Vad marknadsförare inom finansiella tjänster lär sig om AI – och vad som förvånar dem

Det finns en version av AI-konversationen inom finansiella tjänster som går till så här: ledningen skickar ett PM, ett verktyg godkänns, någon bokar en utbildning, och sex månader senare har ingenting egentligen förändrats. Produktivitetsvinsterna har inte materialiserats. Entusiasmen har avtagit. Och teamet använder i tysthet ChatGPT för e-postmeddelanden samtidigt som de låtsas att de inte gör det.

Vi har hört den här historien tillräckligt många gånger för att vi bestämde oss för att göra något åt ​​den.

Tidigare i år genomförde vi den första gruppen av Opal University for Financial Services,ett femdagars liveprogram utformat specifikt för marknadsförings- och digitala ledare som arbetar inom en av de mest efterlevnadsmedvetna branscherna i världen. Femtio platser. En timmes liveutbildning följt av en timmes praktisk agentutveckling, varje dag, i en vecka. En global kohort – deltagare från USA, Storbritannien och Europa – som alla arbetade med samma utmaningar i samma rum.

Målet var inte att lära folk vad AI är. Det var att få dem att bygga saker som fungerar inom de begränsningar de faktiskt verkar under.

Det som kom ut av dessa fem sessioner var mer intressant än vi förväntade oss. Inte för att deltagarna byggde extraordinära saker – även om några av dem gjorde det – utan på grund av de mönster som framkom i hela gruppen. Samma spänningar, samma blockeringar, samma genombrott, som dök upp om och om igen oavsett institutionens storlek, geografi eller senioritet.

Denna artikel är ett försök att namnge dessa mönster ärligt. Inte som en rekryteringspresentation och inte som en produktpresentation. Som en syntes av vad vi faktiskt hörde, från personerna i rummet.

Mönster 1: Förtroendegapet — viljan att röra på sig, väntan på tillstånd som fortsätter att röra sig

Nästan varje deltagare anlände med någon version av samma spänning. De ville använda AI mer. De kunde se var det skulle hjälpa. Men deras organisation byggde fortfarande upp styrningsramverket, bestämde fortfarande vad som var tillåtet, väntade fortfarande på att juridiska och regelefterlevande skulle godkänna något — vad som helst.

En deltagare, en högre verksamhetschef på en stor amerikansk bank, beskrev sin organisations första AI-styrningsmöte med en tydlighet som hela rummet kände igen:

En annan, från en USA-baserad kreditförening, uttryckte det mer rakt på sak:

Det som var slående var inte konservatismen, det är förväntat och, ärligt talat, lämpligt inom finansiella tjänster. Det som var slående var hur isolerade människor kände sig inför det. LinkedIn-algoritmen har tillbringat två år med att berätta för alla att AI-revolutionen redan är över, att vinnarna har utsetts, att om man inte driver 64 agenter så ligger man efter. Kohorten var en korrigering. Deltagarna upptäckte att personen som satt metaforiskt bredvid dem – på en annan bank, en annan kreditförening, en annan kapitalförvaltare – navigerade i exakt samma styrningslabyrint. Ingen låg så långt efter som de trodde.

Det visade sig att förtroendegapet inte egentligen handlade om förmåga. Det handlade om kontext. När folk väl förstod att de alla var i samma skede, släppte oron och byggandet började.

Den praktiska insikten som hjälpte mest: sluta vänta på tillstånd att automatisera allting och börja bygga saker som inte kräver det. Personliga färdigheter, privata agenter, verktyg som förbättrar din egen produktion utan att röra någon delad data eller korsa någon efterlevnadsgräns. Vinsterna var små till en början. Men de var verkliga och verkliga vinster, visar det sig, är den valuta du behöver för att börja förändra samtalet med de personer som innehar styrningsnycklarna.

Mönster 2: 80%-problemet — AI tar dig dit snabbt, de sista 15% är allt du behöver

Varje deltagare som hade tillbringat någon tid med AI innan de kom dit kände redan till 80%-problemet, även om de inte hade något namn för det. De hade bett ett verktyg att skriva något, eller generera en rapport, eller utarbeta en brief, och resultatet var... bra. Kompetent. Tekniskt korrekt. Och helt utan den bedömning, nyans och institutionella kunskap som skulle ha gjort det faktiskt användbart.

Vad kohorten kom fram till var hur mycket av problemet som ligger uppströms, inte i själva resultatet.

