Banker riskerar att automatisera just de arbetssätt som de egentligen borde göra sig av med.
Efter åratal av försök att minska sin tekniska skuld står många nu inför en annan typ av skuld, dold i hur arbetet faktiskt utförs.
Banker arbetar utifrån formella policyer och processer, men verksamheten bygger också på tusentals informella beslut som fattas av erfarna medarbetare som vet hur arbetet ska drivas framåt mellan olika, ofta fragmenterade system. Om banker sätter AI-agenter på dessa arbetsflöden utan att först skilja värdefullt mänskligt omdöme från gamla nödlösningar riskerar de att koda in gårdagens problem i stället för att modernisera verksamheten.
Vi kan kalla det personskuld: den odokumenterade kunskapen, de undantag och de informella stegen som får bankverksamheten att fungera, men som sällan syns i systemen eller de formella arbetsprocesserna. Medarbetarna vet när ett saknat datafält är rutinmässigt, när något behöver eskaleras, när ett kundärende kräver mänsklig bedömning och när en tillfällig lösning egentligen döljer ett djupare processproblem.
Det är just den saknade kontexten som kan göra det svårt att få avkastning på AI-investeringarna. Wolters Kluwers Q1 2026 Banking Compliance AI Trend Report visar att 61 procent av finansinstituten antingen har AI eller maskininlärning i produktion eller aktivt testar tekniken. Samtidigt uppger bara 12,2 procent att de har en väldefinierad AI-strategi med tillräckliga resurser. Det tyder på att många banker sätter AI i arbete innan de har byggt den verksamhetsmodell som krävs för att styra vad tekniken lär sig, var den får agera och när den ska stanna.
Ett arbetsflöde kan tala om för en AI-agent vilket steg som kommer härnäst. Men det förklarar inte nödvändigtvis varför en erfaren medarbetare stannar upp, kontrollerar ett annat system, kontaktar en annan avdelning eller eskalerar ett kundärende. På papperet kan sådana pauser se ineffektiva ut, men i praktiken kan de vara det enda som hindrar ett felaktigt beslut från att nå en kund, en tillsynsmyndighet eller i slutändan bankens balansräkning.
Vid exempelvis kontoavstämningar, fakturering, dokumentgranskning och KYC-processer avgör dessa beslut ofta om automatiseringen förbättrar processen eller bara upprepar dess svagheter. I en KYC-granskning kan en erfaren medarbetare exempelvis veta att ett visst saknat datafält bara är ett rutinmässigt dokumentationsproblem, medan ett annat bör leda till en fördjupad kundkontroll. Det är precis den typen av institutionell kunskap som banker behöver fånga, kartlägga och testa innan de låter AI-agenter ta över arbetet.
Banker måste dokumentera arbetet innan de släpper in AI-agenterna
AI kan hjälpa banker att minska personskulden, men bara om tekniken först används för att förstå arbetet innan det automatiseras. Det finns i dag verktyg som kan fånga upp denna informella kunskap, skapa kunskapsunderlag och generera processkartor, så att sådant som tidigare bara fanns i medarbetarnas huvuden blir en del av de faktiska arbetsflödena.
Banker bör börja där medarbetarna behöver gå utanför systemen för att få jobbet gjort. De behöver kartlägga var undantagen uppstår, vilka manuella steg som faktiskt fyller en viktig funktion, vilka som bara finns på grund av begränsningar i äldre system och vilka beslut som även fortsättningsvis måste fattas av människor.
Om ett team som arbetar med kundregistrering exempelvis är beroende av erfarna medarbetare för att kontrollera dokument, verifiera information och hantera avvikelser, kan AI bidra till att göra arbetet mer konsekvent. Tekniken kan hjälpa till att granska dokument, flagga information som saknas och rekommendera nästa steg. Men banken behöver fortfarande tydliga regler för när AI-agenten får gå vidare, när den ska begära en granskning och när beslutet måste fattas av en människa.
Styrningen måste byggas in från början
För att AI-baserat beslutsfattande ska fungera behöver bankerna tillförlitliga data och tydliga skyddsräcken från början. Innan AI-agenter sätts in i kunskapsintensiva processer måste organisationen veta var informationen kommer ifrån, vem som äger den, vem som får tillgång till den och när en människa behöver ingripa.
AI-agenter kan inte behandlas som ännu ett lager programvara. De arbetar över flera system och därför måste kontroller, ansvar och eskaleringsvägar definieras innan agenterna börjar fatta eller rekommendera beslut. I en reglerad verksamhet finns inget utrymme för hallucinationer. Fram till dess att regelverken har mognat rekommenderar jag därför att banker låter AI-agenter arbeta via tydligt kontrollerade kontaktpunkter, snarare än att låta dem röra sig fritt genom hela organisationen.
Den organisatoriska modellen är minst lika viktig som den tekniska. Banker behöver investera i kulturförändring och i det skifte i arbetssätt som krävs för att faktiskt lösa problem med AI, snarare än att bara lägga AI ovanpå befintliga processer. Nya analyser av arbetsmarknaden pekar på att företag som inför AI också skapar nya arbetstillfällen, samtidigt som roller och kompetenskrav förändras.
Nästa fas av AI-omställningen bör därför börja med de människor som faktiskt förstår hur arbetet fungerar. Deras roll bör förändras från att manuellt hantera undantag till att definiera vilka undantag som kan automatiseras, vilka som behöver granskas och vilka som aldrig bör lämnas över till AI.
Det är så banker kan omvandla personskuld till institutionell motståndskraft, i stället för att bygga in gamla informella nödlösningar i nästa generations system.
Om banker ger AI-agenter trasiga processer bör de räkna med trasiga resultat – fast i maskinhastighet. För att undvika att lära AI organisationens sämsta vanor måste bankerna först förändra sina arbetssätt, sin kultur och sina kontrollmekanismer. Därefter kan agenterna börja fatta beslut.
Av Meena Athinathan, VP & Head of Strategic Business Unit for Banking, Capital Markets Infrastructure and Indexes på Cognizant
