은행에서 생성 AI의 전체 가치 포착

[힘힘]

은행에서 생성 AI의 전체 가치 포착

2023년 12월 5일| 기사

공유하다

인쇄

다운로드

구하다

생성 AI 파일럿을 설정하는 것은 쉽습니다. 물질적 가치를 포착하기 위해 규모를 조정하는 것은 어렵습니다. 성공의 비법이 떠오르고 있습니다.

다운로드

기사(9페이지)

생성적 AI(gen AI)는  2023년 초에 등장하여 전 세계 조직에 대해 분명히 긍정적인 결과를 보여주고 새로운 잠재적 위험을 제기하고 있습니다. 가능한 합병증에도 불구하고 은행 리더들은 이에 동참하고 있는 것으로 보입니다. Gen AI에 관한 최근 McKinsey 포럼에 참석한 고위 디지털 및 분석 리더 중 2/31그들은 기술이 비즈니스 방식을 근본적으로 변화시킬 것이라고 믿었다고 말했습니다. 은행 기관의 시급한 질문은 Gen AI를 가장 효과적으로 사용하는 방법과 장소, 그리고 조직 내에서 애플리케이션이 완전히 채택되고 확장되도록 하는 방법입니다.

사이드바

저자 소개

McKinsey Global Institute는 전 세계 산업 중에서 Gen AI가  분석한 63개 사용 사례에 걸쳐 연간 2조 6천억 달러에서 4조 4천억 달러에 해당하는 가치를 추가할 수 있을 것으로 추정합니다.2산업 부문 중에서 은행업은 가장 큰 기회 중 하나를 가질 것으로 예상됩니다. 주로 생산성 증가로 인해 연간 2,000억~3,400억 달러(영업 이익의 9~15%에 해당)의 잠재력이 있을 것으로 예상됩니다.삼경제적 영향은 모든 은행 부문과 기능에 도움이 될 것이며, 기업 및 소매 부문에서 절대 이익이 가장 클 것입니다(각각 560억 달러 및 540억 달러, 사이드바 "은행이 생성 AI를 사용하는 방법" 참조). (특히 은행 경제에 대한 광범위한 압박으로 인해 은행은 초기 세대 AI 파일럿에서 생산성에 초점을 맞추었지만,4이 기술은 일부 작업이 수행되는 방식과 고객이 은행과 상호 작용하는 방식을 크게 바꿀 수 있습니다. 완전히 새로운 비즈니스 모델로 이어질 수도 있습니다.)

전시하다

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

공유하다

사이드바

은행이 생성 AI를 사용하는 방법

이 귀중한 기술을 활용하려는 은행의 경우 Gen AI 확장은 어떤 면에서는 다른 것과 유사합니다. 이를 위해서는 구식 변경 관리 기술, 선행적인 고위 리더십 조정 및 후원, 결과에 대한 사업부의 책임, 가치 중심이 필요합니다. 사용 사례, 명확한 목표 등. 다른 면에서, Gen AI 확장은 대부분의 리더들이 본 적이 없는 것과 같습니다.

AI 스케일링이 다른 이유를 몇 가지 요인으로 설명합니다. 첫 번째는 과제의 범위와 관련 의미이다. 스마트폰이 비즈니스와 비즈니스 모델의 전체 생태계를 촉진한 것처럼 Gen AI는 모든 범위의 고급 분석 기능과 애플리케이션을 관련성있게 만들고 있습니다. 경영진은 갑자기 AI의 힘을 깨닫고 있습니다. 거의 하룻밤 사이에 은행 리더들은 강화 학습 및 컨볼루셔널 신경망 과 같이 한때 모호했던 용어들의 덤불을 헤쳐 나가야 합니다 .5그러나 Gen AI를 확장하려면 새로운 용어를 배우는 것 이상의 것이 필요합니다. 관리 팀은 Gen AI가 생성할 수 있는 몇 가지 잠재적 경로를 해독하고 고려하고 전략적으로 적응하고 선택 사항에 맞게 포지셔닝해야 합니다.

