AI กับการจัดการด้านการเงินและการบริหารความเสี่ยง

ในโลกของการเงิน (Finance) ทุกวินาทีและทุกการตัดสินใจล้วนมีความหมาย ความแตกต่างระหว่างความสำเร็จ และการสูญเสียมักขึ้นอยู่กับความสามารถของบริษัท ในการวิเคราะห์ความเสี่ยง ตรวจจับความผิดปกติ และคาดการณ์ความเคลื่อนไหวของตลาดได้เร็วกว่าใคร และนั่นก็คือเหตุผลที่ “ปัญญาประดิษฐ์” (AI) ได้กลายเป็นกระดูกสันหลัง ของระบบการเงินสมัยใหม่ ซึ่งเปลี่ยนแปลงวิธีการที่ธนาคาร บริษัทฟินเทค และองค์กรต่างๆ จัดการความเสี่ยง ต่อสู้กับการฉ้อโกง และเพิ่มประสิทธิภาพของเงินทุน และในบทความนี้ ผมจะพาผู้อ่านไปเจาะลึกกรณีศึกษา (Case Studies) ถึงความสำเร็จจากองค์กรระดับโลก ที่ได้นำ AI มาใช้กับการจัดการด้านการเงินและการบริหารความเสี่ยงกันครับ

Case Study กับความสำเร็จของการใช้ AI การจัดการด้านการเงินและการบริหารความเสี่ยง

JPMorgan Chase กับระบบอัจฉริยะด้านสัญญา

สถาบันการเงินอย่าง JPMorgan Chase ได้พัฒนาระบบ COIN (Contract Intelligence) ซึ่งเป็นแพลตฟอร์ม AI ที่ใช้สแกนและตีความเอกสารทางกฎหมายและการเงินที่ซับซ้อน โดยตอนนี้สามารถทำได้เสร็จสิ้นภายในไม่กี่วินาที จากงานที่เดิมใช้เวลารวมกันถึง 360,000 ชั่วโมงต่อปี สำหรับทนายความและนักวิเคราะห์ ผลลัพธ์ที่ได้ ก็คือ

• การลดข้อผิดพลาดที่เกิดจากมนุษย์ เร่งความเร็วในการตรวจสอบสัญญา และประหยัดค่าใช้จ่ายในการดำเนินงานได้หลายล้านดอลลาร์ ทำให้ผู้เชี่ยวชาญมีเวลาไปมุ่งเน้นการวิเคราะห์ความเสี่ยงเชิงกลยุทธ์แทน
• ความแม่นยำในการวิเคราะห์สัญญาที่เพิ่มขึ้น ช่วยลดความเสี่ยงทางกฎหมายและปรับปรุงการกำกับการปฏิบัติตามกฎระเบียบ (Regulatory Compliance) ซึ่งเป็นเรื่องที่มีค่าปรับสูงในอุตสาหกรรมการเงิน
• การลดจำนวนชั่วโมงทำงานลงอย่างมาก ส่งผลให้เกิดการประหยัดต้นทุนการดำเนินงาน (Operational Costs) ในระดับล้านดอลลาร์

กรณีของ JPMorgan Chase เป็นตัวอย่างที่ชัดเจนของวิธีการที่ AI เข้ามาพลิกโฉมงานเอกสาร ที่ต้องใช้แรงงานคนอย่างเข้มข้นในภาคการเงินและการธนาคาร

---

American Express กับการตรวจจับการฉ้อโกงแบบเรียลไทม์

American Express (Amex) ประยุกต์ใช้โมเดล Deep Learning เพื่อวิเคราะห์ธุรกรรมหลายพันล้านรายการต่อปี ในการตรวจจับความผิดปกติแบบเรียลไทม์ โดยเฉพาะอย่างยิ่งในยุคของ E-commerce ที่มีความเสี่ยงสูงมาก โดย AI จะเรียนรู้อย่างต่อเนื่องจากพฤติกรรมการใช้จ่าย (Purchase Behavior) ตำแหน่งทางภูมิศาสตร์ (Geolocation) และรูปแบบของร้านค้า ผลลัพธ์ที่ได้ ก็คือ

• สามารถลดเหตุการณ์การฉ้อโกงในส่วนของร้านค้า E-commerce ลงได้สูงสุดถึง 60% โดยใช้ระบบที่เรียกว่า Enhanced Authorization ซึ่งช่วยให้ผู้ขายสามารถส่งข้อมูลเพิ่มเติม (เช่น ที่อยู่ IP อีเมล์) ไปยัง Amex เพื่อให้ AI นำไปวิเคราะห์ในกระบวนการอนุมัติ
• Machine Learning ของ Amex ช่วยระบุการฉ้อโกงที่อาจเกิดขึ้นได้มูลค่า 2 พันล้านดอลลาร์ต่อปี ก่อนที่จะเกิดความสูญเสียจริง
• Amex ได้รับการยอมรับมาอย่างต่อเนื่องว่ามีอัตราการฉ้อโกง (Fraud Rate) ต่ำที่สุดในอุตสาหกรรม
• การตัดสินใจอนุมัติหรือปฏิเสธต้องเกิดขึ้นภายในเวลา 2 มิลลิวินาที ซึ่งเป็นข้อกำหนดที่เคร่งครัด
• Amex ใช้เครือข่าย Deep Learning (เช่น LSTM) ที่ทำงานบน GPU ของ NVIDIA ซึ่งให้ประสิทธิภาพในการประมวลผลเร็วกว่า CPU ทั่วไปถึง 50 เท่า ทำให้การตัดสินใจด้านความปลอดภัยเกิดขึ้นทันที โดยไม่ทำให้กระบวนการซื้อขายล่าช้า
• การที่ AI มีความแม่นยำสูง ช่วยให้ระบบปฏิเสธธุรกรรมที่ถูกต้องของลูกค้าลดลง ซึ่งเป็นปัญหาใหญ่ที่สร้างความไม่พอใจให้กับผู้ใช้ ทำให้ลูกค้าสามารถช้อปปิ้งออนไลน์ได้อย่างราบรื่น และมั่นใจในแบรนด์ Amex

