I min förra blogg diskuterade jag hur ledande företag inom finansiella tjänster (FS) skalar AI för affärsvärde och hur en växande klyfta uppstår mellan ledare och eftersläpande. Jag introducerade också agentarkitektur och delade med mig av verkliga exempel från mjukvaruteknik, KYC och påståenden.
I den här bloggen utforskar jag först den värdemöjlighet som står på spel genom att ta ett människocentrerat förhållningssätt till agent AI. Ledande finansiella tjänsteföretag utformar AI kring tydliga affärsavsikter och kundresultat och bestämmer sedan vad människor och agenter måste göra tillsammans för att förverkliga dem.
Accentures Banking Top Trends 2026:Unconstrained banking is here
Läs mer
Vår forskning om arbete, arbetare, arbetskraft identifierade ett gap på 10,3 biljoner dollar i BNP-tillväxt under de kommande 15 åren mellan att behandla AI som en ren teknisk förändring och att ta ett mänskligt tillvägagångssätt och förverkliga sin fulla potential med arbetare.
Låt den siffran sjunka in. Det är ungefär 10 % av den globala BNP som står på spel baserat på hur vi närmar oss AI.
Kärnan i denna möjlighet är finansiella tjänster, med bank (första), försäkring (andra) och kapitalmarknad (tredje) bland de branscher med flest arbetstimmar (upp till 90 %) som potentiellt skulle kunna automatiseras eller utökas genom AI.
Varför? Tidigare vågor av automatisering behandlade redan strukturerade datauppgifter. Men med mer än 80 % av världens data ostrukturerad är mycket av det återstående arbetet i FS språkrikt och i sig ostrukturerat. Vi verkar i en miljö som definieras av information, service och kunskapsarbete.
Det är ingen överraskning att generativ AI – byggd för att fungera med ostrukturerad data och efterlikna mänskligt språk – har antagits snabbt. Och när vi går in i en era av agent AI får vi något mer:ett system som inte bara fungerar som ett verktyg, utan som en sann medarbetare för att arbeta med oss.
Samma forskning visar att arbetskraften har blandade känslor för AI och min erfarenhet bekräftar det. Medan omkring 95 % av människorna säger att de vill arbeta med generativ AI och omkompetens – föga förvånande med tanke på hur brett dessa verktyg används i vardagen – kvarstår oron för säkerhet, arbetsintensitet och etik. Anställda går igenom denna förändring i olika hastigheter.
Den spänningen är tydlig i uppgifterna. Enligt Accentures senaste arbetskraftsundersökning känner bara 20 % av de anställda sig som aktiva medskapare i att forma hur AI förändrar deras arbete, och bara 17 % säger att de tycker om att använda AI-verktyg eller aktivt söker nya sätt att tillämpa dem. Denna lucka understryker behovet av att involvera medarbetarna tidigt. Att designa AI-adoption med människor, inte för dem, är avgörande för att bygga förtroende, ägarskap och adoption i stor skala.
Som svar hjälper vi kunder att designa AI-verktyg tillsammans med sina kollegor och vägleda adoption på ett sätt som känns inkluderande och stärkande. Vi arbetar med ledarteam för att engagera anställda i meningsfulla samtal om AI och utrusta människor att hjälpa till att leda förändringen.
Vi har investerat mycket i vår LearnVantage-kapacitet för att uppfostra ledare och hela personalstyrkor. Till exempel kan varje anställd på S&P Global nu genomföra grundläggande GenAI-utbildning. På en stor bank hjälpte vi till att utveckla mer än tusen data-, moln- och fullstackingenjörer till avancerade och expertnivåer av rollberedskap genom Udacity.
Vårt arbete med ansvarsfull AI, arbetsdesign och personalplanering hjälper också organisationer att gå över från gamla till nya färdigheter, minska uppsägningar, förbättra arbetskvaliteten och säkerställa att människor kan trivas när deras roller utvecklas.
Detta engagemang sträcker sig bortom enskilda kunder. Vid Davos 2026 tillkännagav Accenture och 24 andra organisationer kompetenslöftet "Creating Opportunities for All in the Intelligent Age", som tillsammans åtar sig att tillhandahålla teknikutbildning till 120 miljoner människor år 2030. Accentures eget engagemang är att utrusta mer än 10 miljoner människor över hela världen med jobbrelevant stöd för 2030 av den här ambitionen och digital kompetens för 2030 attmAI. visade upp LearnVantage, dess AI-baserade lärplattform och lanserade en prisvärd AI-masterexamen öppen för alla.
