Mye investeringsrådgivning svikter ikke nødvendigvis i selve rådet.
Den svikter i grunnlaget for rådet.
Under MiFID skal rådgiver innhente informasjon om kunden før det gis investeringsråd. Det er ikke en formalitet. Rådgiver skal forstå kundens kunnskap og erfaring, økonomiske situasjon, risikovilje, investeringsmål og tidshorisont. Deretter skal rådet begrunnes på en måte som viser hvorfor anbefalingen faktisk passer kunden.
I teorien er dette en god prosess.
I praksis blir den ofte ujevn.
Informasjonen om kunden kan være mangelfull. Svarene kan være uklare. Risikoprofilen kan være for lite nyansert. Begrunnelsen for rådet kan bli standardisert, generell eller for tynn. Ikke nødvendigvis fordi rådgiveren ikke bryr seg, men fordi prosessen er krevende. Det er mye som skal innhentes, vurderes, dokumenteres og forklares. Gjerne i en travel kundesamtale, med systemer som ikke alltid hjelper.
Dette er et godt eksempel på hvor AI-agenter kan bli interessante.
Ikke først og fremst fordi de kan gi investeringsråd. Det er ikke poenget. Poenget er at de kan forbedre prosessen rundt rådgivningen.
Se for deg en agent som støtter rådgiveren før rådet gis. Den går gjennom kundeinformasjonen og sjekker om noe mangler. Har kunden oppgitt nok om økonomi? Er tidshorisonten tydelig? Henger risikoviljen sammen med kundens erfaring? Er det motstrid mellom det kunden sier at vedkommende tåler av tap, og produktet som vurderes anbefalt?
Hvis noe mangler, ber agenten rådgiveren stille flere spørsmål.
Deretter kan agenten hjelpe med selve begrunnelsen. Ikke ved å erstatte rådgiverens vurdering, men ved å teste den. Er anbefalingen forklart konkret nok? Viser begrunnelsen hvorfor produktet passer akkurat denne kunden? Er sentrale forutsetninger dokumentert? Er det forhold som bør løftes til manuell kontroll?
Dette er nyttig i seg selv.
Men den virkelige verdien kommer først når dette settes i en læringsloop.
Tenk deg at hver rådgivningsprosess blir loggført. Ikke for å overvåke rådgiveren på en meningsløs måte, men for å lære av prosessen. Hvilke kundeopplysninger manglet ofte? Hvor var begrunnelsene svakest? Hvilke saker måtte compliance sende tilbake? Hvilke spørsmål burde vært stilt tidligere i kundedialogen?
Da kan prosessen forbedres neste gang.
Hvis agenten ser at rådgivere ofte mangler informasjon om kundens likviditetsbehov, kan spørreskjemaet forbedres. Hvis begrunnelsene ofte blir for generelle, kan malen strammes inn. Hvis kontrollfunksjonen ofte reagerer på samme type formuleringer, kan agenten lære å flagge dem tidligere. Hvis enkelte produkter krever mer presis dokumentasjon, kan dette bygges inn i arbeidsflyten.
Neste gang starter man ikke fra samme sted.
Dette er det jeg mener med en selvforsterkende læringsloop: instruks, handling, logging, evaluering, justering og ny handling basert på feedback.
Mennesker gjør dette allerede, til en viss grad. En erfaren rådgiver lærer av tidligere saker. En god compliance-medarbeider ser mønstre. En leder kan justere rutiner etter avvik. Men læringen er ofte fragmentert. Den ligger i hodene til folk. Den kommer frem i møter. Den blir kanskje skrevet ned i en prosedyre. Så går det litt tid, folk bytter rolle, hverdagen tar over, og gamle feil dukker opp igjen.
Organisasjoner har alltid hatt problemer med å gjøre læring operasjonell.
De snakker om erfaringsoverføring, kontinuerlig forbedring og datadrevne prosesser. Men mye av læringen skjer på siden av arbeidet, ikke inne i arbeidet. Den blir et kurs, en presentasjon, en ny policy eller en oppdatert rutine ingen helt husker når kunden sitter foran dem.
AI-agenter kan endre noe av dette.
Ikke fordi de er magiske. Men fordi de kan være tett på selve arbeidsprosessen. De kan lese samme informasjon hver gang. Sjekke samme krav hver gang. Loggføre samme type avvik hver gang. Foreslå forbedringer basert på faktiske mønstre, ikke bare magefølelse.
Det betyr ikke at man bare kan sette på en agent og forvente gode resultater.
Tvert imot.
Å onboarde en AI-agent krever arbeid, omtrent som å onboarde en nyansatt. Den må få kontekst, rammer, eksempler, tilgang, begrensninger og tydelige regler for når den skal stoppe og spørre et menneske. I regulerte prosesser må man i tillegg vite hva agenten får gjøre, hva den ikke får gjøre, hvordan den dokumenterer arbeidet, og hvem som har ansvaret.
Men når dette først settes i system, kan læringen akkumuleres raskere.
Det er særlig interessant i arbeid hvor kravene allerede er tydelige, men etterlevelsen er ujevn. Investeringsrådgivning er ett eksempel. Anti-hvitvasking er et annet. Klagebehandling, kundekontroll, internkontroll og rapportering har mye av den samme dynamikken: mange krav, mye dokumentasjon, mange vurderinger og høy kostnad ved dårlig kvalitet.
Her er ikke verdien bare at AI kan spare tid.
Verdien er at prosessen kan bli bedre for hver runde.
Hvis en vurdering var svak, kan det fanges opp. Hvis en begrunnelse var uklar, kan den forbedres. Hvis informasjon manglet, kan spørsmålet stilles tidligere neste gang. Hvis agenten burde ha eskalert saken, kan regelen endres.
Dette er ikke en erstatning for faglig skjønn. Det er en måte å beskytte faglig skjønn mot dårlige prosesser.
For det er ofte der problemet ligger. Ikke at folk ikke kan jobben sin. Men at systemene rundt dem ikke hjelper dem godt nok med å gjøre jobben riktig, hver gang.
Jeg tror mange virksomheter undervurderer dette poenget. De ser på AI som et produktivitetsverktøy. Noe som kan skrive raskere, oppsummere møter eller lage utkast. Det er nyttig. Men det er ikke nødvendigvis der den største verdien ligger.
Den største verdien kan ligge i at organisasjonen lærer raskere.
Start med én prosess. Én oppgave. Én vurdering som ofte blir ujevn. La agenten støtte arbeidet, loggføre hva som skjer, evaluere resultatet og forbedre instruksen. Gjør det igjen.
Da handler ikke AI bare om å gjøre arbeid raskere.
Det handler om å bygge organisasjoner som blir litt bedre hver gang arbeidet utføres.