Mens hypen omkring AI varer ved, tegner 2026 sig som året, hvor agent AI vil skabe skaleret transformation i finansielle tjenester. En klar kløft er ved at opstå mellem markedslederne, jagtflokken og efternølerne. Visionære foregriber nu fremkomsten af "10×-banken", hvor en enkelt person leder et team af AI-medarbejdere for at levere eksponentielt større output. I denne model er væksten ikke længere begrænset af antal ansatte; i stedet afhænger succes af en organisations evne til at genopfinde arbejdet og forme en 'menneske-og-agent' arbejdsstyrke med næsten ubegrænset kapacitet og kapacitet. Det er afgørende, at folk skal forblive ansvarlige for forandringen og vejlede, hvordan disse nye AI-samarbejdspartnere implementeres og styres.
Accentures Banking Top Trends 2026:Ubegrænset bankvirksomhed er her
Lær mere
Denne serie går i dybden med disse ændringer inden for bankvirksomhed, formue- og formueforvaltning, kapitalmarkeder og forsikring — og vil dække følgende:
I slutningen af november 2024 var Lord Holmes, David Parker og jeg værter for et AI-symposium for ledere af finansielle tjenesteydelser i London. Det var tydeligt, at kunstig intelligens, især generativ kunstig intelligens (GenAI), var en forandring, der skete nu, og folk kom ud over "POC-land".
Mange deltagende firmaer investerede allerede hårdt i GenAI og brugte det i stor skala i produktionen til at løse reelle forretningsmæssige udfordringer, ofte med fokus på ustrukturerede data inden for kritiske processer som underwriting. Alle forsøgte de at gøre det på den rigtige måde med ansvarlige AI-værn og dyb omsorg for deres medarbejdere og kunder.
I Sibos i Frankfurt i oktober sidste år, ikke engang et år senere, og momentum var eksploderet. Du kunne ikke bevæge dig uden at støde på organisationer, der bruger agent AI til at transformere industrien. Jeg var vært for et panel, hvor vi diskuterede AI som en sand kollega og holdkammerat – en idé, der hurtigt er skiftet fra teori til praksis.
e driver AI-aktiveret genopfindelse i over 2000 engagementer, mange af disse bruger agent AI. Vores nylige analyse af disse genAI-projekter viser, at omkring en tredjedel af finansielle servicevirksomheder har skaleret AI til kerneprocesser — og dem, der har allerede ser overdimensionerede afkast og accelererende investeringer. Vi er uden for hypen og skalering efter værdi — og kløften mellem ledere og efternøler vokser hurtigt.
Et af de iøjnefaldende øjeblikke på symposiet var præsentationen af et agentisk arkitekturcasestudie på et tidspunkt, hvor ideen stadig var ved at få den første interesse. Vi arbejdede med denne bank ved hjælp af agent AI for at hjælpe vores ingeniørteams med at fremskynde en større migration af ældre systemer.
Ældre udskiftning er et kritisk forretningsproblem for robusthed, omkostninger og smidighed i bankvirksomhed. Banken stod over for dårlig kvalitet af ældre kode, hvor 40 % af koden aldrig blev gennemgået. I betragtning af denne kompleksitet krævede den oprindelige plan 250 udviklere i tre år, hvor der allerede dukkede flaskehalse op omkring seniorudviklere, ældre kode og domæneviden.
For at løse dette, indsatte vi AI-agenter til at arbejde sammen med vores softwareingeniører:
Denne agentarkitektur blev designet i samarbejde med softwareingeniørerne og integreret i deres udviklerarbejdsbord, hvilket øgede produktiviteten og løftede deres roller. Resultaterne var bemærkelsesværdige:
Det er overflødigt at sige, at dette eksempel var et 'wow'-øjeblik for deltagerne ved symposiet. Siden da er de fremskridt, der blev gjort sidste år med agent AI, blevet endnu mere imponerende og udbredt.
Effekten af teknologilevering er ikke kun inden for teknik, for eksempel har vi gjort datapipelines 98 % mere effektive for en stor asiatisk bank, og for en stor europæisk bank har vi gjort servicedesken 20 % mere effektiv.
AI-agenter er programmer, der håndterer opgaver og arbejdsgange for at nå specifikke mål. Mennesker sætter målene, men agenterne opererer mere uafhængigt og tilpasser deres strategier efter behov for at nå målet. De tager input, ræsonnerer, beslutter sig for opgaver, der skal udføres, interagerer med andre agenter og værktøjer, gennemgår deres resultater og bestemmer de næste nødvendige trin.
Agenterne ’kender’ en domænekontekst, hvori de er blevet trænet i en organisation (f.eks. på specifikke træningsdata og dokumenter). De har langtidshukommelse og kan lære af tidligere interaktioner for at optimere beslutningstagningen.
