. Inscreva -se
The temptation to wait and see may be strong, but too much is at stake to play the short game. Executives must make investigating and adopting AI, including GenAI, a transformational priority for their organizations, taking a medium- to long-term perspective in their AI strategies, their HR planning, and their approach to building a robust governance framework around the technology. Players that actively plan today for the impending AI revolution in their ways of working will be at a decisive advantage going forward.
