I tidigare bloggar i den här serien har jag utforskat hur ledande organisationer för finansiella tjänster (FS) skalar AI för värde och använder ett mänskligt tillvägagångssätt, inklusive agentarkitekturer som omskapar arbetet.
I den här bloggen fokuserar jag på hur man leder den förändringen på ett bra sätt:eftersträva affärsresultat, sätta rätt investering och riskaptit, hantera snabba och distribuerade förändringar och hålla förändringen mänskligt ledd.
Accentures Banking Top Trends 2026:Unconstrained banking is here
Läs mer
Vår forskning visar att 86 % av cheferna planerar att öka sina investeringar i generativ AI (GenAI) 2025; 80 % förväntar sig att AI:s värde överträffar förväntningarna. Ändå har bara 34 % av organisationerna skalat AI för en kärnprocess. De som har har tre gånger större sannolikhet att överskrida sin förväntade ROI.
Dessa ledare delar tydliga egenskaper:stark VD-sponsring, värde-först-strategier och solida grunder – säkra digitala kärnor, kvalitetsdata, ansvarsfulla AI-ramverk, skickliga team och företagsutbildning. Detta mönster är särskilt starkt i FS.
Med agent AI ökar klyftan snabbare. Ledare är 4,5 gånger mer benägna att investera strategiskt i agentarkitekturer och 6 gånger mer benägna att öka GenAI-investeringarna avsevärt 2025. De drar framåt och accelererar.
Organisationer som har fastnat i proof-of-concept-stadier eller tvekar hamnar på efterkälken. Vilka är några av hindren för att skala AI i finansiella tjänster?
• Ledarskapsosäkerhet, begränsade investeringar och odefinierad riskaptit
• Alltför stelbent riskstyrning som passar alla
• Begränsat affärsengagemang, behandlar AI som endast en teknisk förändring
• Äldre plattformar och fragmenterad data
• Affärsmodeller som fokuserar snävt på kostnad, inte förändring eller återanvändning av företag
Men det största hindret är investeringsnivån i talang, förändring och adoption. För att bli framgångsrika inom AI måste vi ta med oss personalen på resan.
På Davos 2026 betonade Accenture denna klyfta direkt:medan företag idag investerar 3 USD i teknik för varje 1 USD i människor, har de som balanserar båda 4 gånger mer sannolikt att uppnå långsiktig lönsam tillväxt. Pulse of Change-undersökningen avslöjade också att även om chefer ser AI som en tillväxtmotor, säger bara 43% att de prioriterar omskolning av personal för AI-roller. Denna underinvestering i mänsklig förmåga, särskilt i förändringshantering och uppfostran är den kritiska bromsen för AI-skalning.
Nästa fråga är var man ska investera? Prioritering måste återspegla genomförbarhet, riskaptit, snabbhet till värde och övergripande affärsresultat. Medan varje företags prioriteringar är unika, växer tydliga mönster fram. Genom att använda egenutvecklad analys på uppgiftsnivå över 220 banker identifierade vi en ökning med 29 % i PBT, en möjlighet till 255 miljarder USD under tre år. De rikaste värdepoolerna ligger inom kundservice, försäljning, IT-teknik, mjukvaruleverans, produktutveckling, prissättning och risk.
Om vi vet var vi ska börja är nästa fråga om vi har råd. Detta är en fascinerande fråga eftersom AI har förändrats så snabbt och har traditionellt sett varit en ganska liten del av investeringarna för de flesta banker och försäkringsbolag. Ledande VD:ar arbetar med finanschefer, CDO:er/CIO:er och styrelser för att skapa en ny investeringsaptit för GenAI och agent AI.
Vi har sett betydande omdirigering av befintliga förändrings- och teknikfinansiering (30 % i vissa fall), såväl som ytterligare engångsfinansiering och accelerationen av befintliga förändringsinvesteringar med hjälp av AI. Vissa AI-ledare börjar redan självfinansiera sina investeringar genom tidiga avkastningar.
En balanserad investeringsportfölj för AI är användbar (Hosanger, 2025), med tanke på spridningen av investeringar:över olika affärsområden och funktioner; mellan kostnadsminskning, tillväxt och återuppfinning; mellan snabba vinster (som skapar konsensus, momentum och lärande) och långsiktig förändring (behövs för mer meningsfulla vinster).