AI-agenter er specialiserede, uddannet til specifikke roller og målorienterede. Fordelen ved denne specialisering er forbedret ydeevne, fordi forskellige agenter kan blandes sammen for at danne en total, der er større end summen af dens dele (beslægtet med et tværfagligt team).
I agentarkitektur styrer orkestratorer eller tilsynsagenter processen og tildeler opgaver til specialiserede hjælpeagenter.
'Traditionel' eller 'klassisk' AI bruger typisk maskinlæring og dygtige dataforskere. Det har været brugt i mange år i FS til komplekse modeller. Den er utrolig god til at forudsige og identificere den næstbedste handling (dvs. mønstre, prognoser, modeller, simuleringer, optimering, anbefalinger) inden for definerede parametre og input.
GenAI opretter indhold baseret på en prompt til en stor sprogmodel for at producere et output - de fleste af os er vant til ChatGPT, CoPilot, Claude eller andre modeller nu. GenAI-modeller er stadig mere kraftfulde og endda i stand til at producere multi-model output såsom film eller spil. En dygtig bruger kan på forskellige måder eller i en kæde bede om at forfine disse output. Imidlertid kan disse modeller i deres vaniljeform ikke håndtere dynamiske opgaver og udføre flertrinsplaner – de kan producere, men det kan ikke arbejde hen imod et mere komplekst mål.
Mens der i agent AI forfølger og opnår flere AI-agenter i fællesskab mere komplekse, mangefacetterede mål med mindre menneskelig indgriben på hvert trin.
Dette er overgangen fra passiv indholdsgenerering (GenAI) til opgavespecifik udførelse (AI Agents) til mere autonom multi-agent orkestrering (Agentic AI) (se Sapkota 2025 for mere om dette).
Alle tidligere former for AI (f.eks. machine learning, deep learning, GenAI) forbliver relevante, men det er agentisk AI's evne til at genopfinde arbejde ved at 'gøre tingene sammen', der er væsentligt større.
Selvom softwareleveringseksemplet er interessant og yderst relevant for FS, lad os undersøge nogle yderligere eksempler for at bringe dette ud i livet.
Vi bliver ofte spurgt, om agent AI kan anvendes til risiko og compliance? Svaret er ja! Vi hjælper en række banker med at transformere 'Know Your Customer' (KYC) ved hjælp af kunstig intelligens.
Tidligere har KYC været en langsom og bekostelig manuel proces med ældre systemer, med udfordringer omkring detektionsrater og falske positiver og afsmittende indvirkning på klientonboarding og periodiske gennemgange.
Agentisk AI gør det muligt at genskabe KYC-processen, ikke længere bundet af sekventiel behandling. KYC-analytikere fokuserer ikke længere på meget manuelle aktiviteter og kan i stedet bruge deres tid på vurderingsbaseret undersøgelsesarbejde af høj værdi.
Her er tre eksempler på, hvordan transformationen af KYC ved hjælp af AI har udviklet sig i løbet af de sidste par år, idet den bevæger sig fra selvstændige GenAI-brugssager, gennem LLM-arbejdsgange, til en agent ende-til-ende-proces.
I en europæisk bank var en af de tidligste anvendelser at klassificere dokumenter, indtage og udtrække KYC-datapunkter, validere og afhjælpe manglende data og derefter præsentere dataene i et konsistent format, som KYC-agenten kan validere. For komplekse korrespondentbanksager reducerede dette indtagelsestiden med 99 % og reducerede omkostningerne med 94 %, samtidig med at kvaliteten af disse opgaver blev højnet.
Hos en af de globale banker, der startede med velstand, startede vi med sprogoversættelse (sparer mere end 90.000 timer om året), KYC-agentvejledning (reducerer antallet af sagsafvisninger), dokumentklassificering (95 % indledende nøjagtighed) og partidentifikation (reducerer tiden med 50 %) og sagsopsummering osv. Disse var mere ekspansive anvendelser på tværs af arbejdsgange.
Senest, hos en anden global bank, anvender vi agenter på tværs af end-to-end-livscyklussen begyndende med kilde til rigdom (en stor forretningsudfordring), hvor agenterne kan udtrække relevant information fra dokumenter, identificere hvor der mangler dokumenter eller data, generere en kilde til velstandsfortælling og gennemgå denne fortælling for nøjagtighed og fuldstændighed. Den menneskelige KYC-analytiker er stadig i løkken og har ultimativ kontrol over sagsbehandlingen, men kan højne produktiviteten, nøjagtigheden og klientoplevelsen ved at bruge disse agenter. Ved at bruge agent AI kan vi understøtte mere af den fulde værdikæde.
For et europæisk forsikringsselskab udvikler vi agent AI til skader i forbindelse med ejendoms-, ulykkes- og motorforsikringsskader. Krav har en betydelig økonomisk og kundepåvirkning, hvis der træffes forkerte beslutninger. For mange forsikringsselskaber er krav en arbejdskrævende proces, med masser af tid brugt på at håndtere ustrukturerede data og dokumenter.
