JPMorgan увеличивает расходы на искусственный интеллект, поскольку бюджет на технологические разработки приближается к 20 млрд долларов

Искусственный интеллект переходит от экспериментальных пилотных программ к основным бизнес-системам крупных корпораций. Эту тенденцию наглядно иллюстрирует пример JPMorgan Chase: согласно прогнозам, растущие инвестиции в ИИ приведут к увеличению технологического бюджета банка примерно до 19,8 млрд долларов США к 2026 году.

Этот бюджетный план подчеркивает более широкую трансформацию, происходящую в крупных предприятиях. ИИ больше не рассматривается как второстепенная исследовательская инициатива; вместо этого компании интегрируют его в анализ рисков, выявление мошенничества и операции по обслуживанию клиентов.

Для бизнес-лидеров, наблюдающих за тем, как внедрение ИИ меняет технологические стратегии предприятий, цифры JPMorgan подчеркивают важную тенденцию: ИИ становится неотъемлемой частью повседневных систем, на которых работают крупные организации.

Технологический бюджет JPMorgan и растущие инвестиции в ИИ

Расходы на технологии в банковском секторе стабильно растут на протяжении многих лет. Бюджет JPMorgan выделяется своими масштабами.

По данным Business Insider, ссылающегося на брифинги компании и обсуждения с инвесторами, JPMorgan ожидает, что расходы на технологии достигнут примерно 19,8 млрд долларов США в 2026 году, продолжая устойчивую тенденцию к росту. Эти расходы охватывают облачную инфраструктуру, кибербезопасность, системы данных и инструменты ИИ.

Часть увеличения бюджета включает примерно 1,2 млрд долларов США дополнительных инвестиций в технологии, часть которых выделена на инициативы, связанные с ИИ.

Крупные банки обычно рассматривают расходы на технологии как долгосрочные инвестиции, а не как краткосрочные затраты. Разработка многих из этих систем занимает годы, особенно если они опираются на обширные платформы данных и безопасную вычислительную инфраструктуру.

Поскольку системы ИИ требуют надежных каналов передачи данных и вычислительной мощности, многие компании обнаруживают, что внедрение ИИ часто вызывает более широкие обновления во всем их технологическом стеке.

Машинное обучение уже приносит результаты

Руководители сообщают, что ИИ уже влияет на показатели деятельности банка. В ходе обсуждений с инвесторами финансовый директор JPMorgan Джереми Барнум отметил, что аналитика на основе машинного обучения способствует росту выручки и операционным улучшениям в различных сферах деятельности компании.

В репортаже Reuters о финансовых брифингах JPMorgan подчеркивается, что банк использует модели данных и системы машинного обучения для улучшения анализа и принятия решений во многих сферах бизнеса.

Эти модели способны обрабатывать огромные объемы финансовых данных и выявлять закономерности, которые человеку было бы сложно обнаружить. В таких секторах, как банковское дело, где компании ежедневно обрабатывают огромные потоки данных, подобные усовершенствования могут повлиять на результаты в сфере торговли, кредитования и работы с клиентами.

Даже незначительные усовершенствования моделей прогнозирования могут повлиять на финансовые показатели при применении к миллионам транзакций или рыночных сигналов.

Где ИИ используется в банке

Инструменты машинного обучения в настоящее время поддерживают разнообразную деятельность в JPMorgan.

На финансовых рынках модели анализируют торговые данные и выявляют закономерности в динамике цен. Эти аналитические данные помогают трейдерам оценивать риски и выявлять возможности на быстро меняющихся рынках.

Кредитование — еще одна область, где задействуются системы ИИ. Модели машинного обучения анализируют финансовую историю, рыночные тенденции и данные о клиентах, чтобы помочь оценить кредитный риск. Они помогают аналитикам, выделяя закономерности в данных.

Выявление мошенничества остается одним из наиболее распространенных применений ИИ в банковской сфере. Платежные сети ежедневно обрабатывают огромные объемы транзакций, что делает ручной мониторинг нецелесообразным. Системы машинного обучения сканируют транзакции практически в режиме реального времени и отмечают необычное поведение, которое может указывать на мошенничество.

Внутренние операции также используют ИИ. Инструменты могут анализировать контракты, обобщать отчеты по исследованиям или помогать сотрудникам осуществлять поиск в больших внутренних системах данных. Системы генеративного ИИ начинают помогать в составлении отчетов и подготовке внутренней документации.

Эти системы редко взаимодействуют напрямую с клиентами, но лежат в основе многих решений, принимаемых «за кулисами».

Почему банки стали одними из первых пользователей ИИ

Финансовые учреждения обладают несколькими характеристиками, которые делают их идеальными для машинного обучения.

Во-первых, банки генерируют большие структурированные наборы данных. История транзакций, рыночные отчеты и данные о платежах предоставляют богатую информацию для анализа моделями машинного обучения.

Во-вторых, многие виды банковской деятельности основаны на прогнозировании. Кредитный скоринг, выявление мошенничества и анализ рынка — все это предполагает оценку результатов на основе исторических данных.

Машинное обучение превосходно работает в средах, где прогнозирование занимает центральное место.

В-третьих, повышение точности моделей приносит ощутимую финансовую выгоду. Модель, которая даже незначительно улучшает обнаружение мошенничества или принятие решений о выдаче кредитов, может повлиять на огромные объемы транзакций.

Эти факторы объясняют, почему банки вкладывали значительные средства в науку о данных и аналитику задолго до недавнего всплеска интереса к генеративному ИИ.

Инвестиции JPMorgan в ИИ отражают более широкий сдвиг в корпоративном секторе

Планы расходов JPMorgan также иллюстрируют, как инвестиции в ИИ интегрируются в более широкие технологические бюджеты предприятий.

Во многих организациях системы ИИ зависят от современных платформ данных, безопасных облачных сред и значительных вычислительных ресурсов. По мере того как компании закладывают эту основу, ИИ становится проще внедрять в различных подразделениях.

Для многих компаний внедрение ИИ начинается с целевых задач, таких как обнаружение мошенничества, анализ документов или автоматизация поддержки клиентов. Как только системы демонстрируют свою ценность, компании расширяют их применение на другие области организации.

Этот процесс может занять несколько лет, поэтому расходы предприятий на ИИ часто сопровождаются более широкими инвестициями в инфраструктуру данных.

Уроки для руководителей предприятий

Пример JPMorgan показывает, что наиболее успешные проекты в области ИИ часто начинаются с четко определенных бизнес-задач, а не с широких экспериментов.

Банки часто применяют машинное обучение в тех областях, где прогнозирование и анализ данных уже занимают центральное место. Обнаружение мошенничества и кредитное моделирование являются распространенными отправными точками, поскольку их преимущества более измеримы.

Еще один урок заключается в том, что внедрение ИИ требует постоянных инвестиций. Создание надежных моделей зависит от эффективного управления данными, вычислительных ресурсов и квалифицированных команд.

Для крупных организаций эти усилия становятся частью рутинного технологического планирования, а не отдельным инновационным проектом.

По мере того как компании продолжают расширять свои возможности в области ИИ, технологические бюджеты, подобные бюджету JPMorgan, могут дать представление о том, как могут развиваться расходы предприятий в ближайшие годы.

См. также: JPMorgan Chase рассматривает расходы на ИИ как основную инфраструктуру

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это комплексное мероприятие является частью TechEx и проходит одновременно с другими ведущими технологическими событиями. Нажмите здесь дляполучения дополнительной информации.

AI News поддерживается TechForge Media. Узнайте о других предстоящих мероприятиях и вебинарах по корпоративным технологиям здесь.