가장 인기 있는 통찰력

1. 가장 중요한 것은? 2024년 CEO의 8가지 우선순위
2. 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
3. 2023년: 차트로 보는 해
4. 직장 내 여성 2023
5. 2024년 패션 현황: 불확실성이 지배하는 가운데 성장 기회 찾기

두 번째 요인은 Gen AI 확장이 대부분의 금융 기관에서 거의 해결되었던 운영 역학을 복잡하게 만든다는 것입니다. 은행이 마침내 비즈니스와 기술 사이의 악명 높은 격차를 해소했다고 믿을 수 있었던 것처럼(예: 애자일 , 클라우드 및 제품 운영 모델  변경을 통해) 분석과 데이터가 부각되어 중요한 세 번째 조정 노드를 만들었습니다. 은행의 분석은 상대적으로 집중되어 중앙에서 관리되는 경우가 많지만, Gen AI는 데이터와 분석이 가치 사슬의 모든 단계를 훨씬 더 광범위하게 활성화해야 함을 밝혔습니다. 비즈니스 리더는 분석 동료와 더 깊이 상호 작용하고 자주 달라지는 우선 순위를 동기화해야 합니다. 우리의 경험에 따르면 이러한 전환은 대부분의 은행에서 진행 중인 작업이며 운영 모델은 계속 발전하고 있습니다.

셋째, 변화의 속도가 이보다 빨랐던 적은 없었습니다. 스마트폰이 은행 업무를 더욱 디지털화된 목적지로 옮기는 데 수년이 걸렸지만, 최근에야 모바일 뱅킹이 미국의 주요 고객 참여 채널로서 웹을 앞지르게 되었다는 점을 생각해 보세요.6—세대 AI 도구의 채택은 그보다 훨씬 짧은 시간 내에 이루어지고 있습니다. 예를 들어 Goldman Sachs는 수동적이고 노동 집약적인 프로세스였던 테스트 생성을 자동화하기 위해 AI 기반 도구를 사용하고 있는 것으로 알려졌습니다.7그리고 Citigroup은 최근 Gen AI를 사용하여 새로운 미국 자본 규칙의 영향을 평가했습니다.8느리게 움직이는 조직의 경우 이러한 급격한 변화는 운영 모델에 스트레스를 줄 수 있습니다.

마지막으로, Gen AI 확장에는 고유한 인재 관련 과제가 있으며, 그 규모는 은행의 인재 기반에 크게 좌우됩니다. 예를 들어 선도적인 기업 및 투자 은행은 퀀트, 모델러, 번역가 및 AI 전문 지식을 보유하고 신속한 엔지니어링 및 데이터베이스 큐레이션과 같은 AI 기술을 역량 세트에 추가할 수 있는 기타 전문가로 구성된 전문가 팀을 구성했습니다. AI 전문가가 적은 은행은 교육과 채용을 혼합하여 역량을 강화해야 합니다. 이는 작은 작업이 아닙니다.

성공적인 Gen AI 확장 - 7차원

Gen AI 기능을 구현하고 확장하면 모델 튜닝 및 데이터 품질을 포함한 영역에서 복잡한 문제가 발생할 수 있지만 프로세스는 비슷한 범위의 기존 AI 프로젝트보다 더 쉽고 간단할 수 있습니다. 며칠 또는 몇 주 안에 고품질 사용 사례를 시작할 수 있습니다. 내부 사용을 위한 Gen AI에 대한 초기 참여( McKinsey의 Gen AI 통찰력 전문가 확인 )와 기업 전체에서 Gen AI를 성공적으로 확장하고 있는 은행과의 협력을 통해 우리는 초기 개념 증명을 넘어 지속적인 가치를 제공한다는 사실을 발견했습니다. , 7차원에 걸친 강력한 기능이 필요합니다.

