Tekoälyagentit pohjoismaisille rahoitustiimeille: Dun & Bradstreet yhdistää datansa Clauden, ChatGPT:n ja Copilotin kanssa

Tekoälyagentit muuttavat rahoitustiimien toimintatapoja Pohjoismaissa. Dun & Bradstreet on aloittanut äskettäin yhteistyön Clauden, ChatGPT:n ja Copilotin kanssa tuomalla globaalit data-aineistonsa ja yritystunnisteet käytettäväksi näiden työkalujen avulla Model Context Protocol (MCP) ‑protokollan kautta. 

Dun & Bradstreet ilmoitti äskettäin maailmanlaajuisesta yhteistyöstä Anthropicin, OpenAI:n ja Microsoftin kanssa. Kyseessä on merkittävä askel yhtiön yritystietojen saatavuuden lisäämisessä johtavien tekoälyn kielimallien kautta. Yhtiön datan yhdistäminen Model Context Protocol (MCP) ‑protokollan kautta tarjoaa uusia mahdollisuuksia luotto- ja rahoitustiimeille kaikkialla Pohjoismaissa.

Dun & Bradstreetin Senior Product Manager Fredrik Blixt Borge kertoo lähestymistavan palvelevan sekä nykyisiä että uusia asiakkaita:

”Lähestymme asiaa kahdesta näkökulmasta. Nykyisille asiakkaillemme ratkaisu helpottaa datamme käyttöä. Samalla se mahdollistaa myös yhteydet organisaatioihin, jotka jo käyttävät aktiivisesti kielimalleja toiminnassaan.”

 

Näin MCP tuo Dun & Bradstreetin datan paremmin tekoälyagenttien saataville

Integroinnin ytimessä on Model Context Protocol, avoin standardi, joka toimii siltana kielimallien ja Dun & Bradstreetin data-alustan välillä. MCP:n kautta tekoälymallit pääsevät D&B:n globaaliin Commercial Graph ‑tietomalliin, joka kattaa yli 650 miljoonaa yritystä, mukaan lukien omistusrakenteet, yritysten väliset suhteet ja talousriskitiedot.

MCP mahdollistaa datan hyödyntämisen laajemmassa asiayhteydessä perinteisten API-yhteydenottojen käytön ja yksittäisten tietojen hakemisen sijaan.

”MCP:n avulla tekoälyagentti pystyy hyödyntämään dataa aiempaa älykkäämmin ja huomioimaan käyttäjän tavoitteet”, Fredrik Blixt Borge selittää. ”Kontekstin lisääminen auttaa varmistamaan datan merkityksellisen tulkinnan ja oikeiden tietojen hakemisen.”

Perinteiset ohjelmointirajapinnat ovat kuitenkin edelleen tärkeässä asemassa. Ne tarjoavat datan laadun, yhtenäisyyden ja jäljitettävyyden varmistamiseen tarvittavat strukturoidut ja sääntöpohjaiset prosessit, mikä on erityisen tärkeää säännellyissä ympäristöissä, kuten Pohjoismaiden rahoitussektorilla.

Tekoälyn käyttöesimerkki: luottoarviot, asiakkaan tunteminen ja vaatimustenmukaisuus

Toteutuksen alkuperäisenä tarkoituksena on luotto- ja rahoitustoiminnan tukeminen parantamalla sekä tehokkuutta että tulosten laatua.

Ihmisasiantuntemuksen korvaamisen sijaan tavoitteena on manuaalisten ja aikaa vievien tehtävien vähentäminen. Yksi edistyneimmistä käyttötapauksista on luottopäätösten taustamuistioiden automaattinen laatiminen suurempia liiketoimintasopimuksia varten.

”Osa edistyneimmistä pohjoismaisista yrityksistä on jo aloittanut tällaisten ratkaisujen toteuttamisen. Sen sijaan, että analyytikot käyttäisivät useita päiviä tiedon keräämiseen ja jäsentämiseen, tekoälyagentille voidaan antaa tärkeimmät parametrit, jolloin sama tulos saadaan minuuteissa”, Borge kertoo.

Tekoälyagentit voivat auttaa myös vaatimustenmukaisuuteen ja asiakkaan tuntemiseen liittyvissä prosesseissa tulkitsemalla jäsentämätöntä dataa. Tähän sisältyy erilaisten asiakirjojen, kuten työsopimusten ja palkkanauhojen, lukeminen sekä tiedon seulominen sanktioluetteloihin ja poliittisesti vaikutusvaltaisten henkilöiden (PEP) luetteloihin verraten useilla kielillä.

”Monissa tapauksissa tekoälyagentit voivat tulkita jäsentämätöntä dataa ihmisanalyytikkoon verrattavalla tavalla, erityisesti useiden kielien osalta”, hän lisää.

Tekoälyyn liittyvien riskien hallinta säännellyillä pohjoismaisilla markkinoilla

Vaikka potentiaali onkin merkittävä, luotettavuus on edelleen keskeinen tekijä, erityisesti pankki- ja rahoitussektorilla sekä vaatimustenmukaisuudessa Pohjoismaissa.

Borge painottaa tekoälyhallusinaatioihin liittyviä riskejä käyttämällä niiden kuvaamiseen tunnettua ilmaisua ”garbage in, garbage out”:

”Pohjoismaiden kaltaisilla säännellyillä markkinoilla, joilla toimitaan EU-asetusten mukaisesti, huono lähtötilanne voi helposti johtaa huonoon lopputulokseen. Virheet voivat aiheuttaa sakkoja, oikeustoimia ja mainehaittoja, erityisesti silloin, jos päätöksiä ei pystytä jäljittämään tai jos sanktioitu yritys hyväksytään tahattomasti.”

Tämän ehkäisemiseksi tekoälyagenttien käytössä tulee keskittyä varmennettuihin datalähteisiin ja sen varmistamiseen, että tekoälyagentit toimivat tiukan valvonnan, hallinnan ja turvallisuussääntöjen puitteissa.

Näin pohjoismaiset yritykset käyttävät tekoälyagentteja

Dun & Bradstreet tarjoaa jo pohjoismaisille yrityksille MCP-pohjaisia ratkaisuja testikäyttöön, ja ne ovat herättäneet suurta kiinnostusta. Teknologian toimintaa käytännössä tarkastellaan tiiviissä yhteistyössä asiakkaiden kanssa.

Tekoälyn käyttöä suositellaan lisäämään asteittain.

”On hyvä aloittaa manuaalisesta käytöstä sen ymmärtämiseksi, miten agentti tulkitsee dataa ja vastaa siihen”, Borge ehdottaa. ”Kun luottamus tulosten laatuun ja johdonmukaisuuteen kasvaa, organisaatiot voivat ottaa automaattisia ratkaisuja käyttöön vähitellen ja toteuttaa edistyneempiä kokonaisuuksia.”

Asiakkaiden palaute on tärkeää kehityksen kannalta.

”Toimimme tiiviissä yhteistyössä asiakkaiden kanssa kaikkialla Pohjoismaissa ja käymme keskusteluita viikoittain. Saamme jatkuvasti arvokasta tietoa siitä, miten asiakkaat hyödyntävät ratkaisuja käytännössä”, Borge kertoo. ”Näin näemme, missä teknologia tuottaa todellista arvoa.”