Medan hajpen kring AI består, formar 2026 sig som året som agent AI kommer att skapa skalad transformation inom finansiella tjänster. En tydlig klyfta växer fram mellan marknadsledarna, jagande flocken och eftersläpande. Visionärer förutser nu uppkomsten av "10×-banken", där en enskild individ leder ett team av AI-kollegor för att leverera exponentiellt större resultat. I denna modell är tillväxten inte längre begränsad av antalet anställda; i stället beror framgång på en organisations förmåga att återuppfinna arbetet och forma en "människa-och-agent"-arbetsstyrka med nästan obegränsad kapacitet och förmåga. Det avgörande är att människor måste fortsätta att ansvara för förändringen och vägleda hur dessa nya AI-samarbetspartners distribueras och styrs.
Accentures Banking Top Trends 2026:Unconstrained banking is here
Läs mer
Den här serien fördjupar sig i dessa förändringar för bank, förmögenhets- och kapitalförvaltning, kapitalmarknader och försäkringar – och kommer att täcka följande:
I slutet av november 2024 var Lord Holmes, David Parker och jag värdar för ett AI-symposium för ledare för finansiella tjänster i London. Det var uppenbart att AI, särskilt generativ AI (GenAI), var en förändring som ägde rum nu och människor tog sig bortom "POC-land".
Många företag som deltog investerade redan hårt i GenAI och använde det i stor skala i produktionen för att möta verkliga affärsutmaningar, ofta med fokus på ostrukturerad data inom kritiska processer som emissionsgarantier. Alla försökte göra det på rätt sätt, med ansvarsfulla AI-räcken och djup omsorg om sina anställda och kunder.
På Sibos i Frankfurt i oktober förra året, inte ens ett år senare och farten hade exploderat. Du kunde inte röra dig utan att stöta på organisationer som använder agent AI för att förändra branschen. Jag var värd för en panel där vi diskuterade AI som en sann medarbetare och lagkamrat – en idé som snabbt har skiftat från teori till praktik.
vi driver AI-aktiverad nyuppfinning i över 2000 engagemang, många av dessa använder agent AI. Vår senaste analys av dessa genAI-projekt visar att ungefär en tredjedel av finansiella tjänsteföretag har skalat AI för kärnprocesser — och de som har ser redan stor avkastning och accelererande investeringar. Vi är bortom hypen och skalan efter värde — och klyftan mellan ledare och eftersläntrade ökar snabbt.
Ett av de framstående ögonblicken vid symposiet var presentationen av en agentisk arkitekturfallsstudie, vid en tidpunkt då idén fortfarande väckte initialt intresse. Vi arbetade med den här banken med hjälp av agent AI för att hjälpa våra ingenjörsteam att påskynda en större migrering av äldre system.
Äldre ersättning är en kritisk affärsfråga för motståndskraft, kostnad och smidighet inom bankverksamhet. Banken drabbades av dålig kvalitet på äldre kod, med 40 % av koden som aldrig granskades. Med tanke på denna komplexitet krävde den initiala planen 250 utvecklare under tre år, med flaskhalsar som redan dykt upp kring seniora utvecklare, äldre kod och domänkunskap.
För att komma till rätta med detta, distribuerade vi AI-agenter för att arbeta tillsammans med våra programvaruingenjörer:
Denna agentarkitektur designades i samarbete med mjukvaruingenjörerna och integrerades i deras arbetsbänk för utvecklare, vilket förbättrade produktiviteten och höjde deras roller. Resultaten var anmärkningsvärda:
Naturligtvis var detta exempel ett "wow"-ögonblick för deltagarna vid symposiet. Sedan dess har de framsteg som gjordes förra året med agent AI blivit ännu mer imponerande och utbredda.
Effekten av teknikleverans är inte bara inom teknik, till exempel har vi gjort datapipelines 98 % effektivare för en stor asiatisk bank och för en stor europeisk bank har vi gjort servicedesken 20 % effektivare.
AI-agenter är program som hanterar uppgifter och arbetsflöden för att uppnå specifika mål. Människor sätter upp målen, men agenterna arbetar mer självständigt och anpassar sina strategier efter behov för att uppnå målet. De tar input, resonerar, beslutar om uppgifter som ska utföras, interagerar med andra agenter och verktyg, granskar deras resultat och bestämmer vilka nästa steg som krävs.
Agenterna "känner" en domänkontext där de har utbildats inom en organisation (t.ex. på specifika utbildningsdata och dokument). De har långtidsminne och kan lära sig av tidigare interaktioner för att optimera beslutsfattandet.
AI-agenter är specialiserade, utbildade för specifika roller och målinriktade. Fördelen med denna specialisering är förbättrad prestanda, eftersom olika agenter kan blandas samman till en totalsumma som är större än summan av dess delar (liknar ett multidisciplinärt team).
