De chief technology and information officer van Bank of America zei dat een van de meest voorkomende fouten die bedrijven maken met kunstmatige intelligentie is dat ze er eerst naar grijpen — zelfs terwijl zijn eigen bank van plan is het AI-budget volgend jaar te verdubbelen.

De opmerkingen geven een momentopname van hoe twee pijlers van de wereldwijde financiële sector beslissen waar AI zijn geld waard is — en waar simpelere tools het werk beter doen.

"Een van de grootste fouten die wij en anderen maken, is haasten naar AI als oplossing," zei Hari Gopalkrishnan tijdens Fortune's AIQ Summit in New York, "terwijl deterministische modellen het prima doen."

Gopalkrishnan zat tijdens het paneldiscussie naast Sally Moore, chief client officer van S&P Global en co-hoofd van Kensho Data & Platforms. Fortune Editorial Director Andrew Nusca leidde de discussie.

Bank of America: Eerst Simpele Tools

Gopalkrishnan zei dat de bank begint bij wat klanten nodig hebben en een "procesinventarisatie" opstelt van de stappen achter hun verzoeken. De bank beslist vaak tegen AI — "heel vaak," zei hij — waarbij wordt geconcludeerd dat een mobiele app of een real-time beslissingsregel het betere antwoord kan zijn.

Elk AI-project bij de bank doorloopt ook een beoordeling die 16 "pijlers" van risico dekt, waaronder privacy, vooringenomenheid, personele impact en intellectueel eigendom. "We gaan geen chatbot implementeren die alleen reageert op bepaalde accenten," zei hij.

De bank gebruikt AI al meer dan tien jaar, te beginnen met fraudemodellen, zei hij. De virtuele assistent Erica heeft 3,6 miljard transacties afgehandeld, volgens Gopalkrishnan, die eraan toevoegde dat de bank zonder haar 11.000 extra mensen nodig zou hebben om klantgesprekken te beantwoorden. Een persbericht van de bank van maart telde Erica's klantinteracties op meer dan 3,2 miljard.

Die voorzichtigheid gaat gepaard met forse uitg. CEO Brian Moynihan zei in september dat ongeveer 140 AI-toepassingen de bank $400 miljoen kosten en $800 miljoen aan voordelen opleveren, en dat het AI-onkostenbudget volgend jaar zal verdubbelen. De verdubbeling van de budgetten naast die methodische beoordeling vat de spanning samen waar het panel steeds op terugkwam: fors investeren, maar alleen waar de technologie aantoonbaar werkt.

De uitgaven worden zorgvuldig ingezet. Gopalkrishnan zei dat de bank modelagnostisch is: een orchestratielaag, genaamd Orchestra, stuurt eenvoudige classificatietaken naar goedgekeurde open-weight modellen die draaien op de eigen GPU's van de bank, terwijl zwaarder redeneerwerk naar propriëtaire modellen gaat. Deze opzet helpt ook om de tokenkosten onder controle te houden, zei hij.

In vermogensbeheer kunnen adviseurs zich nu "in seconden en minuten" voorbereiden op klantgesprekken, werk dat vroeger dagen en weken in beslag nam, zei hij.

Wat autonome agenten betreft, haast de bank zich niet. "Er zit nu zoveel kracht te winnen met assistieve agenten die daadwerkelijk samenwerken met mensen in de loop," zei Gopalkrishnan. De bank zal verder gaan naarmate de controle-infrastructuur verbetert.

Hij sprak ook over beveiliging en merkte op dat AI-modellen steeds beter worden in het vinden van softwarekwetsbaarheden, wat patching en veilige ontwikkeling essentieel maakt, of een bedrijf nu AI inzet of niet. De inzet reikt verder dan één enkele instelling, betoogde hij: als een kleine bank ergens een probleem heeft, verliezen mensen het vertrouwen in het financiële systeem.

S&P Global: Data als Munteenheid

Moore zei dat haar 160 jaar oude bedrijf zich herpositioneert — agressief en zorgvuldig. S&P Global is 's werelds grootste kredietbeoordelaar en een van de grootste indexaanbieders, en een groot deel van de financiële data voedt gereguleerde workflows, zei ze.

"Data is de munteenheid binnen AI," zei Moore, en voegde eraan toe dat klanten nauwkeurigheid, bronvermelding en auditeerbaarheid en traceerbaarheid tot de bron nodig hebben. In een bedrijf waarvan de data gereguleerde workflows voedt, is die auditeerbaarheid de voorwaarde om AI überhaupt te kunnen gebruiken.

