Hva markedsførere innen finansielle tjenester lærer om AI – og hva som overrasker dem

Det finnes en versjon av AI-samtalen innen finansielle tjenester som går slik: ledelsen sender et notat, et verktøy blir godkjent, noen bestiller et kurs, og seks måneder senere har ingenting egentlig endret seg. Produktivitetsgevinstene har ikke materialisert seg. Entusiasmen har falmet. Og teamet bruker ChatGPT i stillhet for e-poster mens de later som de ikke gjør det.

Vi har hørt denne historien nok ganger til at vi bestemte oss for å gjøre noe med det.

Tidligere i år kjørte vi den første gruppen av Opal University for Financial Services,et femdagers live-program bygget spesielt for markedsførings- og digitale ledere som jobber i en av de mest samsvarsbevisste bransjene i verden. Femti plasser. Én time med live-opplæring etterfulgt av én time med praktisk agentbygging, hver dag, i en uke. En global kohort – deltakere fra USA, Storbritannia og Europa – som alle jobbet med de samme utfordringene i samme rom.

Målet var ikke å lære folk hva AI er. Det var å få dem til å bygge ting som fungerer innenfor de begrensningene de faktisk opererer under.

Det som kom ut av disse fem øktene var mer interessant enn vi forventet. Ikke fordi deltakerne bygde ekstraordinære ting – selv om noen av dem gjorde det – men på grunn av mønstrene som dukket opp i hele gruppen. De samme spenningene, de samme blokkeringene, de samme gjennombruddene, som dukket opp igjen og igjen uavhengig av institusjonens størrelse, geografi eller ansiennitet.

Denne artikkelen er et forsøk på å navngi disse mønstrene ærlig. Ikke som en rekrutteringspresentasjon, og ikke som en produktpresentasjon. Som en syntese av hva vi faktisk hørte, fra menneskene i rommet.

Mønster 1: Tillitsgapet – ønsket om å bevege seg, ventet på tillatelse som stadig beveget seg

Nesten alle deltakerne ankom med en eller annen versjon av den samme spenningen. De ønsket å bruke AI mer. De kunne se hvor det ville hjelpe. Men organisasjonen deres bygde fortsatt styringsrammeverket, bestemte fortsatt hva som var tillatt, ventet fortsatt på at juridiske og samsvarsmessige myndigheter skulle godkjenne noe – hva som helst.

Én deltaker, en senior driftsleder i en stor amerikansk bank, beskrev organisasjonens første AI-styringsmøte med en klarhet som hele rommet anerkjente:

En annen, fra en amerikansk kredittforening, sa det mer direkte:

Det som var slående var ikke konservatismen, det er forventet og, ærlig talt, passende i finansielle tjenester. Det som var slående var hvor isolerte folk følte seg om det. LinkedIn-algoritmen har brukt to år på å fortelle alle at AI-revolusjonen allerede er over, at vinnerne er kåret, at hvis du ikke driver 64 agenter, ligger du bak. Kohorten var en korrektiv. Deltakerne oppdaget at personen som satt metaforisk ved siden av dem – i en annen bank, et annet kredittforetak, en annen kapitalforvalter – navigerte i nøyaktig samme styringslabyrint. Ingen var så langt bak som de trodde.

Det viste seg at tillitsgapet egentlig ikke handlet om evner. Det handlet om kontekst. Da folk forsto at de alle var på samme nivå, sank angsten, og byggingen startet.

Den praktiske innsikten som hjalp mest: slutt å vente på tillatelse til å automatisere alt, og begynn å bygge ting som ikke krever det. Personlige ferdigheter, private agenter, verktøy som forbedrer din egen produksjon uten å berøre noen delte data eller krysse noen samsvarsgrense. Gevinstene var små i starten. Men de var reelle, og det viser seg at reelle gevinster er valutaen du trenger for å begynne å endre samtalen med menneskene som har styringsnøklene.

Mønster 2: 80%-problemet – AI får deg raskt dit, de siste 15% er alt du trenger

Hver deltaker som hadde brukt tid med AI før de kom, visste allerede om 80%-problemet, selv om de ikke hadde et navn på det. De hadde bedt et verktøy om å skrive noe, eller generere en rapport, eller utarbeide en brief, og resultatet var... fint. Kompetent. Teknisk korrekt. Og fullstendig blottet for dømmekraften, nyansene og den institusjonelle kunnskapen som ville ha gjort det faktisk nyttig.

Det kohorten avdekket var hvor mye av problemet som ligger oppstrøms, ikke i selve resultatet.