Vi udviklede AI-agenter til at sidde på toppen af kravplatformen og orkestrere ud til andre systemer, hvilket understøtter den menneskelige skadebehandler. AI-agenterne understøtter opgaver såsom informationsindsamling, datakvalitet, politik- og dækningstjek, udtræk af politikdetaljer, opsummering af kravdata (inklusive den første notifikation om tab, kunde- og ekspertinput, kundekorrespondance) og endda en vis støtte til retssager, bedrageri og reservestyring.
Gennem alle disse opgaver støtter agenterne skadebehandleren til at være ansvarlig som 'mennesket i spidsen' - for eksempel kan de let se tilbage i kildedata. Vi har været i stand til at frigøre 20 % af deres kapacitet ved at fokusere deres tid på bedre beslutningstagning (forbedring af kravs nøjagtighed med 1 %) og støttet forhandling i de mest komplekse og værdifulde krav.
Vi har set lignende arbejde fra et amerikansk-baseret skadesforsikringsselskab til komplekse kommercielle krav.
Forestil dig agentisk AI som din kollega, hvor du har teammedlemmer dedikeret til dig, som specialiserer sig i deres støtte til dig og endda kan bringe perspektiver og styrker, der komplementerer dine egne.
Forestil dig som virksomhedsleder at have en arbejdsstyrke, ikke på 100.000 ansatte, men af en million menneskelige og agentarbejdere med væsentligt større kapacitet og kapacitet, der udfører arbejdet på en radikalt anderledes måde.
For at realisere værdien af agentarkitektur er det rigtige datagrundlag, ansvarlige AI-rammer, infrastruktur og færdigheder afgørende. Vi har hjulpet mange bank- og forsikringskunder med at implementere disse på tværs af deres virksomheder, herunder arbejdet med ledelsesteams og bestyrelser. Det mest kritiske trin er at identificere de rigtige forretningsmuligheder og værdistrømme, involvere en arbejdsstyrke, der forstår disse områder bedst og tage en menneskecentreret tilgang. For at fremskynde dette har vi aktiver til at analysere og genopfinde vigtige bank- og forsikringsværdikæder, processer og arbejdsstyrker. Dette inkluderer "klar til at gå"-agenter udviklet på Accenture Refinery, baseret på NVIDIA og partnerskaber med de førende AI-økosystemspillere.
JPMorganChase giver et særligt interessant case-eksempel på at rotere til AI hurtigt og i skala. De har demokratiseret selvbetjeningsadgang for 200.000 medarbejdere til deres LLM Suite på mindre end et år, hvoraf halvdelen bruger den 3+ gange om dagen.
Dette har ført til udbredte idéer, eksperimenter og anvendelse (inden for et sikkert rum og med en gunstig marginalisering af omkostningerne). De kan så høste de gode ideer, investere og skalere dem med en 'venturekapital'-tankegang.
De har nu specialiseret AI og agent AI på tværs af forskellige forretningsenheder. Denne distribuerede tilgang til forandring er ikke en laissez faire gratis for alle. Alle modeller er registreret og kontroller på plads for at understøtte sikker skalering. Der er dog differentierede veje til anvendelser med højere risiko (særskilt risikoudvalg, fuld modelgennemgang) vs. lavrisikobrug (sponsor gennemgået).
Det er afgørende, at JPMorganChase har investeret i adoption, hvilket har skabt plads til tidlige brugere med højt agentur og hjulpet følgere og masseadoptere også med at komme ombord. De opfordrede til afbrydelse af arbejdet:"Lad AI spise dit job; vi har masser af andre job her, du kan udføre. Dit job vil ikke blive taget af AI; det vil blive taget af en person, der mestrer brugen af AI" (Mary Erdoes, administrerende direktør for JPMorganChases Asset &Wealth Management (AWM) division).
Deres høje vækst, højtalentmiljø har givet dem mulighed for at skabe en meritokratisk, men menneskecentreret tilgang til at engagere deres arbejdsstyrke i forandringen. Dette handlede om at bevæge sig hurtigt, men også at have en plan for forandring af arbejdsstyrken:"Jo mere jeg ved om det, jo mere kan jeg planlægge det, lade nedslidning være min ven, og hvor det er nødvendigt, omplacere, genoptræne osv." (Jamie Dimon, CEO, JPMorganChase).
I slutningen af hver af disse blogs vil jeg inkludere nogle vigtige takeaway-punkter og spørgsmål - du er velkommen til at bruge disse inden for dit team, eller lad mig vide, hvis du vil chatte gennem dem.
I min næste blog vil vi undersøge, hvordan førende finansielle servicevirksomheder nærmer sig AI på en menneskecentreret måde, og hvordan vi kan bruge agentarkitektur til at fremskynde genopfindelsen af arbejdet.
Læs vores Top Banking Trends for 2026 for at få et dybere overblik over, hvordan agent AI ændrer arbejde på tværs af finansielle tjenester rapport.