Ett människocentrerat tillvägagångssätt tar inte bara hänsyn till arbetare utan även våra samhällen och samhället. Mot bakgrund av förbättrad social integration inom finansiella tjänster måste vi mildra oavsiktliga konsekvenser och förstärka möjligheterna till rörlighet.
Vår senaste studie med Progress Together, Rise with AI, visar omfattningen av utmaningen. I Storbritannien är personer med lägre socioekonomisk bakgrund (SEB) fortfarande underrepresenterade inom finansiella tjänster med cirka 30 %. Forskningen fann också ett gap på 10–15 % i tillgång till AI, AI-relaterade färdigheter, förtroende för omkompetens, förtroende för arbetsgivare och andra faktorer som skulle hjälpa människor från lägre SEB att navigera i AI-övergången.
AI:s inverkan på arbetskraften kräver en intersektionell syn. Många av de roller som påverkas mest av AI inom finansiella tjänster innehas av kvinnor. Vi arbetar med partners som Tech She Can för att stärka AI-kunskaper och inkludering.
AI kan också vara befriande, skapa nya möjligheter och förbättra tillgången för personer med funktionshinder, inklusive de med synnedsättning eller som är neurodiversa.
I slutändan måste vi se till att AI driver en rättvis övergång — en som är inkluderande och rättvis — där finansiella tjänster spelar en central roll för att forma positiva resultat för människor, samhällen och samhället.
Den verkliga upplåsningen ligger i att återuppfinna arbetet kring affärsavsikter och kundresultat. Det börjar med värdeströmmar och end-to-end-processer, inte enskilda uppgifter eller roller. Engångsfallen är för snäva, vilket vanligtvis endast resulterar i en del besparingar. Dagens jobb är fel "analysenheter", eftersom de innehåller en blandning av arbete som behöver olika behandlingar.
Sann återuppfinning innebär att ompröva hur arbete över värdeströmmen kan göras på ett fundamentalt sätt annorlunda för att leverera bättre kund- och affärsresultat. Detta inkluderar att ta bort lågvärdigt arbete och slit i förväg. Istället bör vi omdirigera ansträngningarna mot det värdefulla arbete som driver kundresultat och tillväxt.
För att göra det här skiftet krävs tre ingredienser:
Vi samarbetade med en global försäkringsgivare för att återuppfinna dess försäkringsfunktion med hjälp av AI. Genom att arbeta direkt med försäkringsgivare förenklade vi först emissionsstandarderna inom ett område – och reducerade ungefär 130 olika bedömningskriterier till 70 konsekventa faktorer.
Med processen strömlinjeformad använde vi AI för att hantera det tunga lyftet med att granska komplexa mäklarinlämningar, ofta 200–300 sidor långa. AI:n extraherade och sammanfattade ostrukturerad information till ett strukturerat beslutsramverk som försäkringsgivare kunde använda omedelbart. Den utförde detta arbete mer exakt än en försäkringsassistent och tillhandahöll källdokumentcitat så att försäkringsgivare snabbt kunde validera innehållet.
Tidigare tog denna process dagar, och försäkringsgivaren hade bara kapacitet att granska cirka 20 % av anmälningarna, vilket innebar att lönsamma affärer avvisades. Med AI sjönk granskningstiden till timmar, vilket gjorde det möjligt för teamet att bedöma alla inlämningar och gör det med större noggrannhet. Detta låste upp mer än 50 % ökning av intäkterna utan att utöka teamet. Underwriters fick tid att fatta bättre beslut och bygga starkare relationer med mäklare.
Denna omvandling fungerade eftersom ledare engagerade sig i verklig återuppfinning och ett människocentrerat tillvägagångssätt. Vi designade om hela försäkringsprocessen, klargjorde var värde skapades och utformade de nya arbetsflödena och AI-kapaciteterna tillsammans med försäkringsgivarna själva. Genom att flytta över "drudge"-arbetet till AI-agenter, frigjordes försäkringsgivare att fokusera på värdefulla bedömningar, interaktion och beslutsfattande uppgifter där mänsklig expertis gör störst skillnad.