Inom agentarkitektur hanterar orkestrator eller övervakande agenter processen och tilldelar uppgifter till specialiserade verktygsagenter.
"Traditionell" eller "klassisk" AI använder vanligtvis maskininlärning och skickliga datavetare. Den har använts i många år i FS för komplexa modeller. Den är otroligt bra på att förutsäga och identifiera den näst bästa åtgärden (dvs. mönster, prognoser, modeller, simuleringar, optimering, rekommendationer) inom definierade parametrar och indata.
GenAI skapar innehåll baserat på en uppmaning till en stor språkmodell för att producera en utdata - de flesta av oss är vana vid ChatGPT, CoPilot, Claude eller andra modeller nu. GenAI-modeller blir allt kraftfullare och kan till och med producera flermodeller som film eller spel. En skicklig användare kan uppmana på olika sätt eller i en kedja att förfina dessa utdata. Men dessa modeller i sin vaniljform kan inte hantera dynamiska uppgifter och utföra flerstegsplaner – de kan producera, men det kan inte arbeta mot ett mer komplext mål.
Medan i agent AI strävar flera AI-agenter tillsammans efter och uppnår mer komplexa, mångfacetterade mål med mindre mänsklig inblandning i varje steg.
Detta är övergången från passiv innehållsgenerering (GenAI) till uppgiftsspecifik exekvering (AI Agents) till mer autonom multi-agent orkestrering (Agentic AI) (se Sapkota 2025 för mer om detta).
Alla tidigare former av AI (t.ex. maskininlärning, djupinlärning, GenAI) förblir relevanta, men det är agent AI:s förmåga att återuppfinna arbete genom att "göra saker tillsammans" som är betydligt större.
Även om exemplet med mjukvaruleverans är intressant och mycket relevant för FS, låt oss utforska ytterligare några exempel för att göra detta till liv.
Vi får ofta frågan om agent AI kan tillämpas på risk och efterlevnad? Svaret är ja! Vi hjälper ett antal banker att omvandla "Know Your Customer" (KYC) med hjälp av AI.
Tidigare har KYC varit en långsam och kostsam manuell process med äldre system, med utmaningar kring upptäcktsfrekvenser och falska positiva resultat, och påverkan på klientintroduktion och periodiska granskningar.
Agentisk AI gör att KYC-processen kan omformas, inte längre bunden av sekventiell bearbetning. KYC-analytiker fokuserar inte längre på mycket manuella aktiviteter och kan istället lägga sin tid på bedömningsbaserat undersökningsarbete med högt värde.
Här är tre exempel på hur transformationen av KYC med hjälp av AI har utvecklats under de senaste åren, från fristående GenAI-användningsfall, genom LLM-arbetsflöden, till en agent från slut till slut-process.
På en europeisk bank var en av de tidigaste användningarna att klassificera dokument, ta in och extrahera KYC-datapunkter, validera och åtgärda saknade data, och sedan presentera data i ett konsekvent format för KYC-agenten att validera. För komplexa korrespondentbanksärenden minskade detta intagstiden med 99 % och minskade kostnaderna med 94 %, samtidigt som kvaliteten höjdes för dessa uppgifter.
På en av de globala bankerna som började med rikedom började vi med språköversättning (sparar 90 000+ timmar per år), vägledning för KYC-agenter (minskande av avslagsfrekvensen), dokumentklassificering (95 % initial noggrannhet) och partiidentifiering (som minskar tiden med 50 %) och sammanfattning av ärenden etc. Dessa var mer expansiva användningsområden över arbetsflöden.
Senast, på en annan global bank, använder vi agenter över hela livscykeln från början till slut med förmögenhetskälla (en stor affärsutmaning) där agenterna kan extrahera relevant information från dokument, identifiera var det saknas dokument eller data, generera en källa till förmögenhetsberättelse och granska den berättelsen för noggrannhet och fullständighet. Den mänskliga KYC-analytikern är fortfarande i kretsen och har den ultimata kontrollen över ärendehanteringen, men kan höja produktiviteten, noggrannheten och klientupplevelsen med dessa agenter. Med hjälp av agent AI kan vi stödja mer av hela värdekedjan.
För en europeisk försäkringsgivare utvecklar vi agent AI för skadeanspråk i egendoms-, olycks- och trafikförsäkringsskador. Reklamationer har en betydande ekonomisk och kundpåverkan om felaktiga beslut fattas. För många försäkringsgivare är anspråk en arbetskrävande process, med mycket tid som används för att hantera ostrukturerade data och dokument.
Vi utvecklade AI-agenter för att sitta på toppen av anspråksplattformen och orkestrera ut till andra system, vilket stöder den mänskliga skadehanteraren. AI-agenterna stödjer uppgifter som informationsinsamling, datakvalitet, policy- och täckningskontroller, policyutdrag, sammanfattning av anspråksdata (inklusive det första meddelandet om förlust, kund- och expertinmatningar, kundkorrespondens) och till och med visst stöd för rättstvister, bedrägerier och reservhantering.