Det vanligaste felläget var inte dålig AI. Det var underinformerad AI. Deltagare som gav sina agenter dålig kontext fick tunna resultat. Deltagare som investerade tid i att återfinna sig i tidigare arbete – riktiga rapporter, riktiga exempel, riktiga dokument i tonfall – fick resultat som verkligen låg nära vad de själva skulle ha producerat. Den korta kvaliteten var flaskhalsen. Det hade den alltid varit; AI synliggjorde bara gapet.

Det svårare samtalet handlade om vad som händer vid 80%-strecket, när resultatet ser tillräckligt bra ut för att skickas men inte är helt rätt. Flera deltagare erkände att deras organisationer redan hade gått igenom ett misslyckat AI-pilotprojekt, vanligtvis för att någon lanserade ett verktyg, folk använde det för att generera e-postmeddelanden eller rapporter, och resultaten delades utan tillräckligt med mänsklig granskning. Kvaliteten var medioker. Folk märkte det. Förtroendet urholkades.

Att komma från 80 % till 95 % är, paradoxalt nog, där mänsklig expertis spelar mest roll. Inte i genereringsstadiet utan i iterationsstadiet. Att veta när resultatet är fel. Att veta varför det är fel. Att veta vilken del av briefen som ska ändras för att åtgärda det. Det här är bedömningar som kräver domänkunskap, och domänkunskap är precis vad erfarna marknadsförare inom finansiella tjänster har i överflöd.

De deltagare som gjorde störst framsteg under veckan var de som omformulerade vad deras jobb var. Inte "kan jag få AI att göra detta?" utan "vad behöver AI från mig för att göra detta bra?" Den förra behandlar AI som en varuautomat. Den senare behandlar den som en mycket kapabel men kontextblind samarbetspartner, vilket för tillfället är mycket närmare vad den faktiskt är.

Mönster 3: Börja smått, vinna stort – det specifika slår det ambitiösa varje gång

På dag 1 ombads deltagarna att fundera på vad de ville bygga. Instinkten, nästan universellt, var att satsa stort. Ett heltäckande arbetsflöde för innehållsproduktion. Ett konkurrenskraftigt intelligenssystem som täcker 30 konkurrenter. En komplett agentstack som skulle hantera allt från research till publicering till rapportering, automatiskt, enligt ett schema.

Vid dag 3 var deltagarna som gjorde störst framsteg de som hade övergett den stora idén till förmån för något pinsamt specifikt.

En enmans marknadsavdelning på ett konsultföretag i London – som täckte innehåll för förmögenhetsförvaltning, kapitalförvaltning och investment banking utan något team som stödde henne – försökte inte automatisera hela sin innehållsverksamhet. Hon byggde tre researchagenter, en per målgrupp, som lyfte fram relevanta ämnen som hon sedan kunde välja mellan. Specifika, begränsade, användbara från dag ett.

En chef för produkt- och sortimentsplanering på ett brittiskt presentföretag försökte inte automatisera all konkurrentövervakning. Hon byggde en agent som spårade SKU-antal och prisrörelser för en specifik konkurrent, per kategori, en gång i veckan. Den agenten – fortfarande i testläge, inte helt färdig – avslöjade något som hela hennes team hade missat.

En digital ledare som ärvde ett CMS med två års odokumenterad utveckling försökte inte bygga ett dokumentationssystem. Han byggde en agent som tog sprintanteckningar och konverterade dem till läsbara redigeringsguider. En input, en output, repeterbar.

Mönstret höll sig hos alla deltagare som rapporterade en verklig vinst: de hade börjat med något tillräckligt litet för att testa på en dag, tillräckligt specifikt för att veta om det fungerade, och tillräckligt smärtsamt för att de faktiskt brydde sig om att fixa det. Ambitionen var inte fel, den behövde bara komma senare, när grunden var solid.

De deltagare som hade det svårt var, nästan utan undantag, de som försökte bygga hela systemet på en gång. Inte för att systemet var omöjligt – det var det inte – utan för att när något gick fel (och något gick alltid fel), kunde de inte avgöra vilken del som hade gått sönder.

Mönster 4: Den oväntade utdelningen – agenter som hittar problem som människor hade missat

Detta var det fynd som förvånade oss mest, och det som genererade mest energi i rummet.

Flera deltagare upptäckte att deras agenter inte bara gjorde den uppgift de var byggda för. De dök upp information som ingen människa hade tänkt på att leta efter eller helt enkelt aldrig hade haft förmågan att hitta.