En balanserad AI-portfölj sprider investeringar över:
Vilken förändring ska dessa investeringar riktas mot? Det är uppenbart att det måste göras investeringar i själva AI, upphandling och utbildning av agenter från ekosystempartners till utveckling av interna agenter och testning. Det som tenderar att missas är de pågående investeringarna i "bra grunder" som:
Den största multiplikatorn av ROI är investeringar i människor, ledarskap, adoption, kompetens och nya sätt att arbeta. Men idag spenderar organisationer 3 USD på teknik för varje 1 USD på människor, vilket lämnar betydande värde outnyttjat.
För en stor asiatisk bank samarbetade vi med VD:n för att etablera ansvarsfull AI, bygga kapacitet och etablera AI CoE och leveransplattform, tillsammans med att snabbt utvärdera hundratals idéer för önskvärdhet, genomförbarhet och lönsamhet. Resultatet:35 GenAI-ändringar levererade på 18 månader, vilket frigjorde 200 miljoner USD i årliga produktivitetsfördelar och halverade kundförfrågornas hanteringstider samtidigt som kreditbedömningstiden minskade med 80 %. Ett strukturerat sätt att bedöma och hantera portföljen är viktigt.
Återanvändning är viktigt. Modulära AI-komponenter minskar driftsättningskostnaderna och ökar hastigheten. Verktygsagenter som extraherar, sammanfattar, undersöker, granskar, testar kan användas i flera arbetsflöden. Till exempel kan en dokumentextraktionsagent stödja KYC, applikationer, emissionsgarantier och service.
Varje återanvändning kräver fortfarande kontextuell testning, adoptionsdesign och övervakning. Precis som anställda behöver agenter både företagets "introduktion" och rollspecifik utbildning.
Så långt, så bra? Värdet och investeringarna ökar, men att skala AI kräver tydliga beslut om var och hur den ska användas på ett ansvarsfullt sätt.
Ett centralt ledarskaps- och styrelseansvar formar riskaptiten för AI:att bestämma vilka beslut, processer och kundinteraktioner som är lämpliga för AI – och vilka som inte är det. Dessa val bör vara tydliga, ses över regelbundet och anpassas till affärsstrategi, regulatoriska förväntningar och kulturella värderingar.
Riskaptiten måste vara kontinuerlig, inte episodisk. Ledande FS-organisationer implementerar realtidsövervakning och AI-kontrollrum för att spåra modelldrift, dataflöden, agentkedjor, adoptionskvalitet och ansvarsfulla AI-resultat.
Styrelser, tillsynsmyndigheter och ledningsgrupper behöver tydlig transparens:var AI används, vad den gör och om den fungerar som avsett. Starka ramverk för ansvarsskyldighet måste förstärka denna transparens, säkerställa ägande, upptrappning och snabba ingripanden när risker dyker upp.
Låt oss bryta ner nyckelaspekterna av ansvarsfull AI ytterligare och titta på vilken förändring de kräver.
Bias och skadeförebyggande är avgörande för både kollegor och kunder. Vårt mål är enkelt:undvika skada och göra gott med AI. Vi minskar partiskhet genom bra design, högkvalitativ träningsdata, rättvis behandling över grupper och rigorösa tester och övervakning. Även väl testade modeller kan glida, så de behöver kontinuerliga kontroller och eskalering när problem uppstår, särskilt kring skyddade attribut. Människor har också fördomar, så vi måste utforma interaktioner där människor och agenter kan lära sig tillsammans och motverka partiskhet tillsammans.
Inom HR kräver ansvarsfull AI särskild omsorg. EU:s AI-lag begränsar hur arbetsgivare kan använda AI i beslut som påverkar människors karriärer och liv, såsom anställningar, befordran och lön. Även när AI ger förutsägelser eller rekommendationer om arbetskraften måste dess användning vara etisk, tydligt avgränsad, vetenskapligt grundad och rättvis för alla anställdas grupper.
Transparens, förklaringsbarhet och noggrannhet har betydelse. Kunder och kollegor vill veta när och hur AI används, och i många FS-processer förväntar de sig 100 % noggrannhet. Vi måste avslöja AI-användning, särskilt när gränssnitten blir mer konversationsmässiga och mänskliga. AI-utdata måste vara tolkbara, spårbara och stödda med citeringar (till exempel bör en investeringssammanfattning peka tillbaka till källdokument). Tillförlitlighet är avgörande. GenAI kan hallucinera eller producera felaktiga resultat, vilket undergräver förtroendet. Medan noggrannheten förbättras måste vi utbilda människor att upptäcka fel och agera som vaksamma "människor i täten", särskilt för kundinriktade beslut som stöds av AI-agenter.
