Het overwinnen van datafragmentatie en de beperkingen van AI in transactiewinstgevendheid

Tijdens een speciale sessie van de FF News Virtual Arena kwamen branchespecialisten bijeen om een kritieke knelpunt in bankoperaties te bespreken: hoe datafragmentatie en verouderde architectuur financiële instellingen rechtstreeks winstgevendheid doen verliezen binnen hun transactiestromen.

De discussie omvatte:

• Ian Horne, Host bij FF News

• Mariia Komissarova, Data en AI Retail Business Lead bij Raiffeisen Bank International

• Breno Alves De Oliveira, Chief Product Officer bij PAYABL

• Kirill Lisitsyn, Medeoprichter en CEO bij Torus

Het panel onderzocht de verborgen operationele kosten van onbenutte dataverzamelingen, de beperkingen van niet-deterministische kunstmatige intelligentie, en de strategieën die financiële instellingen moeten inzetten om ruwe data te transformeren tot een kernfundament voor marktoverleving.

De Oorsprong van Winstlekkage: Verouderde Infrastructuur en Gestructureerde Dataobstakels

Voor multigenerationele financiële instellingen op de markt, zoals Raiffeisen Bank International, vormt verouderde infrastructuur een primaire interne barrière voor optimalisatie. Mariia Komissarova legde uit dat de kernuitdaging die banken winstgevendheid doet verliezen in transactiestromen fundamenteel een dataprobleem is.

Omdat historische bankapplicaties in afzonderlijke silo's opereren, is het verzamelen en structureren van zakelijke transactiedata in een transparant, georganiseerd formaat uitzonderlijk moeilijk. Zonder een gestructureerd kader is het berekenen van de precieze winstgevendheid van een individuele financiële transactie vrijwel onmogelijk.

Deze problematiek is geworteld in historisch databeheer en een gebrek aan inzet van moderne frameworks. Geavanceerde organisatorische paradigma's, zoals het concept "data mesh", zijn op de markt verschenen maar blijven slecht verspreid over grote bancaire ondernemingen.

Nu de mondiale financiële sector ingrijpende AI-transformaties doorloopt op het gebied van identiteitsverificatie en transactieverwerking, is het oplossen van deze datalaag geen luxe meer. Het opzetten van een schone datafundament is uitgegroeid tot een absolute vereiste voor langetermijn bedrijfsoverleving.

Het Verborgen Kostenraster van Massale Data-opname

Een veelvoorkomende valkuil voor verouderde instellingen is de aanname dat het vastleggen van grotere hoeveelheden data van nature hogere bedrijfswaarde oplevert. Vijf tot zeven jaar geleden richtten traditionele brancheboeken zich op het verzamelen van zo veel mogelijk uiteenlopende datapunten, inclusief het invoeren van data van sociale medianetwerken in bedrijfsservers.

Het moderne transactie-ecosysteem is deze mentaliteit ontgroeid. Financiële instellingen ondervinden dat het simpelweg opslaan en onderhouden van enorme hoeveelheden ongestructureerde informatie immense server- en data-engineeringkosten met zich meebrengt.

"Deze hoeveelheid data, grote hoeveelheid data om te verzamelen en op te slaan, is behoorlijk kostbaar en als je er geen gebruik van maakt, begin je ook een beetje te verliezen in dit prijsspel…"

Wanneer een bedrijf hoge operationele opslagkosten genereert zonder actief commerciële waarde uit die data te halen, raakt het achterop in het competitieve prijsspel. Het kan geen optimale tarieven aanbieden aan zijn merchants omdat de basisinfrastructuurkosten kunstmatig worden opgedreven.

Zoals Kirill Lisitsyn benadrukte, moet een moderne datastrategie zich eerst richten op het extraheren van echte waarde uit bestaande dataactiva. Pas wanneer een expliciete zakelijke use case is vastgesteld, zou een instelling kapitaal moeten investeren om aanvullende datastromen te verwerven, waardoor onnodige operationele obstakels en kostenaccumulatie worden vermeden.

De Niet-Deterministische Val: Waarom LLM's Slechte Data Niet Kunnen Oplossen

Nu instellingen werken aan het samenvoegen van verouderde systemen die volledig verschillende softwaretalen spreken en niet-gestandaardiseerde dataformaten gebruiken, wenden velen zich tot Kunstmatige Intelligentie en Large Language Models (LLM's) om code- en datatransformatie te automatiseren. Breno Alves De Oliveira merkte op dat fintechs uitblinken in het verwerken van complexe data en het reorganiseren ervan in gemakkelijk verteerbare formaten, een proces dat sterk wordt versneld door AI-tools.