1. 전략적 로드맵

Gen AI 확장에 초기 성공을 거둔 관리 팀은 Gen AI, AI 및 고급 분석이 비즈니스에서 보다 광범위하게 역할을 할 수 있는 위치에 대한 전략적 관점에서 시작했습니다. 이 관점은 매우 혁신적인 비즈니스 모델 변경부터 틈새 생산성 이니셔티브를 기반으로 한 보다 전술적인 경제 개선까지 모든 것을 다룰 수 있습니다. 예를 들어, 한 자산 관리 회사의 리더들은 Gen AI가 고객에게 조언을 제공하는 방법을 변화시킬 수 있는 잠재력과 그것이 운영 플랫폼, 관계, 파트너십 및 경제의 더 넓은 산업 생태계에 어떻게 영향을 미칠 수 있는지를 인식했습니다. 결과적으로 해당 기관은 AI 베팅 위치와 투자 금액에 대해 보다 적응력 있는 관점을 취하고 있습니다.

이러한 종류의 고위 리더십 조정은 사용 사례 도메인에 대한 강력한 비즈니스 수준 후원을 생성할 수 있습니다. Gen AI 확장을 위한 효과적인 전략적 로드맵에는 다음도 포함될 수 있습니다.

• 결과 제공을 위한 고위 경영진과 사업부 수준 책임의 비전, 조율 및 약속
• 여러 관련 사용 사례를 구축할 수 있는 우선순위 도메인(기능 또는 비즈니스 단위) 목록 - 각각은 가치 잠재력과 제공 타당성을 기반으로 한 명확한 비즈니스 사례를 포함합니다(gen AI가 항상 올바른 솔루션은 아니며 때로는 기존 분석 AI가 더 나음).
• 우선순위 영역을 재구상하는 명확한 "시작/끝 ​​목표"
• 인재, 민첩한 운영 모델, 기술, 데이터를 포함한 지원 역량 평가
• 각 영역을 언제, 어떻게 처리하고 역량을 구축할지를 순서대로 설명하는 철저한 확장 계획
• 필요에 따라 기존 역량을 강화하거나 새로운 역량을 확보하기 위한 세부적인 파트너십 계획

2. 인재

Gen AI가 중요한 기능으로 등장하는 속도로 인해 은행 리더는 직원에게 미치는 영향과 이에 맞춰 직원의 기술을 향상하거나 인재를 유치하는 방법에 대비할 시간이 거의 없습니다.9

해결책은 위에서부터 시작됩니다. 리더는 AI 세대에 대해 개인적으로 깊이 이해하고 있어야 합니다(아직 이해하지 못했다면). 임원 교육에 대한 투자를 통해 직원들에게 기술과 은행 운영이 어떻게 연결되는지 정확하게 보여줌으로써 흥분을 불러일으키고 두려움을 극복할 수 있는 능력을 갖추게 될 것입니다.

새로운 기술을 더욱 명확하게 설명하기 위해 우선 순위 영역 내에서 두세 개의 유명하고 영향력이 큰 가치 창출 등대가 Gen AI의 가치에 대한 합의를 구축할 수 있습니다. 또한 직원들에게 Gen AI가 어떻게 업무를 향상시킬 것인지 실용적인 용어로 설명할 수 있습니다.

방에는 코끼리도 있습니다. Gen AI에 대한 많은 논의는 자동화 및 일자리 손실 가능성에 중점을 두고 있습니다. McKinsey 자체 예측에 따르면 이 기술은 비즈니스 활동의 최대 70% 자동화를 가능하게 합니다 . 리더는 이러한 직원의 우려 사항을 정면으로 해결해야 합니다. 투명성이 우선되어야 합니다. 또한 Gen AI가 어떻게 특정 작업과 수동 작업을 자동화하여 전반적인 생산성과 직원 경험을 향상시킬 수 있는지에 대한 명확한 메시지를 제공할 수 있습니다.