AI höjer också integritets-, konfidentialitets- och cybersäkerhetsrisker. AI-system måste följa dataskyddsregler, inklusive "minsta nödvändiga" dataanvändning. Kollegor ska kunna förklara vilken kund- eller anställddata som användes. På en grundläggande nivå behöver de tydlig vägledning om säker uppmaning – till exempel att aldrig skriva in klient-, kollega- eller konfidentiell data i offentliga verktyg. Skyddsregler, inklusive "minsta nödvändiga" dataanvändning. Kollegor ska kunna förklara vilken kund- eller anställddata som användes. På en grundläggande nivå behöver de tydlig vägledning om säker uppmaning, till exempel att aldrig mata in klient-, kollega- eller konfidentiell data i offentliga verktyg.
För en mer djupgående bild, ta en titt på Rethinking Responsibility with Generative AI. Vi hjälper kunder att sätta rätt riktning på riskaptit och ansvarsfull AI, från principer till praktik. Ett exempel är vårt arbete med Monetary Authority of Singapore, där vi hjälpte till att bygga branschövergripande ramverk, verktyg och metoder som en del av Project Veritas. Med utgångspunkt i detta samarbete har Monetary Authority i Singapore och dess branschpartner, inklusive Accenture, översatt detta arbete till praktisk vägledning med exempel som syftar till att hjälpa finansinstitutioner att omsätta ansvarsfull AI i handling och accelerera värde på ett säkert sätt i stor skala.
Utan ansvarsfull AI för att bygga förtroende stannar adoptionen och värdefallet kollapsar. I reglerade branscher som FS, en tydlig riskaptit och ansvarsfull AI-praxis gör det möjligt för organisationer att skala med tillförsikt, snabbt och säkert. Precis som navigationssystem och säkerhetsbälten i en bil låter de oss röra oss snabbt utan att tappa kontrollen.
Det är viktigt att behandla AI som en snabbt utvecklande förändring, inte en linjär förändring med ett fast mål.
AI avancerar två till tre gånger snabbare än tidigare teknikvågor, av vilka ingen är färdig. Regulatoriska, kund- och samhälleliga förväntningar förändras lika snabbt.
AI:s tekniska kapacitet utökar högre noggrannhet med färre fel, starkare resonemang och logik, förbättrade multimodala ingångar och utgångar. Uppgifter en gång utom räckhåll (resonemang, beräkning, handling) blir styrkor. Ändå påverkar inte AI alla uppgifter lika. Dell'Aqua et al. (2023) visar en ojämn gräns där vissa uppgifter gynnas mycket medan andra inte gör det. Den gränsen flyttas i takt med att kapaciteten växer.
Hundratals nya modeller dyker upp, var och en med olika styrkor och kostnader. Att välja rätt modell är viktigt. Agentarkitektur förlitar sig ofta på mindre specialiserade modeller. I Accenture Refinery och med våra ekosystempartners använder vi modell "växelbord" för att välja det bästa alternativet samtidigt som vi bäddar in rätt kontroller.
Denna takt bör inte utlösa passivitet. Det kräver ett adaptivt, kontinuerligt förhållningssätt till förändring. AI är inte ett linjärt program med start och slut. Det pågår. Det behöver ihållande finansiering och uthålliga team, inte "stå upp och ner"-projekt. Det kräver öppenhet för oväntad utveckling och signaler från konkurrenter och partners, iterativt lärande, feedback från kunder och kollegor och ett tillväxttänk – inte ett fast tänkesätt. Snabba förändringar skapar fördelar för första gången och förvärrade effekter i värdeförverkligande och lärande.
AI måste behandlas som en distribuerad affärsförändring, inte ett centraliserat projekt.
AI sprider sig snabbt över hela företaget och påskyndar arbetet överallt. Det som en gång tog år tar nu månader; det som tog månader tar nu veckor. Detta skapar betydande möjligheter, men bara om ledare och team samordnar sig kring en gemensam vision och verkar inom tydliga skyddsräcken.
Utan anpassning leder distribuerad förändring snabbt till dubbelarbete och oordning. Ledare i hela verksamheten behöver stöd för att identifiera möjligheter av högt värde och få tillgång till leveranskapacitet. Större AI-initiativ kräver också starka företagsproduktägare, inte bara CDO eller CIO, för att säkerställa att resultaten grundas på verkliga kundbehov och kommersiellt värde.
