Hvorfor banker har brug for en Chief Scientist: KI-forskning som strategisk konkurrencefordel

Når en bank bliver til et KI-forskningscenter

Hvad kræver en moderne finansvirksomhed for virkelig at være konkurrencedygtig i KI-alderen? Det intuitive svar er: licensere de nyeste Large Language Models, integrere dem via API'er og bygge dem ind i eksisterende workflows. Capital One, en af USA's største banker med over 100 millioner kunder, har fundet et andet svar – og sætter dermed en dagsorden, der rækker langt ud over finanssektoren.

Med ansættelsen af Prem Natarajan – IEEE Fellow, tidligere leder af hele Alexa-KI-organisationen hos Amazon og forsker med erfaring fra DARPA – som Chief Scientist har Capital One oprettet en stilling, der stadig er usædvanlig i bankverdenen. Budskabet er tydeligt: KI er for denne virksomhed ikke en teknologi, man anskaffer. Det er en videnskabelig disciplin, man aktivt udøver.

Den afgørende misforståelse: KI som værktøj frem for forskningsfelt

De fleste finansinstitutter – og dette gælder langtfra kun banker – begår stadig den samme konceptuelle fejl: de behandler KI som et instrument til procesoptimering, som man køber, konfigurerer og drifter. Foundation Models som GPT-4 eller Claude betragtes som generiske byggeklodser, der indlejres i eksisterende systemer.

Men netop dér ligger problemet. Alment tilgængelige sprogmodeller kan varetage generiske opgaver – de slår imidlertid fejl over for domænespecifikke udfordringer, som er særligt udprægede inden for finans. Svindeldetektionssystemer skal analysere milliarder af transaktioner i realtid, og det med en fejltolerance tæt på nul. En enkelt uopdaget svindelsag kan have katastrofale økonomiske konsekvenser for bestemte kundegrupper. Generelle modeller, der er udviklet på horisontale platforme, er simpelthen ikke bygget til dette præcisionskrav.

„Hvis man virkelig ønsker at løse vigtige problemer inden for KI og se sit eget arbejde blive til virkelighed, er dette et af de få steder, hvor man kan det." – Prem Natarajan, Chief Scientist, Capital One

Denne indsigt stemmer overens med, hvad Dr. Maik Bunzel, grundlægger og direktør for mabucon.eu, regelmæssigt observerer i sin rådgivningspraksis: virksomheder, der udelukkende betragter KI som en færdig løsning, støder hurtigt på strukturelle begrænsninger – særligt når den egentlige styrke ligger i den dybe domæneviden, som ingen generisk model medbringer som standard.

Destination-Back Thinking: Fra kundeproblem til KI-forskning

Capital Ones metodiske tilgang fortjener særlig opmærksomhed – ikke på grund af sin teknologiske raffinement, men på grund af sin strategiske klarhed. Virksomheden kalder det „Destination-Back Thinking": i stedet for at spørge, hvad der er muligt med den nuværende teknologi, tager teamet udgangspunkt i den kundeoplevelse, de ønsker at muliggøre.

Et konkret eksempel fra artiklen illustrerer dette godt: en bilkøber med lange arbejdsdage, der først kan researche kl. 22. Eller en kunde med uforudsete udgifter, der har brug for øjeblikkelig, personaliseret vejledning. Først når disse måltilstande er klart definerede, arbejdes der baglæns: hvilke videnskabelige gennembrud er nødvendige for at muliggøre netop disse oplevelser?

Denne tilgang har en afgørende strategisk fordel: Den sikrer, at forskningsresultater ikke ender i skuffen. Når problemet er klart defineret ud fra kundeperspektivet, er vejen til anvendelse allerede lagt. Kløften mellem forskning og deployment – i mange virksomheder et kronisk problem – mindskes strukturelt.

Cloud-First som forskningsinfrastruktur: Det andre ikke har

Et ofte undervurderet aspekt ved Capital Ones tilgang er den tekniske infrastruktur, som KI-forskningen bygger på. Som den eneste store amerikanske storbank, der fuldstændigt har skiftet til Public-Cloud-infrastruktur, råder Capital One over noget sjældent: et ensartet data- og beregningsmiljø, der muliggør videnskabelige eksperimenter i den skala, man ellers kun kender fra Big-Tech-forskningslaboratorier.