Komissarova gaf echter een sterke technische waarschuwing over overdependentie op generatieve algoritmen voor kerntransactionele infrastructuur. LLM's zijn van nature niet-deterministisch, wat betekent dat hun uitvoer op waarschijnlijkheid is gebaseerd in plaats van absoluut, waardoor ze worden blootgesteld aan het systemische risico van algoritmische hallucinaties.

In de transactionele wereld, waar fouten rechtstreeks van invloed zijn op financiële grootboeken, is het zakken onder totale precisie onaanvaardbaar. Het invoeren van onnauwkeurige of ongestructureerde data in een LLM vergroot de kans op het genereren van onjuiste berekeningen aanzienlijk, wat financiële instellingen mogelijk miljoenen dollars kan kosten.

Het panel was het erover eens dat er geen technologisch wondermiddel bestaat; bedrijven kunnen niet simpelweg ongeorganiseerde datasets in een generatief model gooien en foutloze bedrijfslogica verwachten. Het bouwen van een betrouwbare datalaag vereist een gedisciplineerde investering van tijd en kapitaal, samen met bekwame interne specialisten die de datapipeline correct kunnen structureren.

De Balans Vinden: De Deterministische Hybride Kern

Om de snelheid van moderne AI veilig te benutten zonder absolute financiële nauwkeurigheid op te offeren, stelden de panelleden een hybride structurele architectuur voor. Dit model balanceert deterministische verwerkingsengines met flexibele taalinterfaces om de workflow van de eindgebruiker te vereenvoudigen:

• Het Deterministische Fundament: De kern-datalaag moet strikt deterministisch blijven. Gespecialiseerde intelligentieplatforms, zoals Torus, bouwen hun backendlogica bewust zo op dat ze zich richten op totale wiskundige nauwkeurigheid in plaats van een "80% waarschijnlijkheids"-model, zodat schemevergoedingen en transactierecords perfect worden afgestemd.

• De Conversatie-interface: Zodra een basislijn van geverifieerde data-integriteit is vastgesteld, kunnen instellingen LLM's bovenop laygen om de data te interpreteren, gebruikersinteracties te vereenvoudigen en analytische taken te versnellen.

Dit gestructureerde fundament stelt instellingen in staat concepten zoals data lakes te benutten om commerciële hypothesen te formuleren en te testen. Historisch gezien vereiste het ontdekken van een verwerkingstrend of het evalueren van een prijsvariabele enorme handmatige databasequery's.

Met een uniforme hybride kern kunnen productteams snel hypothesen testen om de kans op succes te evalueren. Uiteindelijk stelt dit framework banken in staat hun interne statistieken, concurrentielandschappen en macro-marktverschuivingen gelijktijdig te analyseren. Deze datagedreven aanpak stuurt gerichte aanpassingen in conversiestromen, transactierouting en productervaringen, waardoor noodzakelijke kapitaalinvesteringen worden omgezet in voorspelbare drijvende krachten van bedrijfswinstgevendheid.

Belangrijkste Hoogtepunten van het Virtual Arena Panel:

• Het Datastructuur Knelpunt: Het verzamelen van data via verouderde systemen die verschillende formaten gebruiken, maakt nauwkeurige tracking van transactiewinstgevendheid zeer complex.

• De Hoge Kosten van Datastagnatie: Het opslaan van grote hoeveelheden data zonder duidelijke use cases verhoogt de operationele overhead, waardoor banken minder concurrerend zijn in merchant-pricing.

• Waarde Boven Volume: Moderne data-intelligentie geeft prioriteit aan het maximale nut extraheren uit bestaande activa voordat externe datastromen worden aangekocht.

• Het Gevaar van Niet-Deterministische AI: Omdat generatieve AI-modellen op waarschijnlijkheid zijn gebaseerd, brengt het gebruik ervan op ongestructureerde kerndata risico's met zich mee voor financiële berekeningsfouten.

• Het Hybride Systeemblauwdruk: Succesvolle architecturen combineren een 100% nauwkeurige, deterministische datalaag met conversationele LLM-tools bovenop voor gebruikersinterpretatie.

• Hypothesegedreven Innovatie: Het herontwerpen van kern-dataframeworks stelt teams in staat verwerkingswijzigingen snel te valideren, waardoor kapitaalinvesteringen minder risicovol worden.

Het bericht Overcoming Data Fragmentation and the Limits of AI in Transaction Profitability verscheen eerst op FF News | Fintech Finance.