När AI blir genomträngande måste HR-funktionen utvecklas. HR-team i banker och försäkringsbolag måste hjälpa arbetsstyrkan att bli redo för AI och övergå till nytt arbete – men också göra sig redo för den mänskliga x-agenten i stor skala. HR:s mandat sträcker sig nu till att orkestrera en kombinerad arbetsstyrka av människor och intelligenta agenter. Detta inkluderar att snabbt bygga AI-färdigheter, omforma jobbarkitekturer, utöka inlärningsvägar med partners och främja en kultur av nyfikenhet och samlärande. Genom att bädda in AI-träning, etik och ändra motståndskraft i kärnpraxis för talang, kan HR hjälpa anställda att arbeta tryggt med AI snarare än att frukta det.
Många finansiella tjänsteorganisationer driver redan AI-center of excellence eller federerade AI-nätverk. För att vara effektiva måste dessa team vara multidisciplinära och spänna över datateknik, modellutveckling, snabb konstruktion, testning, arbetsdesign, kollegaengagemang, adoption och förändringshantering. Vi har byggt sådana team för kunder av alla storlekar. Deras framgång beror på tillgång till rätt verktyg, modeller, infrastruktur, datagrunder och starka skyddsräcken för ansvarsfull AI.
Värde, investeringar, ansvarsfull skalning och distribuerad förändring spelar roll, men AI lyckas bara när det behandlas som en människocentrerad förändring. AI måste fungera för kunder och kollegor. Ett mänskligt styrt tillvägagångssätt är en del av ansvarsfull verksamhet och ger mycket större avkastning. Det bygger förtroende, tar itu med problem, stödjer interaktion mellan människa och agent, driver adoption och möjliggör nya sätt att arbeta.
Förtroende är kärnan i varje transformation. Team behöver psykologisk säkerhet för att experimentera och anta nya sätt att arbeta (Edmondson, 2018). Rädsla, konflikter och lågt förtroende står för 85 % av misslyckade transformationer (Accenture Transformation GPS, 2025).
Arbetare har blandade åsikter om AI. Många vill lära sig och använda det och litar ofta på det redan i sina personliga liv. Samtidigt oroar de sig för anställningstrygghet, arbetsintensitet, adoption och etik. Ledare måste svara med en tydlig arbetsstyrkastrategi, ärlig kommunikation och integritet i hur förändringar hanteras.
Detta är ett område med polariserad kommentar. AI kommer att automatisera vissa jobb, utöka många fler och skapa nya. Effekterna blir ojämna och kommer att utvecklas med tiden.
Endast 29 % av CXO:er pekar på arbetskraftens motstånd som en GenAI-barriär, medan 40,8 % av de anställda fruktar att bli övertaliga – en adoption som riskledare inte har råd att ignorera (Accenture, Learning, Reinvented survey, 2025).
Ledare måste förstärka att människor som anammar AI kommer att trivas. Som Andrew Ng uttryckte det på Davos, "en person som använder AI kommer att vara så mycket mer produktiv, de kommer att ersätta någon som inte gör det." Målet är inte att ersätta människor, utan att hjälpa dem att överträffa genom förstärkning. Tydliga omskolingsvägar, synliga investeringar i anställda och praktiska möjligheter att lära förvandlar ångest till adoption.
Arbetsstyrkaplaner anpassade till AI-investeringar kan minska onödiga uppsägningar genom att hantera anställning, omskoling och omplacering. Människor behöver tid för att bygga färdigheter och anpassa sig, och en plan hjälper till att styra dessa ansträngningar. Ledare måste kommunicera autentiskt och skapa positiva ramar för förändringar där det är möjligt.
AI omformar gränser mellan människa och maskin och arbetets psykologi. Generativ och agent AI kan hota en arbetares känsla av kompetens, autonomi och anknytning. 60 % av arbetstagarna fruktar att AI kommer att öka stress och utbrändhet, men bara 37 % av cheferna förväntar sig detta. Vi måste svara genom ledarskap och genomtänkt arbetsdesign.
MIT:s Acemoglu och Johnson (2023) belyser den kritiska rollen av arbetarens engagemang i teknik- och AI-utveckling - särskilt i problemdefiniering och samdesign av arbete. Detta leder till bättre lösningar, adoption och användning, vilket resulterar i större värdeförverkligande.
Bra arbetsdesign håller människor i kontroll över tempo och stil. Det möjliggör prestanda och bevarar utrymme för kreativitet. Till exempel, när AI minskar tiden som ägnas åt att sammanställa investeringsförslag, kan relationsförvaltare fokusera på djupgående kundarbete – rådgivning, relationsbyggande och beslutsstöd.