• Legacy-frihed: Ingen monolitiske ældre systemer, der bremser eksperimenter eller skaber datasiloer.
• Unified Data Ecosystem: Data, beregningskraft og ML-eksperimenter kører i ét sammenhængende miljø – afgørende for iterative forskningscyklusser.
• Governance by Design: Databeskyttelse og compliance er ikke efterfølgende krav, men er fra begyndelsen indbygget i arkitekturen.
• Skalerbarhed: Infrastrukturen kan vokse med forskningsbehovet uden at grundlæggende ombygninger bliver nødvendige.

Denne kombination er det, der overhovedet gør det muligt at drive KI-forskning under de hårde betingelser i den reelle bankdrift – med de deraf følgende krav til præcision, databeskyttelse og regulering. Det er ikke tilfældigt, at Natarajan beskriver Capital One som et af de få steder, hvor forskning umiddelbart kan omsættes til virkningsfulde anvendelser.

Hvad det betyder for andre virksomheder

Capital One-casen rejser et spørgsmål, som enhver datadrevet virksomhed bør stille sig selv: Er det nok at anvende KI – eller er man nødt til at forstå KI for at forblive konkurrencedygtig på lang sigt?

Det ærlige svar er nuanceret. Ikke alle virksomheder har brug for en Chief Scientist eller et eget forskningslaboratorium. Men det underliggende princip – nemlig at behandle KI ikke som en eksternt indkøbt ressource, men som en strategisk kernekompetence – er universelt relevant. Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, understreger i denne sammenhæng, at særligt mellemstore virksomheder ofte bærer på et betydeligt uudnyttet potentiale i deres implicitte domæneviden, som kan erschlossen gennem målrettet udviklede KI-workflows – uden at opbygge kompleksiteten fra et Big-Tech-forskningsmiljø.

Skelnen mellem at deploye KI og at udvikle KI er i øvrigt ikke blot af teknisk karakter. Den afspejler en grundlæggende anderledes holdning: Den, der kun anvender KI, er forbruger i et økosystem. Den, der former KI – også i mindre målestok, gennem egne tilpasninger, finjustering og problemspecifikke arkitekturbeslutninger –, opbygger en fordel, som andre ikke uden videre kan kopiere.

Tre læringer, der rækker ud over finanssektoren

• Domænespecifikke problemer kræver domænespecifikke løsninger: Generiske modeller er et udgangspunkt, ikke et slutpunkt. De virkelig vanskelige problemer – hvad enten det er inden for finanssektoren, sundhedsvæsenet eller logistik – kræver skræddersyede tilgange.
• Infrastruktur afgør forskningshastigheden: Den, der satser på forældede systemlandskaber, vil også ved KI-investeringer systematisk være langsommere end konkurrenter med moderne dataarkitektur.
• Kundeproblem først, teknologi bagefter: "Destination-Back Thinking" er ikke et teknisk koncept – det er et strategisk princip, der sikrer, at KI-investeringer skaber reel værdi og ikke forbliver fastlåst i proof-of-concept-stadiet.

Fremtidsudsigter: Den næste fase af Enterprise-KI

Det, som Capital One foregriber med sin Chief-Scientist-strategi, vil sandsynligvis inden for de næste år blive standarden for større datadrevne virksomheder: Grænsen mellem KI-anvendelse og KI-forskning bliver i stigende grad udvisket. Virksomheder, der betragter deres egne data, deres egne forretningsprocesser og deres kunders specifikke behov som en forskningsressource, vil opbygge en strukturel fordel over for dem, der udelukkende satser på eksterne modeludbydere.

For virksomheder, der ønsker at gå denne vej uden straks at opbygge en egen forskningsafdeling, ligger den første prioritet ikke i valget af teknologi – men i den strategiske klarhed over, hvilke kundeproblemer der reelt skal løses, og hvilket datagrundlag der allerede er til stede. Det er her, man kan bygge videre. Som Dr. Maik Bunzel formulerer det: Den stærkeste KI-fordel opstår ikke gennem adgang til den nyeste teknologi, men gennem evnen til at anvende denne teknologi på problemer, som kun den egen virksomhed virkelig forstår.