Gen AI는 또한 새로운 인재 프로필을 탄생시키고 있습니다. 신속한 엔지니어링  및 모델 미세 조정은 Gen AI가 등장하기 전에는 대부분의 은행 인재 리더들의 관심 대상이 아니었습니다. 처음부터 올바른 인재 조합을 갖춘 기업은 거의 없으므로 장기적으로 필요한 역할, 기술 및 역량을 구축하는 데 전념해야 합니다. 프로세스는 지속적이어야 합니다. 일부 세대 AI 이니셔티브는 가까운 시일 내에 실행될 수 있습니다. 다른 사람들은 몇 년 동안 열매를 맺지 못할 수도 있습니다. 따라서 직원의 기술을 향상하려면 필요한 기술과 역량의 진화를 설명하는 지속적인 접근 방식이 필요합니다.

또한 은행은 변화하는 우선순위에 맞춰 인재 확보 전략을 정기적으로 평가해야 합니다. 기술 기반 채용, 자원 할당, 기술 향상 프로그램에 포괄적으로 접근해야 합니다. 많은 역할에는 AI, 클라우드 엔지니어링, 데이터 엔지니어링 및 기타 분야의 기술이 필요합니다. 언제나 그렇듯이 인재를 유지한다는 것은 경쟁력 있는 급여를 제공하는 것 이상의 의미를 갖습니다. 명확한 경력 개발 및 발전 기회, 그리고 의미와 가치가 있는 작업은 일반 기술 실무자에게 매우 중요합니다.

3. 운영 모델

은행 리더들은 새로운 기술을 지원하기 위해 새로운 운영 모델을 요구하는 경우가 너무 많습니다. 그러나 우리는 “세대 AI 운영 모델”은 잘못된 명칭이라고 믿습니다. 성공적인 기관의 모델은 이미 새로운 기능을 지원하는 유연성과 확장성을 제공합니다. 확장에 적합한 운영 모델은 교차 기능적이며 제공 팀과 비즈니스 팀 간의 책임과 의무를 조정합니다. 다기능 팀은 제품 팀을 비즈니스에 더 가깝게 배치하고 사용 사례가 특정 비즈니스 결과를 충족하도록 보장함으로써 구현에 일관성과 투명성을 제공합니다. 자금 조달, 인력 배치, 조달, 위험 관리 등의 프로세스가 속도, 규모, 유연성을 촉진하도록 재구성됩니다.

초기 세대 AI의 모습을 고려하여 많은 은행에서는 실행 표준을 설계 및 구현하고, 리소스를 할당하고, 기초 모델에 대한 액세스를 제공하고, 연구 개발을 주도하고, 재사용 가능한 구성 요소를 생성하고, 위험을 관리하고, 전체 디지털 및 AI 전략과의 연계를 보장하는 방법을 중앙 집중화했습니다.10최근 McKinsey Gen AI 성숙도 벤치마크 조사에서 미국과 유럽 은행을 대상으로 한 은행의 50% 이상이11데이터 및 분석에 대한 일반적인 설정이 상대적으로 분산되어 있는 경우에도 "더 중앙 집중화된" 세대 AI 조직을 채택했습니다. 중앙 집중화 정도에 관계없이 Gen AI 애플리케이션을 식별, 프로토타입화 및 배포하고 모델을 비즈니스 흐름에 통합할 때 비즈니스 팀과의 긴밀하고 초기 협업이 중요합니다. 사용 사례 평가 초기에 비즈니스를 참여시키면 영향력이 큰 기회, 데이터 가용성 및 구현 요구 사항에 대한 운영 통찰력을 얻을 수 있습니다. 그리고 프로토타입 제작 및 배포 단계 전반에 걸쳐 지속적인 교차 기능 대화를 통해 모델이 실제 비즈니스 시나리오를 접하고 학습하며 잠재적인 위험을 발견하는 동시에 가능성의 예술을 잠금 해제하도록 보장합니다. 지속적인 사용자 피드백을 요청하면 팀이 의사 결정 및 워크플로에 실제로 포함되는 Gen AI 솔루션을 제공하고 개선하는 데 도움이 됩니다. 기술 인재와 비즈니스 리더 간의 통합을 촉진하는 은행은 측정 가능한 가치를 창출하는 확장 가능한 Gen AI 솔루션을 개발할 가능성이 더 높습니다.