Den vanligste feilmodusen var ikke dårlig AI. Det var underorientert AI. Deltakere som ga agentene sine tynt kontekst, fikk tynt resultat. Deltakere som investerte tid i å gjenoppleve tidligere arbeid – ekte rapporter, ekte eksempler, ekte dokumenter med god tone – fikk resultater som virkelig var nær det de ville ha produsert selv. Kvaliteten på kortene var flaskehalsen. Det hadde den alltid vært; AI gjorde bare gapet synlig.

Den vanskeligere samtalen handlet om hva som skjer ved 80 %-merket, når resultatet ser bra nok ut til å sendes, men ikke er helt riktig. Flere deltakere innrømmet at organisasjonene deres allerede hadde vært gjennom et mislykket AI-pilotprosjekt, vanligvis fordi noen rullet ut et verktøy, folk brukte det til å generere e-poster eller rapporter, og resultatene ble delt uten nok menneskelig gjennomgang. Kvaliteten var middelmådig. Folk la merke til det. Tilliten svekket.

Det er paradoksalt nok å komme fra 80 % til 95 % der menneskelig ekspertise teller mest. Ikke i genereringsfasen, men i iterasjonsfasen. Å vite når resultatet er feil. Å vite hvorfor det er feil. Å vite hvilken del av briefen som skal endres for å fikse det. Dette er vurderinger som krever domenekunnskap, og domenekunnskap er akkurat det erfarne markedsførere innen finansielle tjenester har i overflod.

Deltakerne som gjorde mest fremgang i løpet av uken var de som omformulerte hva jobben deres var. Ikke «kan jeg få AI til å gjøre dette?», men «hva trenger AI fra meg for å gjøre dette bra?» Førstnevnte behandler AI som en salgsautomat. Sistnevnte behandler det som en svært dyktig, men kontekstblind samarbeidspartner, som for øyeblikket er mye nærmere hva det faktisk er.

Mønster 3: Starte i det små, vinne stort – det spesifikke slår det ambisiøse hver gang

På dag 1 ble deltakerne bedt om å tenke på hva de ønsket å bygge. Instinktet, nesten universelt, var å satse stort. En komplett innholdsproduksjonsarbeidsflyt. Et konkurransedyktig intelligenssystem som dekker 30 konkurrenter. En komplett agentstabel som ville håndtere alt fra research til publisering til rapportering, automatisk, etter en tidsplan.

Innen dag 3 var deltakerne som gjorde mest fremgang de som hadde forlatt den store ideen til fordel for noe pinlig spesifikt.

En markedsføringsavdeling med én person ved et konsulentfirma i London – som dekket innhold innen formuesforvaltning, kapitalforvaltning og investeringsbankvirksomhet uten noe team til å støtte henne – prøvde ikke å automatisere hele innholdsdriften. Hun bygde tre researchagenter, én per målgruppe, som avdekket relevante emner hun deretter kunne velge mellom. Spesifikke, avgrensede, nyttige fra dag én.

En leder for produkt- og sortimentsplanlegging ved et britisk gavefirma prøvde ikke å automatisere all konkurrentovervåking. Hun bygde en agent som sporet antall SKU-er og prisbevegelser for én spesifikk konkurrent, etter kategori, én gang i uken. Agenten – fortsatt i testmodus, ikke helt ferdig – avdekket noe hele teamet hennes hadde gått glipp av.

En digital leder som arvet et CMS med to års udokumentert utvikling, prøvde ikke å bygge et dokumentasjonssystem. Han bygde en agent som tok sprintnotater og konverterte dem til lesbare redigeringsguider. Én input, én output, repeterbar.

Mønsteret gjenspeilet seg i alle deltakerne som rapporterte en ekte seier: de hadde startet med noe lite nok til å teste på en dag, spesifikt nok til å vite om det fungerte, og smertefullt nok til at de faktisk brydde seg om å fikse det. Ambisjonen var ikke feil, den måtte bare komme senere, når fundamentet var solid.

Deltakerne som slet var, nesten uten unntak, de som prøvde å bygge hele systemet på én gang. Ikke fordi systemet var umulig – det var det ikke – men fordi når noe gikk galt (og noe gikk alltid galt), kunne de ikke si hvilken del som hadde gått i stykker.

Mønster 4: Den uventede utbytten – agenter som finner problemer mennesker hadde oversett

Dette var funnet som overrasket oss mest, og det som genererte mest energi i rommet.

Flere deltakere oppdaget at agentene deres ikke bare gjorde oppgaven de var bygd for. De dukket opp informasjon som ingen mennesker hadde tenkt på å lete etter, eller som rett og slett aldri hadde hatt kapasitet til å finne.

Det klareste eksemplet kom fra en leder for produktsortimentsplanlegging, som bygde en agent for konkurrenters produktsammenligning primært for å spore priser. Agenten – mens hun fortsatt var under forbedring, før hun i det hele tatt var ferdig med å bygge den opp – påpekte at selskapets mestselgende produkt hadde et betydelig tilgjengelighetsgap sammenlignet med hovedkonkurrenten. En bestillingsbegrensning som betydde at kundene ikke kunne fullføre et kjøp på den mest populære handledagen i uken. I en bedrift som omsetter betydelig årlig, hadde dette vært usynlig.