Vår agentarkitektur för kreditförsäljning och utlåning inom affärsbanker stöder relationshanterare (RMs) i hanteringen av låneansökningar. Denna process involverar vanligtvis massor av ostrukturerad data, dokument och administrativa uppgifter.
Byggd på Accenture AI Refinery, sammanför arkitekturen tre samordnade lager av AI-agenter:
Denna inställning gör att RM:er kan betjäna fler kunder, förbättra kundupplevelsen, fatta bättre beslut med kreditrisk och påskynda finansieringen av godkända lån.
Tillsammans effektiviserar dessa agenter utlåningsarbetsflödet, vilket gör det möjligt för Relationship Managers (RMs) att:
Denna arkitektur flyttar tiden bort från manuell granskning och administrativt drag. Detta frigör RMs att fokusera på aktiviteter med högre värde som att ge kunder råd, utforma bättre lånebeslut och stärka relationer – allt samtidigt som man ökar genomströmningen och minskar risken.
Återuppfinnandet börjar med att fokusera på de mest värdefulla, skalbara värdeströmmarna i din organisation, inte på isolerade funktioner eller teknologier. Inom bankverksamhet inkluderar dessa vanligtvis bedrägeriförebyggande, klientintroduktion och KYC, utlåning, relationshantering och investeringsrådgivning. Inom försäkringar inkluderar de försäkring, skadestånd och service. På marknader inkluderar de handel och bearbetning efter handel. Att återuppfinna dessa processer från början till slut skapar betydande värde och skapar grunden för företagsomfattande omvandling.
En viktig lärdom från eran av robotprocessautomatisering är tydlig:vi bör inte "lappa" trasiga processer med AI. Ledare måste göra det lättare att utföra högvärdigt arbete genom att ta bort komplexitet, slöseri och friktion – lägga till tid för det som verkligen skapar värde (Sutton och Rao 2024).
De flesta organisationer har redan fickor av processmognad och bättre insikter om effektivitet och värde, särskilt där de har byggt Global Capability Centers. Men många andra värdeströmmar är fortfarande oklara eller fragmenterade.
Där processer och värde inte förstås väl använder vi vår egenutvecklade Process Value Explorer (PVE) för att avslöja arbetet och dess värde, ofta tillsammans med process mining-verktyg som Celonis. PVE tillåter oss att analysera ansträngning, kostnad, värde, problem och andra dimensioner över tusentals arbetare samtidigt. Att skapa denna synlighet av arbete och värde ger oss insikter för att återuppfinna.
För organisationer som söker en bredare vy använder vi egenutvecklade analys- och planeringsverktyg för att modellera den framtida arbetsstyrkan i stor skala. Dessa verktyg möjliggör snabb bedömning av företaget och hjälper till att prioritera AI- och omkompetensinvesteringar.
Hos en stor pensions- och investeringsleverantör använder vi denna analys för att utveckla en top-down arbetsstyrkastrategi för styrelsen. Tillvägagångssättet modellerar kapacitet som frigörs eller omdistribueras genom agent AI och annan automatisering, vilket ger en tydlig bild av framtida personalbehov och kompetens. Detta i sin tur informerar bättre arbetskraftsbeslut idag och vägleder var man ska investera i AI.
Vi bryter ner nuvarande arbets- och arbetsstyrkadata snabbt och på djupet, identifierar var AI kan ha olika typer av inverkan, överväger AI-investeringar under flygning och bildar en tydlig bild av den framtida arbetsstyrkan:de nya rollerna som behövs, de färdigheter som krävs, kapacitetsimplikationerna och kostnadsprofilen. Detta hjälper våra kunder att fatta bättre, mer välgrundade beslut för personalstyrkan, informerar deras förändringsberättelse och vägleder deras AI-investeringsstrategi.
Vi gör detta som en första strategiövning för CHRO, VD eller styrelse och integrerar det som en bestående förmåga med vår klients strategiska personalplanering, vilket säkerställer att de kontinuerligt kan förutse, designa och anpassa sin framtida personalstyrka som AI-anpassningsskalor.