기술 인재와 비즈니스 리더 간의 통합을 촉진하는 은행은 측정 가능한 가치를 창출하는 확장 가능한 Gen AI 솔루션을 개발할 가능성이 더 높습니다.

기술이 발전함에 따라 은행은 특정 기능에 대해 보다 연합된 접근 방식을 채택하여 개별 도메인이 필요에 따라 활동을 식별하고 우선 순위를 지정할 수 있도록 하는 것이 유리할 수 있습니다. 기관은 현재 운영 구조가 이러한 혁신적인 기능을 원활하게 통합하는 데 왜 어려움을 겪고 있으며 이 작업에 특별한 노력이 필요한 이유를 숙고해야 합니다. 가장 성공적인 은행은 개별적인 이니셔티브를 시작하는 것이 아니라 기존 팀에 필요한 리소스를 제공하고 AI 생성에 필요한 기술, 재능 및 프로세스를 수용함으로써 성공했습니다.

4. 기술

Gen AI 확장의 초기 성공은 은행이 "구축 대 구매 대 파트너" 옵션을 신중하게 평가했을 때 발생했습니다. 즉, 생태계 파트너십을 통해 시장에서 입증된 솔루션을 사용하는 것과 내부적으로 솔루션을 개발하는 것의 경쟁 우위를 비교했을 때였습니다. 오픈 소스 대안이 얼마나 빠르게 개발되고 있는지를 고려할 때 기반 모델, 클라우드 인프라, MLOps 플랫폼과 같은 기능은 상용화될 위험이 있습니다. 명시적인 전략(예: 실제로 가치가 창출될 위치)을 통해 목적 있는 결정을 내리는 것은 성공적인 확장 노력의 특징입니다.

은행의 경우 이 미로를 탐색하는 것은 복잡하고 어려운 일입니다. 데이터베이스 및 클라우드 서비스와 같은 타사 IT 솔루션을 조달한 경험을 통해 관련 위험에 익숙해졌지만, Gen AI 모델에 내재된 불확실성은 새로운 과제를 제시합니다. 이러한 모델을 채택하려면 은행이 확립한 위험이나 규제 가드레일을 능가할 수 있는 공급업체에 대한 높은 신뢰가 필요하며, 잠재적으로 특정 임계값 미만으로 위험 수준을 유지하는 Gen AI 애플리케이션을 선호하게 됩니다. 이러한 제한은 은행이 애플리케이션 및 사용 사례 결정 시 신중하게 고려해야 하는 사항입니다.

마찬가지로, Gen AI를 지원하는 아키텍처에 대한 통합된 관점을 갖는 것이 중요합니다. 차세대 AI 스택은 다양한 구성 요소뿐만 아니라 기존 레거시 스택과도 상호 강화되고 내부적으로 일관성이 있어야 합니다. 대부분의 은행은 기존 시스템, 워크플로, 엔터프라이즈 애플리케이션 및 데이터 소스와 통합될 다양한 세대 AI 모델을 배포할 가능성이 높습니다. 이는 중요하고 복잡한 작업입니다. 효과적인 통합 및 모델 유지 관리는 컨텍스트 관리 및 캐싱, 정책 관리, 모델 허브, 프롬프트 라이브러리, MLOps 플랫폼, 위험 관리 엔진, LLM(대형 언어 모델) 작업 등 여러 아키텍처 구성 요소에 따라 달라집니다.12

