Belanja AI Sektor Kewangan Meningkat, tetapi Pulangan Pelaburan Masih Sukar Dibuktikan

Perkhidmatan kewangan bukan lagi sekadar mencuba kecerdasan buatan (AI). Sektor ini kini membelanjakan berbilion dolar, membeli lesen model, membina projek rintis dan menguji pelbagai aplikasi. Namun persoalan paling penting masih belum terjawab dengan konsisten: di manakah pulangan pelaburannya (ROI)?

Menurut Quinlan & Associates, institusi kewangan perlu beralih daripada sekadar menerima pakai AI kepada membuktikan penggunaan mana yang benar-benar meningkatkan hasil, mengurangkan kos, mengurus risiko atau memperbaiki pengalaman pelanggan.

Pelaburan besar, tetapi jurang ROI masih ketara

Quinlan & Associates menganggarkan sektor perkhidmatan kewangan membelanjakan AS$76 bilion bagi inisiatif berkaitan AI pada 2025. Perbelanjaan itu dijangka melepasi AS$130 bilion menjelang 2030. 14

Pada masa yang sama, 95% institusi kewangan tradisional dilaporkan sama ada sedang meneroka AI atau telah menggunakannya dalam operasi perniagaan. Namun, 71% pula menyatakan mereka menghadapi kesukaran untuk mencapai atau menunjukkan ROI yang jelas. 3

Jurang ini penting: penggunaan meluas menunjukkan kesediaan organisasi, tetapi tidak semestinya setiap projek menghasilkan nilai yang berkekalan. Dapatan berkaitan Quinlan juga menunjukkan 43% inisiatif AI dibatalkan, menggambarkan betapa banyak usaha tidak berjaya mencapai tahap penggunaan operasi yang mampan. 15

Tiga sebab AI gagal diterjemahkan kepada pulangan

Quinlan mengenal pasti tiga halangan yang saling berkait dalam merealisasikan nilai daripada AI:

1. Strategi yang bermula dengan teknologi, bukan masalah perniagaan. Sesetengah organisasi memilih alat AI yang tersedia terlebih dahulu, kemudian cuba mencari kegunaannya. Pendekatan ini menyukarkan pemilihan kes penggunaan yang benar-benar menyelesaikan masalah, seperti kesesakan aliran kerja, keperluan pelanggan atau sasaran nilai yang jelas. 6
2. Tadbir urus dimasukkan terlalu lewat. Jika risiko, pematuhan dan kawalan hanya dilihat sebagai proses kelulusan selepas reka bentuk dimulakan, kekangan penting mungkin hanya muncul setelah banyak masa dan wang dibelanjakan. 6
3. Model operasi tidak bersedia untuk skala. Data yang berpecah-pecah, asas pelaksanaan yang lemah serta keupayaan terhad untuk mentadbir, melaksana dan memperluas AI boleh menyebabkan projek yang menjanjikan tersekat pada peringkat percubaan. 6

Ringkasnya, masalah utama bukan semata-mata ketiadaan teknologi. Sesebuah institusi boleh melesenkan model, menjalankan bukti konsep dan melaporkan banyak eksperimen AI, tetapi tetap gagal memperoleh hasil kewangan jika aliran kerja, tanggungjawab dan cara prestasi diukur tidak diubah suai.

Tadbir urus AI ialah sebahagian daripada mekanisme ROI

Dalam sektor yang dikawal selia seperti perbankan, insurans dan pengurusan aset, tadbir urus AI yang boleh dipercayai bukan sekadar kos pematuhan. Ia menentukan sama ada sesuatu sistem boleh diluluskan, digunakan, dipantau dan dipercayai pada tahap autonomi yang diperlukan oleh kes penggunaannya.

