Consumenten verwachten realtime, en steeds vaker ook conversational toegang tot hun financiële informatie. Het vrijmaken van de juiste data uit veel verschillende systemen en silo’s is echter zeer complex. Bovendien wil de directie steeds sneller resultaten zien, terwijl het ‘met de technologie worstelende’ risk management juist hard op de rem trapt.
Bij Elastic hebben we de afgelopen maanden onderzocht hoe we de kloof kunnen overbruggen tussen de hype rondom generatieve AI en concrete bedrijfsresultaten, in gesprekken met leiders uit de FSI-sector. Eén thema komt telkens terug: terwijl het management IT-teams duidelijk aanzet met de boodschap “We want AI now!”, worstelen veel organisaties nog met de vraag wat er daadwerkelijk nodig is om die ambitie om te zetten in meetbare waarde.
Alle IT- en dataprofessionals waar we mee spraken, zien de potentie van GenAI als enabler van de naadloze en persoonlijke klantervaring, waarbij klanten 24/7 de informatie en ondersteuning krijgen die het beste aansluit op hun informatiebehoefte. Het versnellen van complexe onboarding-processen door nieuwe klanten stap voor stap te begeleiden bij het openen van rekeningen en het uploaden van documenten. En wellicht zelfs ook gepersonaliseerd digitaal advies, op basis van de individuele financiële situatie.
Toenemende druk en complexe data-uitdagingen
De praktijk is echter weerbarstiger, weten zij inmiddels. Alleen de inventarisatie van use cases vanuit alle vereiste invalshoeken vreet vaak al veel tijd. Dat terwijl de termijn waarbinnen de directie resultaten wil zien juist snel afneemt. Voor sommigen is dat maanden, voor anderen nu al 4 tot 6 weken. Een persoon gaf zelfs aan de resultaten van de test met een prototype zelfs al een keer ‘gesimuleerd’ te hebben gesimuleerd om het team wat meer ademruimte te geven.
Het snel genoeg samenbrengen van de juiste data behoort zonder twijfel tot de belangrijkste uitdagingen. De redenen zijn bekend. Vaak decennia oude, steeds lastiger te integreren legacysystemen. Veelsoortige data die uit talloze silo’s moet worden opgehaald. Almaar toenemende regulering vanuit GDPR en nationale regelgeving, en de gevoeligheidsniveaus voor bankdata die van permission management een echte nachtmerrie maken.
Slechte data: garbage in, disaster out
En dan is er ook nog het probleem van slechte data. GenAI-toepassingen transformeren die moeiteloos in geloofwaardige, maar pertinent onjuiste antwoorden. Zoals de product manager van een grootbank het treffend samenvatte: “Vroeger was het garbage in, garbage out. Met GenAI is dat nu garbage in, disaster out geworden.” Diezelfde manager deelde ook een case die toont hoe je als financiële dienstverlener succesvol met deze uitdagingen kunt omgaan.
De case betreft een ambitieus traject om het de tienduizenden eigen medewerkers veel makkelijker te maken om de juiste informatie te vinden. Wat begon als een klassieke keyword-gebaseerde zoekmachine, evolueert nu door naar een intelligent conversational search-platform. Hierbij maakt de grootbank gebruik van Elasticsearch. Deze AI-gedreven search engine vindt en verwerkt zeer snel de meest relevante informatie vanuit door de gehele organisatie verspreide databronnen.
Zoektechnologie die mensen begrijpt
Wereldwijd wordt het combineren van keyword-gebaseerde zoekalgoritmes met AI-gestuurde (semantische, vector) methodes snel populairder. Deze hybrid search technologie ‘begrijpt’ wat gebruikers letterlijk vragen, maar legt ook logische verbanden met wat ze daar waarschijnlijk mee bedoelen. Bankmedewerkers met vragen over hun ‘vakantiedagen’, vinden daardoor nu ook relevante informatie over de mogelijkheden voor ‘verlof’ en ‘vrije tijd’.
De case levert veel herkenbare punten op: een collega van een andere grootbank werkt naar eigen zeggen zelfs met een ‘vrijwel identiek scenario’. Ook veel anderen herkennen het probleem van de ‘beperkte technologische kennis’ bij risk management. In dit geval maakten de juristen bijvoorbeeld een groter probleem van op keywords doorzoeken van openbare informatie, dan de inzet van AI Agents die automatisch toegang krijgen tot gevoelige klantdata.
Oude (zoek)gewoontes veranderen lastig
Het verkennen van slimme mogelijkheden om interne zoekmachines te combineren met LLM’s is ook herkenbaar. In dit geval werkt Elasticsearch als een ‘voorfilter’ voor het duurdere AI-gedeelte. In plaats van alle gevonden documenten door te sturen, selecteert de search engine eerst de drie meest relevante resultaten. Gemini gebruikt daardoor alleen die top-3 om een conversational antwoord te produceren. Zo blijven de kosten beheersbaar en de snelheid hoog.
De eerste pilot die bankmedewerkers de gelegenheid gaf informatie te zoeken met vragen in natuurlijke spreektaal leidde tot een onverwachte anticlimax. Bijna alle aan de pilot deelnemende bankmedewerkers bleven namelijk gewoon zoeken op keyword. Blijkbaar is het na twintig jaar Google nog niet zo eenvoudig om zomaar iets nieuws te gaan doen. De organisatie is daarom nu ook een interne bewustwordingscampagne gestart.
AI werkt pas als data, mensen en gedrag meebewegen
IT- en dataprofessionals zijn het erover eens dat de verschuiving van keyword naar semantisch en vervolgens naar conversational search logisch is, maar alleen effectief wanneer de onderliggende data klopt. AI vergroot immers zowel kwaliteit als rommel; daarom is het cruciaal dat contentmanagers verouderde informatie actief opschonen. Daarnaast is technologie slechts één deel van de puzzel: zonder gedragsverandering en begrip bij alle betrokkenen blijft impact uit.
Een artikel van Rene van Haaster, Area Vice President EMEA North bij Elastic.