5. 데이터

Gen AI의 구조화되지 않은 데이터에 대한 의존도가 높기 때문에 데이터 관련 복잡성이 또 다른 계층으로 추가되며, 은행의 현재 데이터 전략 및 아키텍처는 해당 작업을 수행하지 못할 수 있습니다. 예를 들어, 클라우드 또는 타사 플랫폼으로의 일부 데이터 마이그레이션은 명확하게 이해해야 하는 제약 조건과 자유도를 모두 생성합니다.13대부분의 은행은 구조화된 데이터를 사용하는 데 있어 강력한 기능을 개발했지만, 많은 은행은 구조화되지 않은 데이터를 활용하는 데 어려움을 겪었습니다. 그 이유는 훨씬 더 정교한 AI를 배포하기 위한 기능(예: 자연어 처리 기술)과 인프라(특히 컴퓨팅 성능)가 부족하기 때문입니다. 모델. Gen AI 자체가 솔루션을 제공할 수도 있습니다. Gen AI의 자연어 기능은 과거 서비스 상호 작용, 소셜 게시물, 뉴스, 웹 페이지 등의 비정형 데이터에서 통찰력을 추출하고 일선 은행 직원에게 고객 참여를 향상시키는 프롬프트를 제공할 수 있습니다. 맞춤형 Gen AI 솔루션의 전략적 배포를 통해 금융 기관은 서비스 운영을 대폭 향상하고 전반적인 고객 경험을 개선할 수 있습니다. 동시에 데이터 액세스의 민주화를 촉진하여 전체 조직에 대해 구조화되지 않은 데이터의 전체 가치를 실현합니다. 마찬가지로, 데이터 아키텍처와 관련하여 가장 광범위한 고부가가치 애플리케이션을 지원하는 기능을 개발하는 데 중점을 두어야 합니다. 벡터 데이터베이스, 데이터 사전 및 사후 처리 파이프라인과 같은 관련 기능이 내장되어 있어야 합니다.

항상 중요한 데이터 품질은 AI 세대의 맥락에서 더욱 중요해집니다. 다시 말하지만, 많은 데이터의 구조화되지 않은 특성과 데이터 세트의 크기로 인해 품질 문제를 정확히 찾아내는 데 복잡성이 더해집니다. 선도적인 은행들은 모든 데이터의 품질을 보장하기 위해 데이터 수명주기의 여러 지점에 개입하여 인간의 재능과 자동화를 결합하고 있습니다. 또한 데이터 리더는 신기술로 인한 보안 위험의 영향을 고려해야 하며 규정에 신속하게 대응할 준비를 해야 합니다.

6. 위험 및 통제

Gen AI는 생산성 향상과 함께 새로운 위험도 제시합니다(사이드바 "고유한 위험 세트" 참조). Gen AI에 대한 위험 관리는 금융 기관의 초기 단계에 남아 있습니다. 대부분의 금융 기관이 이 문제에 접근하는 방식에는 일관성이 거의 없습니다. 그러나 조만간 은행은 위험 및 모델 거버넌스 프레임워크를 재설계하고 새로운 통제 세트를 개발해야 할 것입니다.

공유하다

사이드바

고유한 위험 세트

Gen AI의 책임감 있는 사용은 첫날부터 확장 로드맵에 포함되어야 합니다. 당연히 은행은 애플리케이션을 확장하기 전에 포괄적으로 해결해야 하는 모델 해석성 및 편견 없는 의사 결정과 같은 문제와 관련하여 뚜렷한 규제 감독에 직면합니다.