Genom alla dessa uppgifter stödjer agenterna skadehanteraren att vara ansvarig som "människan i ledningen" - de kan till exempel enkelt titta tillbaka i källdata. Vi har kunnat frigöra 20 % av deras kapacitet, fokusera sin tid på bättre beslutsfattande (förbättra anspråksprecisionen med 1 %) och stödja förhandlingar i de mest komplexa och värdefulla anspråken.
Vi har sett liknande arbete från ett USA-baserat skadeförsäkringsbolag till komplexa kommersiella anspråk.
Föreställ dig agentisk AI som din medarbetare, där du har teammedlemmar som är dedikerade till dig som är specialiserade på sitt stöd till dig och till och med kan ge dig perspektiv och styrkor som kompletterar dina egna.
Som företagsledare, tänk dig att ha en arbetsstyrka, inte på 100 000 anställda, utan av en miljon människor och agentarbetare med betydligt större kapacitet och förmåga, som utför arbetet på ett radikalt annorlunda sätt.
För att inse värdet av agentarkitektur är rätt datagrunder, ansvarsfulla AI-ramverk, infrastruktur och kompetens avgörande. Vi har hjälpt många bank- och försäkringskunder att implementera dessa i sina verksamheter, inklusive att arbeta med ledningsgrupper och styrelser. Det mest kritiska steget är att identifiera de rätta affärsmöjligheterna och värdeströmmarna, involvera en arbetsstyrka som förstår dessa områden bäst och ta ett människocentrerat tillvägagångssätt. För att påskynda detta har vi tillgångar för att analysera och återuppfinna viktiga värdekedjor, processer och personal inom bank och försäkring. Detta inkluderar "ready to go"-agenter utvecklade på Accenture Refinery, baserade på NVIDIA och partnerskap med de ledande AI-ekosystemspelarna.
JPMorganChase ger ett särskilt intressant fallexempel på att rotera till AI snabbt och i skala. De har demokratiserat självbetjäningsåtkomst för 200 000 anställda till sin LLM Suite på mindre än ett år, varav hälften använder den 3+ gånger om dagen.
Detta har lett till utbredda idéer, experiment och tillämpning (inom ett säkert utrymme och till gynnsam marginalisering av kostnaden). De kan sedan skörda de goda idéerna, investera och skala dem med ett "riskkapital"-tänk.
De har nu specialiserad AI och agent AI över olika affärsenheter. Detta distribuerade tillvägagångssätt för förändring är inte en laissez faire gratis för alla. Alla modeller är registrerade och kontroller på plats för att stödja säker skalning. Det finns dock olika vägar för användningar med högre risk (separat riskkommitté, fullständig modellgranskning) jämfört med lågriskanvändning (sponsor granskad).
Avgörande är att JPMorganChase har investerat i adoption, skapat utrymme för högaktuella tidiga användare och hjälpt följare och massanvändare att komma ombord också. De uppmuntrade arbetsavbrott:"Låt AI äta ditt jobb; vi har massor av andra jobb här för dig att utföra. Ditt jobb kommer inte att tas av AI; det kommer att tas av en person som behärskar användningen av AI" (Mary Erdoes, VD för JPMorganChases Asset &Wealth Management (AWM) division).
Deras högväxande miljö med hög talang har gjort det möjligt för dem att skapa ett meritokratiskt men människocentrerat tillvägagångssätt för att engagera sin personal i förändringen. Det här handlade om att röra sig snabbt, men också att ha en plan för förändring av personalstyrkan:"Ju mer jag vet om det, desto mer kan jag planera för det, låta utslitningen vara min vän och vid behov omplacera, omskola, etc." (Jamie Dimon, VD, JPMorganChase).
I slutet av var och en av dessa bloggar kommer jag att inkludera några viktiga takeaway-punkter och frågor - använd gärna dessa inom ditt team eller låt mig veta om du vill chatta genom dem.
I min nästa blogg kommer vi att utforska hur ledande finansiella tjänsteföretag närmar sig AI på ett människocentrerat sätt och hur vi kan använda agentarkitektur för att påskynda återuppfinnandet av arbetet.
För en djupare bild av hur agent AI förändrar arbetet inom finansiella tjänster, läs våra Top Banking Trends for 2026 rapportera.
Allt om lönekort
Seniorboende och samboalternativet
Skörda besparingarna! Gör ditt hem miljövänligt
Tre typer av marknadsandelar
Hur man bestämmer avskrivning av mark vs. Hus
OMG Network (OmiseGo):En djupdykning i plasma och decentraliserad skalning
Vad är kollisionsförsäkring och vad täcker den?
10 sätt att spara på ditt mobilabonnemang