Det tydligaste exemplet kom från en chef för produktsortimentsplanering, som byggde en jämförelseagent för konkurrenter främst för att spåra prissättning. Agenten – medan hon fortfarande förfinade den, innan hon ens hade färdigställt den – påpekade att hennes företags mest sålda produkt hade en betydande tillgänglighetsgap jämfört med huvudkonkurrenten. En bokningsbegränsning som innebar att kunderna inte kunde slutföra ett köp på veckans populäraste shoppingdag. I ett företag som omsätter betydande intäkter årligen hade detta varit osynligt.

Ett liknande mönster framkom för en innehållsstrateg som bad en agent att identifiera aktuella ämnesmöjligheter för en underresurssäker del av hennes företags webbplats. Agenten lyfte fram tre idéer. Alla tre validerades av interna intressenter som inte bara relevanta utan också aktivt användbara – en av dem blev till och med grunden för en diskussion om huruvida en dyr videoproduktion som hade planerats sex månader i förväg faktiskt var värd att genomföra.

Den oväntade utdelningen handlar inte om att AI är smartare än människor. Det handlar om uppmärksamhet. Människor är begränsade. Vi prioriterar. Vi har mötesagender och sprintdeadlines och saker som är mer brådskande än det vi vet att vi förmodligen borde kontrollera. Agenter har inte det problemet. En agent kan ställas in att titta på 50 konkurrentsidor varje vecka och lägga märke till när något har förändrats konsekvent, utan trötthet, utan konkurrerande krav som får människor att hoppa över de saker som känns som underhåll.

För finansiella tjänsteorganisationer, där kostnaden för att missa en regeländring, ett konkurrentbyte eller ett marknadsskifte kan vara betydande, är detta inte en trivial funktion.

Vad vi fortfarande håller på att lista ut

Det vore oärligt att bara avsluta detta med vinsterna.

Det finns verkliga luckor som kohorten upptäckte – problem som vi ännu inte har tydliga lösningar på.

Den manuella granskningsväggen. Du kan bygga en agent som förhandskontrollerar innehållet innan det når rättslig nivå. Vad du inte kan göra, åtminstone inte än, är att ändra det faktum att den juridiska avdelningen fortfarande behöver granska det. Agenten sparar tid på din sida av processen. Det ändrar inte kravet nedströms. För organisationer där flaskhalsen i den juridiska granskningen är den primära begränsningen är det en betydande begränsning.

Styrningsramverk som ständigt förändras. Flera deltagare byggde i genuin osäkerhet, deras organisations AI-policy höll fortfarande på att skrivas. Det är inte ett teknikproblem. Men det betyder att allt de bygger nu kan behöva byggas om eller justeras när policyn träder i kraft.

Att koppla samman allt. Visionen – data flödar in automatiskt, agenter körs, insikter dyker upp – är verklig och kommer närmare. Den nuvarande verkligheten innebär fortfarande en del kopiering och inklistring och manuella steg, särskilt för plattformar och datakällor som ännu inte har inbyggda kopplingar. För deltagare som hoppades kunna automatisera ett rapporteringsarbetsflöde helt var detta ibland en besvikelse.

Det här är inga skäl att inte börja. Men det är skäl att vara ärlig om hur "AI inom marknadsföring av finansiella tjänster" ser ut just nu, jämfört med hur det kommer att se ut om 18 månader.

En anmärkning om vem detta är för

Opal University for Financial Services äger rum i fem dagar, med femtio platser per kohort, begränsat till deltagare från branschen. Den avsiktliga blandningen – olika institutioner, olika marknader, olika teamstorlekar, alla med samma regelverk – är en del av det som gör att det fungerar. Människor kan prata ärligt om de begränsningar de arbetar under utan att behöva förklara grunderna. De kan dela med sig av vad som fungerar och vad som inte fungerar utan att oroa sig för att avslöja konkurrensinformation.

Varje kohort skapar en gemenskap. Flera deltagare från denna kohort delade uppmaningar, jämförde agenternas resultat och utbytte idéer under veckan och framöver. En deltagare uttryckte det väl och beskrev ögonblicket då hon visade sitt team resultatet från en agent hon hade byggt:

Om du är en marknadsförings- eller digital ledare inom finansiella tjänster som känner igen något av mönstren ovan – osäkerheten kring styrning, kvalitetsgapet, känslan av att ambitionen finns där men färdplanen inte – är det precis vad nästa kohort är utformad för.

Inte för att säga att AI är enkelt. Men för att hjälpa dig att hitta det enda som är värt att bygga först.

Opal University for Financial Services drivs som ett aktivt, kohortbaserat program med begränsat antal platser per intag. Varje session är utformad för seniora yrkesverksamma, inte nybörjare – och arbetet sker under sessionerna, inte bara i teorin.

Registrera dig här om du vill delta i nästa!