Ze schreef dat toe aan een vroege gok: S&P Global nam het AI-bedrijf Kensho over in 2018, een zet die "ons een voorsprong heeft gegeven," zei ze, en legde uit dat het bedrijf Kensho sindsdien centraal in de organisatie heeft geplaatst. Op 6 juli splitste het zijn divisie Market Intelligence in twee eenheden. De eerste, Kensho Data & Platforms, combineert "Kensho Data" — de klantgerichte data- en AI-leveringslaag — met een Platforms-groep die Capital IQ, Ratings Direct, Visible Alpha en With Intelligence huisvest. De tweede eenheid is Enterprise Solutions. CEO Martina Cheung zei dat de veranderingen de omzetgroei en betere marges moeten ondersteunen. De herstructurering geeft die gestelde doelen een concrete toets of op AI gerichte datastrategie zich terugbetaalt.

Ongeveer twee jaar geleden creëerde S&P Global ook een chief client office, geleid door Moore, om nauwer met klanten samen te werken. Het omvat een labs-groep en wat het bedrijf forward-deployed experts noemt, die samen met klanten aan AI werken.

S&P Global bedient 60.000 klanten in verschillende stadia van AI-adoptie, zei Moore. Het bedrijf werkt samen met frontier AI-labs, stopt zijn data in grote taalmodellen en productiviteitstools, en bouwt nu zijn eigen agenten. De toepassingen lopen uiteen van brede taken, zoals bankiers die zich voorbereiden op vergaderingen en pitchbooks, tot gespecialiseerde agenten die voor één enkele taak zijn gebouwd.

Ze gaf één voorbeeld. Een tier-one bank met 8.000 bankiers combineerde S&P-contentsets binnen zijn eigen platform. S&P hielp het project "zes keer sneller" naar productie te brengen, zei ze, en de nauwkeurigheid steeg van ongeveer 60% bij de start van de bank naar 98% daarna. Ze noemde de bank niet bij naam, en de cijfers zijn afkomstig van S&P zelf.

Het bedrijf heeft ook een "credit memo builder"-agent gebouwd die mensen in de loop houdt en vertrouwt op betrouwbaarheid van de onderliggende data.

Net als Gopalkrishnan benadrukte Moore het gebruik van de juiste tool voor de klus. De deterministische optie van S&P Global voor taalmodellen is een API, die geen hoge tokenkosten met zich meebrengt, zei ze, terwijl complexere "adaptive data retrieval at scale" meer kost. Omdat klanten betalen voor data, technologie en personelefficiëntie vanuit verschillende budgetten, bespreekt S&P met hen een reeks uitkomsten.

Waar Ze Uit elkaar Gaan

Gevraagd of hij ooit tegen AI kiest, zei Gopalkrishnan dat het simpelste antwoord vaak het beste is. "AI is niet altijd het juiste antwoord," zei hij.

Moore was het daarmee eens en bracht het punt verder. "Ik denk dat Hari het heel goed zei. Het gaat niet om de juiste tool. Het gaat een beetje om heruitvinding," zei ze. "Wat probeer ik hier op te lossen? En waar kan deze technologie me brengen?"

Binnen S&P Global heeft dat geleid tot een centraal transformatiekantoor dat technologen samenbrengt en, meer recentelijk, data-operaties. Beide bedrijven hebben meetbare markeringen achtergelaten voor de komende maanden: het verdubbelde AI-budget van de bank gaat volgend jaar in, en de geherstructureerde divisies van S&P Global zullen worden afgemeten aan Cheungs groei- en marge-doelstellingen.

In de afsluitende lightning round wees Moore op "embedded intelligence", wat volgens haar "een kans creëert om verder te gaan dan de klanten die je vandaag bedient."

Gopalkrishnan kreeg het laatste woord: "Ik denk dat het anticiperen op de behoeften van je klant en hen bedienen waar ze zijn, je zal onderscheiden in een verder gecommoditiseerde ruimte."

Fortune-journalisten gebruikten generatieve AI als onderzoeksinstrument voor dit verhaal, en een redacteur de juistheid van de informatie vóór publicatie geverifieerd. Dit verhaal verscheen oorspronkelijk op Fortune.com.