2025 års Accenture Life Trends-forskning fann att 44 % av människorna kände att AI-verktyg ökade effektiviteten och 38 % ansåg att de ökade kvaliteten. Det fanns dock en del negativa uppfattningar också – 16 % ansåg att AI-verktyg fick arbetet att kännas mer transaktionsbaserat och 14 % ansåg att de begränsade sin kreativitet.
Människor vill ha AI-verktyg som absorberar tråkiga, repetitiva aspekter av deras roll, så att de bättre kan utföra det arbete de tycker bäst om. Slagarbete dominerar arbetsveckan för många människor, även för högavlönade och kvalificerade arbetare.
Människor vill skydda de mänskliga egenskaperna och intressanta aspekterna av sitt arbete, och de vill behålla viss kontroll och frihet över hur de fungerar. Kritiskt sett vill de bevara möjligheten att känna mening, syfte och tillfredsställelse i sitt arbete.
När vi utformar interaktion mellan människa och AI, särskilt interaktion med agenter, finns det några viktiga saker att göra rätt.
Det börjar med att tydligt definiera målet och värdet av arbetet och ställa upp tydliga förväntningar på vad människor och AI-agenter är ansvariga för. Ledare måste vara medvetna om var AI:s styrkor bäst används, var mänskliga förmågor är avgörande och var en kombination ger mest värde.
Det är därför vi tar en människa i ledningen, där människor styr bedömningen, besluten och tillsynen, och AI-agenter ger det stöd som stärker arbetet. Detta kräver kompletterande roller och ansvar, där människor behåller ett tydligt ansvar för arbetsflöde och beslut.
Både AI-agenter och mänskliga arbetare måste utbildas för att utföra sina roller väl. AI bör ge korrekta, konsekventa resultat; minimera partiskhet; anpassa sig till olika sammanhang; upprätthålla säkerhet och integritet; generera utdata av hög kvalitet; och vara förklarlig. Mänskliga arbetare måste kunna använda och bedöma AI-utdata – iterera, förbättra och veta när de ska utmana. I vissa fall innebär detta att ge människor tid och utrymme att använda de förmågor som vi förlitar oss på människor för de flesta:strategiskt tänkande, omdöme, empati, relationsbyggande och kreativitet. Vi vill ha interaktioner mellan mänskliga agenter som främjar fortsatt lärande och förbättring för båda. Vi återkommer till denna idé om samlärande senare.
Bra interaktion kräver också enkla, intuitiva gränssnitt. Detta inkluderar att bädda in agenter direkt i arbetsflödet – till exempel i en relationschefsarbetsbänk eller ärendehanterarkö – och använda konversationsgränssnitt för att öka användbarheten. Människor bör behålla kontrollen:kunna stänga av, åsidosätta eller redigera AI-utdata. Det ska alltid vara tydligt när någon interagerar med AI, vad AI har gjort och hur den gav sina resultat.
Många finansiella tjänstearbetare vill ha mer tid för djupgående arbete – ge råd till kunder, lösa komplexa problem eller utveckla kreativa förslag. Väl utformade AI-verktyg kan minska kognitiv belastning och skapa förutsättningar för djupt arbete (Newport, 2016):fokus, flöde och kreativ problemlösning. När agenter filtrerar brus, tar fram de rätta insikterna och automatiserar rutinuppgifter, frigör de arbetarna att koncentrera sig på det tänkande som driver kundens resultat. Det här är kognitiv ergonomi i aktion — att forma tekniken kring rytmen av mänsklig uppmärksamhet och motivation (Sudiarta, 2023), snarare än runt maskinen.
Enkelt uttryckt om agenter nu är våra medarbetare, låt oss se till att vi har bra lagkamrater.
Vi arbetade med en av de största försäkrings- och pensionsleverantörerna i USA för att återuppfinna deras kontaktcenter med agent AI. Lösningen använde fyra Super Agents och 12 återanvändbara Utility Agents byggda på Accentures AI Refinery. Det bildade ett helt uppkopplat system:16 API:er integrerade i system för anspråk, policy och emissionsgarantier, med stöd av två års minne för kundinteraktion.