모델이 비논리적이거나 실제 데이터를 기반으로 하지 않은 답변이나 출력을 생성할 때 발생하는 Gen AI "환각"과 관련된 위험을 줄이기 위해 현재 접근 방식은 해당 분야 전문가를 참여시켜 모델 출력을 검증하는 것입니다. 그러나 이 프로세스는 중요한 가치가 있는 모든 잠재적 사용 사례에 걸쳐 확장 가능하지 않을 수 있습니다. 해당 분야 전문가가 시간과 노력에 집중할 수 있도록 은행에서는 자동화, 검증 방법론 및 플레이북을 개발하고 있습니다. 예를 들어, 환각은 실용적인 방법으로 제어할 수 있습니다.  즉, 출력의 무작위성을 제어하는 ​​온도 설정과 같은 LLM 매개변수 설정을 조정합니다. 또는 출력의 독성을 표시하기 위한 자동화된 콘텐츠 조정과 같은 사후 처리 1차 방어선을 설정합니다.

7. 채택 및 변경 관리

은행이 변화를 관리하는 방법은 특히 채택 보장과 관련하여 확장을 성사시키거나 중단시킬 수 있습니다. 직원과 고객이 사용하도록 장려하도록 세심하게 설계되지 않으면 가장 잘 계획된 응용 프로그램도 중단될 수 있습니다. 직원들은 기술에 익숙하지 않고 그 한계를 이해하지 못하면 도구를 완전히 활용하지 못할 것입니다. 마찬가지로 혁신적인 기술은 선의의 경영진 사이에서도 영역 전쟁을 일으킬 수 있습니다. 한 기관에서는 경영진이 그것이 "제품"인지 "능력"인지 결정할 수 없어 출시에 어깨를 기울이지 않았기 때문에 최첨단 AI 도구가 영업 인력과 함께 잠재력을 최대한 발휘하지 못했습니다. .

오늘날 빠르게 진화하는 환경에서 Gen AI 솔루션을 성공적으로 배포하려면 관점의 전환, 즉 최종 사용자 경험에서 시작하여 거꾸로 작업해야 합니다. 이 접근 방식에는 프로세스를 다시 생각하고 사용자 중심일 뿐만 아니라 인간 피드백을 통한 강화 학습을 통해 적응할 수 있는 AI 에이전트 생성이 수반됩니다. 이를 통해 Gen AI 지원 기능이 인간의 입력에 맞춰 발전할 수 있습니다.

성공적인 Gen AI 확장에는 포괄적인 변경 관리 계획도 필요합니다. 이러한 계획은 사용자 중심 변경 관리를 포함하여 팀의 참여를 유지합니다. 고위 리더십과 직원을 위한 교육을 포함합니다. 리더와 영향력 있는 사람들의 역할 모델링이 포함됩니다. 예상되는 우선순위, 투자 및 결과에 대한 명확한 시각을 명확하게 표현합니다. 사고방식과 문화를 바꾸는 방법을 설득력 있게 설명합니다. 그리고 사람들이 그 기능을 사용하도록 하는 명시적, 암묵적 인센티브를 정의합니다. 가장 중요한 것은 변경 관리 프로세스가 투명하고 실용적이어야 한다는 것입니다.

---

Gen AI는 확실히 생산성을 향상시켜 은행 및 기타 금융 기관에 상당한 가치를 창출할 수 있는 잠재력을 가지고 있습니다. 실제로 매주 새로운 사례가 등장합니다. 그러나 규모 확장은 항상 어렵고, 은행이 얼마나 효과적으로 Gen AI 솔루션을 시장에 출시하고 직원과 고객이 이를 완전히 수용하도록 설득할지는 여전히 불분명합니다. 관련된 모든 장애물, 복잡성 및 기회를 다루는 계획을 따르면서만 은행은 미래에 Gen AI의 엄청난 약속을 활용할 수 있습니다.

저자 소개

Vishnu Kamalnath 는 McKinsey 보스턴 사무소의 파트너입니다. Larry Lerner 는 워싱턴 DC 사무실의 파트너입니다. Jared Moon 과 Gökhan Sari 는 런던 사무소의 수석 파트너입니다. Vik Sohoni 는 시카고 사무소의 수석 파트너입니다. Shuo Zhang은 뉴욕사무소의 전문가입니다.