Et lignende mønster dukket opp for en innholdsstrateg som ba en agent om å identifisere aktuelle temamuligheter for en underressursbasert del av bedriftens nettsted. Agenten kom med tre ideer. Alle tre ble validert av interne interessenter som ikke bare relevante, men aktivt nyttige – en av dem ble til og med grunnlag i en samtale om hvorvidt en dyr videoproduksjon som hadde vært planlagt seks måneder i forveien faktisk var verdt å gjøre.

Den uventede utbyttet handler ikke om at AI er smartere enn mennesker. Det handler om oppmerksomhet. Mennesker er begrensede. Vi prioriterer. Vi har møteplaner og sprintfrister og ting som er mer presserende enn det vi vet at vi sannsynligvis bør sjekke. Agenter har ikke det problemet. En agent kan settes til å se på 50 konkurrentsider hver uke og legge merke til når noe har endret seg konsekvent, uten tretthet, uten konkurrerende krav som får mennesker til å hoppe over ting som føles som vedlikehold.

For finansielle tjenesteorganisasjoner, hvor kostnadene ved å gå glipp av en regulatorisk endring, et konkurrentskifte eller et markedsskifte kan være betydelige, er ikke dette en triviell funksjon.

Hva vi fortsatt prøver å finne ut av

Det ville være uærlig å avslutte dette med bare gevinstene.

Det er reelle hull som kohorten avdekket – problemer vi ikke har rene løsninger på ennå.

Den manuelle gjennomgangsveggen. Du kan bygge en agent som forhåndssjekker samsvarsinnhold før det når juridisk nivå. Det du ikke kan gjøre, i hvert fall ikke ennå, er å endre det faktum at juridisk avdeling fortsatt må gjennomgå det. Agenten sparer tid på din side av prosessen. Det endrer ikke kravet nedstrøms. For organisasjoner der flaskehalsen i juridisk gjennomgang er den primære begrensningen, er det en betydelig begrensning.

Styringsrammeverk som stadig beveger seg. Flere deltakere bygde i genuin usikkerhet, organisasjonens AI-policy var fortsatt under skriving. Det er ikke et teknologiproblem. Men det betyr at alt de bygger nå, kan trenge å bli gjenoppbygd eller justert når policyen trer i kraft.

Koble sammen alt. Visjonen – data flyter inn automatisk, agenter kjører, innsikt dukker opp – er reell og kommer nærmere. Den nåværende virkeligheten innebærer fortsatt noe kopiering og liming og manuelle trinn, spesielt for plattformer og datakilder som ennå ikke har innebygde koblinger. For deltakere som håpet å automatisere en rapporteringsarbeidsflyt fullstendig, var dette noen ganger en skuffende begrensning.

Dette er ikke grunner til ikke å starte. Men det er grunner til å være ærlig om hvordan "AI i markedsføring av finansielle tjenester" ser ut akkurat nå, kontra hvordan det vil se ut om 18 måneder.

En merknad om hvem dette er for

Opal University for Financial Services går over fem dager, med femti plasser per kohort, begrenset til deltakere fra bransjen. Den bevisste blandingen – forskjellige institusjoner, forskjellige markeder, forskjellige teamstørrelser, alle med samme regulatoriske kontekst – er en del av det som gjør at det fungerer. Folk kan snakke ærlig om begrensningene de opererer under uten å måtte forklare det grunnleggende. De kan dele hva som fungerer og hva som ikke fungerer uten å bekymre seg for å gi bort konkurranseinformasjon.

Hver kohort produserer et fellesskap. Flere deltakere fra denne kohorten endte opp med å dele spørsmål, sammenligne agentresultater og utveksle ideer gjennom uken og utover. En deltaker uttrykte det godt, og beskrev øyeblikket hun viste teamet sitt resultatene fra en agent hun hadde bygget:

Hvis du er en markedsførings- eller digital leder innen finansielle tjenester som kjenner igjen noen av mønstrene ovenfor – usikkerheten rundt styring, kvalitetsgapet, følelsen av at ambisjonene er der, men ikke veikartet – er det akkurat det det neste kullet er designet for.

Ikke for å si at AI er enkelt. Men for å hjelpe deg med å finne den ene tingen som er verdt å bygge først.

Opal University for Financial Services drives som et live, kohortbasert program med begrensede plasser per opptak. Hver økt er utformet for erfarne utøvere, ikke nybegynnere – og arbeidet skjer i løpet av øktene, ikke bare i teorien.

Registrer deg her hvis du vil bli med på den neste!