Kunden investerade mycket i tester för att bygga upp förtroende – mer än två miljoner utbildnings- och testsamtal, granskade av 30 experter under tre månader. Ett resultat var en personlig digital assistent som erbjöd relaterbar vägledning (inte råd) till kunder, minskade grundläggande samtalsvolymer och ökade digitala potentiella kunder.
För kontaktcenterrepresentanter upptäcker agenterna uppringarens avsikter och känslor, får tillgång till kunddata, visar kontextuell vägledning och rekommenderar den näst bästa åtgärden. Detta förbättrade NPS, stärkte samtalsupplösningen och minskade utbildningsbehovet med 50 %. Mänskliga representanter kan nu fokusera på empati, omdöme och kundservice med högre värde.
Vi ser liknande resultat för amerikanska försäkringsbolag, inklusive en grupplivsbolag och en liv- och pensionsleverantör.
Vad sägs om högkvalificerat professionellt arbete? På Accenture har vi redan använt 14 specialiserade AI-agenter under hela kampanjens livscykel för att stödja våra 2 000 marknadsförare. Kampanjer tog en gång upp till 150 dagar. Genom att använda SynOps för att analysera arbetsflöden identifierade vi var tid slösades bort och var kvaliteten kunde förbättras. Resultaten var avgörande:ansträngningen minskade kraftigt – 67 % för kreativa briefer, 90 % för första utkastet – och hastigheten till marknaden förbättrades med 25–35 %. Arbetet gav också en kostnadssläppning på 80 miljoner dollar. Dessa agenter förstärker marknadsförares kreativitet och genomslagskraft; de ersätter den inte.
Vi levererar liknande värde för alla finansiella tjänster. I en stor asiatisk bank, ett USA-baserat livförsäkringsbolag och flera globala banker håller agent AI på att omforma marknadsföringsarbetet. En global bank stöder nu 50 % av sina kampanjer med AI, vilket ökar kreativitetens hastighet med 50 % och ökar det totala antalet kampanjer med 20 %, med ett mål på 35 % tillväxt. En annan stor asiatisk bank uppnådde 50 gånger fler mikrosegmenterade kampanjer, ökade meddelandehastigheten med 80 % och minskade skapandet från 30 dagar till 3. Dessa tillvägagångssätt lyfter marknadsföraren och skapar kampanjer med mer relevans, snabbare marknadspenetration och effektivare kundengagemang.
Agentisk AI öppnar kraftfulla nya möjligheter för att återuppfinna arbetet inom finansiella tjänster. För att använda det väl måste vi återgå till grunderna för arbetsdesign och fatta disciplinerade beslut om hur människor och AI ska interagera. Nyckelfrågor inkluderar:
AI - särskilt agent AI - är kraftfull, men inte alla problem behöver den. Många återuppfinnande ansträngningar kräver en blandning av processförändringar, enklare teknologier och lättare former av AI. Ofta är enkelt arbete eller beräkningar på strukturerad data bättre betjänt av grundläggande algoritmer eller traditionell teknik. Enkla punktuppgifter motiverar sällan agent AI.
AI bär också verkliga kostnader. Agentarkitekturer är symbolintensiva, vilket gör dem dyra och energitunga. Kostnaderna för stora språkmodeller sjunker med ungefär 50 % årligen, och återanvändning och förbättrade modeller gör agentisk AI mer överkomlig. Trots det bör vi bara använda AI när värdefallet är tydligt.
Principen är enkel:använd AI där det tillför meningsfullt värde och undvik det där det inte gör det.
Viktiga idéer för reflektion — jag tar tacksamt emot dina tankar:
I min nästa blogg kommer jag att titta på hur organisationer kan leda denna snabbt föränderliga förändring.
För att se hur ett människocentrerat förhållningssätt till AI skalar över bankverksamhet med praktiska åtgärder, läs våra Top Banking Trends for 2026 rapportera.
Hur kvalificerar jag mig för ett privat studielån?
Hur 2018 års skatteplan påverkar finansieringen av utrustning
Förkvalificering av bolån:5 fördelar för bostadsköpare
Några sparsamma (och dyra) datumidéer
Vad är ett markkontrakt i Indiana?
Futures Trading Strategier som optimerar risk kontra belöning
Budgetera diskretionära, rörliga och fasta utgifter
Mastering Motley Fool Stock Advisor:En nybörjarguide