Finanssektorn satsar stort på AI, men ROI-gåtan kvarstår

Finansinstitut avsätter allt större budgetar till AI, men investeringar och experiment leder inte automatiskt till mätbart affärsvärde. Quinlan & Associates huvudbudskap är tydligt: branschen har i stort sett passerat frågan om huruvida AI ska användas. Nu måste företagen kunna visa vilka tillämpningar som förbättrar intäkter, sänker kostnader, hanterar risk eller ger kunderna bättre resultat.

Stora investeringar – och ett tydligt ROI-gap

Quinlan & Associates uppskattar att finanssektorn globalt spenderade 76 miljarder dollar på AI-relaterade initiativ under 2025. Utgifterna väntas överstiga 130 miljarder dollar till 2030. 14 Samtidigt uppges 95 procent av de traditionella finansinstituten antingen utforska AI eller redan använda tekniken i verksamheten, medan 71 procent har svårt att uppnå eller påvisa en tydlig avkastning på investeringen, ROI. 3

Den skillnaden är central. Bred användning visar att organisationerna vill satsa, men den bevisar inte att enskilda projekt skapar långsiktigt värde. Quinlan-relaterade uppgifter visar också att 43 procent av AI-initiativen läggs ned, vilket understryker hur ofta arbetet inte når en hållbar lösning i produktion. 15

Tre hinder mellan pilotprojekt och faktisk nytta

Quinlan pekar på tre sammanlänkade skäl till att AI-satsningar inte ger den avkastning som förväntas:

1. Tekniken styr strategin. Organisationer kan börja med ett tillgängligt verktyg i stället för med ett tydligt affärsproblem, en kundresa, en flaskhals i processen eller ett konkret värdemål. Då blir det svårare att välja användningsfall med trovärdig väg till effekt. 6
2. Styrning kommer in för sent. Om risk, regelefterlevnad och kontroll hanteras som ett godkännandesteg efter att designen redan har startat kan teamen upptäcka begränsningar först när mycket tid och pengar redan har lagts ned. 6
3. Organisationen är inte byggd för skala. Splittrad data, svaga förutsättningar för implementering och otillräcklig förmåga att styra, införa och skala AI kan göra att lovande projekt fastnar mellan pilot och bred användning. 6

Detta är framför allt genomförandeproblem, inte bara teknikproblem. Ett institut kan licensiera modeller, köra pilotprojekt och redovisa många AI-experiment utan att samtidigt ändra de arbetsflöden och ansvarsfördelningar som krävs för att skapa ett ekonomiskt resultat.

Styrning är en del av vägen till ROI

I finanssektorn är tillförlitlig AI-styrning inte skild från affärsresultatet. Den avgör i praktiken om ett användningsfall kan godkännas, driftsättas, övervakas och få det förtroende som krävs för den grad av autonomi som affärsnyttan förutsätter.

World Economic Forums AI-handbok för finanssektorn rekommenderar att riskhantering och ansvarsfull AI byggs in på varje nivå: riskaptiten ska definieras tidigt, modeller ska valideras rigoröst och AI:s åtgärder ska vara förklarbara, spårbara och möjliga att kontrollera. 1 Det blir särskilt viktigt när företag går från system som assisterar människor till system som kan utföra åtgärder i flera steg. Tydliga gränser, eskaleringsvägar och mänsklig översyn kan minska den operativa osäkerhet som annars hindrar värdefulla användningsfall från att skalas upp.

Branschdata pekar också på att grunderna spelar stor roll. I IIF–EY:s undersökning lyfts datakvalitet och datatillgång fram som de främsta hindren för att sätta AI i produktion, tillsammans med behovet av kompetent personal och skyddsräcken för styrning. 4

BCG och NVIDIA: olika resultat, samma lärdom

Den bredare forskningen stöder i huvudsak Quinlans bild, även om studierna bygger på olika urval och mått.

BCG:s enkät med fler än 280 chefer inom ekonomifunktionen visade en median-ROI på 10 procent för AI och generativ AI – under de 20 procent som många av de svarande siktade på. Nästan en tredjedel uppgav bara begränsade vinster. 43 I en separat studie med över 1 250 företag fann BCG att endast 5 procent skapade AI-värde i stor skala, medan 60 procent rapporterade liten materiell nytta trots betydande investeringar.

NVIDIAs studie av finanssektorn visar samtidigt den andra sidan: vissa AI-tillämpningar i drift ger påtagliga effekter. Nästan 70 procent av de svarande uppgav att AI hade ökat intäkterna med minst 5 procent, och mer än 60 procent sade att tekniken hade minskat de årliga kostnaderna med minst 5 procent. Handel och portföljoptimering samt kundupplevelse var de generativa AI-användningsfall som oftast kopplades till högst rapporterad ROI.

Studierna motsäger alltså inte varandra. AI kan ge avkastning, men själva driftsättningen är inte slutresultatet. Skillnaden ligger i om företaget har valt ett användningsfall med högt värde, förändrat det berörda arbetsflödet, byggt tillförlitlig data och kontrollfunktioner – och faktiskt mätt den operativa och finansiella effekten.

Från införande till genomförande

Den tydligaste signalen från Quinlans rapport är klyftan mellan utgifter, engagemang och realiserat värde: en investeringsnivå på 76 miljarder dollar under 2025, omfattande AI-aktivitet i sektorn och kvarstående svårigheter att bevisa avkastning. 14 3

För ledare i finanssektorn är den praktiska slutsatsen att AI bör behandlas som ett verksamhetsförändringsprogram, inte som en samling fristående pilotprojekt. Börja med ett mätbart affärsmål, fastställ risk- och styrningskrav före utvecklingen, utse ansvariga för resultaten och följ upp mått genom hela livscykeln efter driftsättning. BCG drar en liknande slutsats: företag som skapar betydande värde fokuserar på ett mindre antal initiativ, skalar dem snabbt, förändrar kärnprocesser, bygger kompetens och mäter systematiskt både operativ och finansiell avkastning.

Nästa konkurrensskillnad lär därför inte gå mellan institut som har AI och institut som saknar AI. Den kommer att gå mellan dem som kan använda AI säkert och mätbart i centrala arbetsflöden – och dem som fortsätter att samla på sig experiment utan en repeterbar väg till värde.