Att testa AI med experter förbättrar också förklaringen och förtroendet. En DeepMind–Moorfields-studie visade att genom att bryta ner AI:s resonemang ökade experternas förståelse och självförtroende.
På en stor bank designade vi en serie AI-aktiverade processlösningar för affärsbankverksamhet med relationsansvariga och deras team. Dessa var en tuff skara - experter på fasta yrkesverksamma, vanligtvis ganska skeptiska till teknik och naturligt skyddade mot sina kunder. Vi kunde bygga förtroende genom deras engagemang och testning av AI i utvecklingen. Detta fortsatte med deras pågående feedback under pilotprojektet och uppskalning för att göra förbättringar, vilket ledde till bättre arbete, förtroende och adoption.
Att ta till sig AI innebär att börja nytt arbete - fråga, använda agenter, kontrollera utdata - och stoppa gammalt arbete. Båda kan framkalla obehag. Och detta kommer att hända upprepade gånger under de kommande åren.
AI kan kännas intuitivt, men adoption sker inte automatiskt. Organisationer behöver repeterbara mönster för beredskap och värdeförverkligande. När ledare framställer AI som en katalysator för kreativitet är arbetarna 20 % mer säkra på att anpassa sina vanor.
Vad hjälper:
Motivationen varierar. Tidiga användare vill ha tillgång och kontinuerligt lärande. Majoriteten behöver vägledning och tid. Sena adoptanter behöver trygghet och förtroende. Bevis visar genomgående en skarp skillnad mellan anställda som redan använder AI och de som inte gör det.
Mätning spelar roll. Spåra åtkomst, användning, populära uppmaningar och agenter och djupet av integration i arbetsflöden. Mät förändringar i tid, kvalitet och resultat. Analysera mönster över roller, team och platser. Håll mätningen "cool, inte läskig" – fokusera på gruppinsikter, inte övervakning.
Tidiga distributioner sätter tonen. Adoption misslyckas när AI främst framställs som kostnadsbesparing, när löften bryts, när utbildningen är alltför teknisk, när verktyg sitter utanför arbetsflöden eller när AI släpps innan den är klar.
På en global bank ökade vi användningen av ChatGPT Enterprise och Microsoft Copilot med mer än 400 %. Vår strategi uppmuntrade prospektering först snarare än press. Tre grupper uppstod:
Genom att stärka de tidiga användare, hjälpa 80 % att se praktiskt värde och ta de första stegen, accelererade vi både antagandet och resultaten. Så småningom kom de flesta av de sena användarna ombord när de såg fördelarna för sina kollegor.
Många arbetare ifrågasätter om AI kommer att användas etiskt. 53 % oroar sig för utskriftskvalitet och otydlig ansvarsskyldighet, men ändå ser bara 21 % av cheferna detta som ett problem.
Om organisationer har tydliga ramverk för riskaptit och ansvarsfull AI-praxis måste de göra dem synliga. Ledare bör visa hur dessa metoder vägleder beslut, säkerställer transparens, hanterar risker och tydliggör ansvarsskyldighet. Tydliga kanaler för att ta upp oro är väsentliga.
På en FS-institution tog vi upp etiska problem genom både handling och kommunikation. Vi etablerade ansvarsfulla AI-riktlinjer, utbildade produktägare med tydliga ansvarsområden, involverade anställda i samdesign, byggde förklaringsverktyg, skapade rapporterings- och whistleblowing-kanaler och satte upp en andra försvarslinje fokuserad på AI-övervakning. Ledarna kommunicerade dessa åtgärder tydligt och konsekvent.
Några nyckelpunkter som du kanske vill reflektera över — låt mig veta dina tankar och idéer:
I min nästa blogg utforskar vi hur vi kan ombilda arbetskraften med AI som medarbetare.
För att koppla dessa sätt att leda distribuerade, snabbrörliga förändringar till de bredare marknadssignalerna, läs våra Top Banking Trends for 2026 rapportera.
Warren Buffetts råd om pensionsplanering
Är JD.com Kinas Amazonas?
Expertintervju med W. Patrick Jarrett om pensions- och hälsosparkonton
Vad du behöver veta om immateriella tillgångar!
Vad betyder 100 % efter självrisk?
Fem saker du kan göra för att få din produkt på HSN
BlockFi Review:Kryptoränta, lån och konkursuppdatering (2024)
Quantum India ESG Fund NFO – ett extra lager av kvalitet?