Playbook AI untuk perkhidmatan kewangan oleh Forum Ekonomi Dunia (WEF) mengesyorkan agar pengurusan risiko dan amalan AI bertanggungjawab diterapkan pada setiap lapisan: selera risiko perlu ditetapkan awal, model perlu disahkan dengan rapi, dan tindakan AI mesti boleh diterangkan, dijejaki serta dikawal. 1

Perkara ini semakin penting apabila syarikat bergerak daripada sistem yang hanya membantu pekerja kepada sistem yang boleh menjalankan tindakan berbilang langkah. Sempadan kuasa yang jelas, laluan eskalasi dan pengawasan manusia boleh mengurangkan ketidakpastian operasi yang sering menghalang kes penggunaan bernilai tinggi daripada diperluas.

Asas operasi juga menentukan kejayaan. Tinjauan IIF-EY mengenal pasti kualiti dan ketersediaan data sebagai antara cabaran utama untuk membawa AI ke persekitaran pengeluaran, di samping keperluan terhadap tenaga kerja berkemahiran dan perlindungan tadbir urus. 4

Apa yang dikatakan BCG dan NVIDIA

Penyelidikan lain menyokong gambaran Quinlan, walaupun menggunakan sampel dan ukuran yang berbeza.

Tinjauan BCG terhadap lebih 280 eksekutif kewangan mendapati median ROI yang dilaporkan bagi AI dan AI generatif ialah 10% — lebih rendah daripada sasaran 20% yang dipegang ramai responden. Hampir satu pertiga responden pula melaporkan peningkatan yang terhad. 43

Dalam kajian BCG berasingan melibatkan lebih 1,250 syarikat, hanya 5% dilaporkan berjaya menjana nilai AI pada skala besar. Sebaliknya, 60% menyatakan mereka menerima nilai material yang kecil walaupun telah membuat pelaburan besar.

Namun, kajian NVIDIA bagi sektor perkhidmatan kewangan menunjukkan bahawa beberapa kes penggunaan yang telah digunakan benar-benar menghasilkan manfaat nyata. Hampir 70% responden berkata AI telah meningkatkan hasil sekurang-kurangnya 5%, manakala lebih 60% berkata AI telah mengurangkan kos tahunan sekurang-kurangnya 5%. Pengoptimuman dagangan dan portfolio, serta pengalaman pelanggan, merupakan kes penggunaan AI generatif dengan ROI paling tinggi yang dilaporkan.

Dapatan ini tidak bercanggah. AI memang boleh menghasilkan pulangan, tetapi penggunaan AI itu sendiri bukanlah hasil akhirnya. Nilai muncul apabila organisasi memilih masalah yang tepat, mengubah aliran kerja berkaitan, membina data dan kawalan yang boleh diharap, kemudian mengukur kesan operasi serta kewangannya.

Cabaran sebenar kini: pelaksanaan, bukan penggunaan

Isyarat paling jelas daripada laporan Quinlan ialah ketidakpadanan antara perbelanjaan, tahap penglibatan dan nilai sebenar yang diterima: asas pelaburan AS$76 bilion pada 2025, penggunaan atau penerokaan AI yang sangat meluas, tetapi kesukaran berterusan untuk membuktikan ROI. 14 3

Bagi pemimpin institusi kewangan, respons praktikalnya ialah mengurus AI sebagai program transformasi perniagaan, bukannya himpunan projek rintis yang terpisah-pisah. Ini bermaksud:

• bermula dengan objektif perniagaan yang boleh diukur;
• menetapkan keperluan risiko dan tadbir urus sebelum pembangunan;
• menentukan pemilik yang bertanggungjawab terhadap hasil;
• menjejak metrik operasi dan kewangan sepanjang kitar hayat sistem selepas pelaksanaan.

BCG turut menegaskan bahawa syarikat yang mencipta nilai besar lazimnya menumpukan usaha pada sebilangan kecil inisiatif, memperluaskannya dengan cepat, mengubah proses teras, meningkatkan kemahiran pasukan dan mengukur pulangan operasi serta kewangan secara sistematik.

Oleh itu, jurang persaingan seterusnya mungkin bukan antara institusi yang mempunyai AI dan yang tidak memilikinya. Ia akan terbentuk antara institusi yang mampu mengendalikan AI secara selamat, terkawal dan boleh diukur dalam aliran kerja teras — dengan institusi yang terus mengumpulkan eksperimen tanpa laluan yang boleh diulang untuk mencipta nilai.