กรณีของ American Express (Amex) แสดงให้เห็นถึงการใช้ AI เพื่อสร้างสมดุลที่สมบูรณ์แบบ ระหว่างความปลอดภัยของธนาคารและความสะดวกสบายของลูกค้า ซึ่งเป็นความท้าทายที่ใหญ่ที่สุดในอุตสาหกรรมการชำระเงิน

---

Mastercard กับระบบอัจฉริยะด้านภัยไซเบอร์และการฉ้อโกง

Mastercard ใช้ระบบ Decision Intelligence ซึ่งเป็นระบบ AI ที่ประเมินแต่ละธุรกรรม โดยใช้ Machine Learning และ Deep Learning ในการวิเคราะห์ข้อมูลจำนวนมหาศาล ซึ่งเป็นความก้าวหน้าเหนือระบบเดิม ที่ใช้เพียงข้อมูลบัตรและรหัสยืนยัน โดยใช้ข้อมูลมากกว่า 1,000 จุด ซึ่งรวมถึงข้อมูลอุปกรณ์ ตำแหน่งที่ตั้ง และสัญญาณพฤติกรรม และสิ่งนี้ก็ช่วยให้ Master Card สามารถอนุมัติธุรกรรมที่ถูกต้องได้อย่างรวดเร็วขึ้น และหยุดยั้งธุรกรรมที่น่าสงสัยก่อนที่จะเกิดขึ้น ผลลัพธ์ที่ได้ ก็คือ

• การวิเคราะห์ข้อมูล 1,000 จุดนี้ ช่วยลดการฉ้อโกงได้ถึง 20% ทั่วโลก ซึ่งถือเป็นการประหยัดความเสียหายทางการเงินจำนวนมหาศาล ให้กับธนาคารผู้ออกบัตรและร้านค้า
• แม้ว่า Mastercard จะเน้นตัวเลขการลดการฉ้อโกงที่ 20% แต่ผลลัพธ์ด้านการลดการถูกปฏิเสธ (False Declines) นั้นสำคัญไม่แพ้กัน เพราะช่วยรักษาความเชื่อมั่น และอัตราการอนุมัติ (Approval Rates) ให้สูงอยู่เสมอ
• Mastercard ไม่ได้ตัดสินใจเองทั้งหมด แต่ทำหน้าที่ส่งสัญญาณอัจฉริยะที่ละเอียดและแม่นยำยิ่งขึ้น ไปยังธนาคารผู้ออกบัตร (Issuers) เพื่อช่วยให้ธนาคารตัดสินใจอนุมัติ หรือปฏิเสธธุรกรรมได้รวดเร็วและดีกว่า

กรณีของ Mastercard เป็นการตอกย้ำว่า AI ไม่ได้มีไว้แค่ “จับผิด” แต่มีไว้เพื่อ “ตัดสินใจอย่างชาญฉลาด” ในเสี้ยววินาที เพื่อให้มั่นใจว่าลูกค้าที่ใช้งานปกติ จะไม่ถูกปฏิเสธ (False Declines) นั่นเอง

---

Ant Financial (Alipay) กับการให้คะแนนความเสี่ยงด้านเครดิตด้วย AI

Ant Financial ในเครือของ Alipay ใช้ระบบ Sesame Credit ซึ่งเป็นอัลกอริทึมที่ขับเคลื่อนด้วย AI เพื่อประเมินความน่าเชื่อถือทางเครดิต โดยพิจารณาจาก “ร่องรอยดิจิทัล” (Digital Footprint) ประวัติการทำธุรกรรม และข้อมูลพฤติกรรม ที่ไม่ใช่แค่บันทึกของธนาคารแบบดั้งเดิม ซึ่งสืบเนื่องมาจาก ผู้คนจำนวนมากไม่มีประวัติเครดิตอย่างเป็นทางการ (Credit History) ทำให้พวกเขาไม่สามารถกู้เงินได้ Sesame Credit จึงใช้ AI และ Machine Learning เพื่อวิเคราะห์ข้อมูลอื่นๆ ที่แสดงถึงความรับผิดชอบและความน่าเชื่อถือ ด้วยการประเมินเครดิตแบบไม่พึ่งพาธนาคาร และตลาดเกิดใหม่หลายแห่ง โดยข้อมูลทางเลือก (Alternative Data) ที่ AI วิเคราะห์ นั้นประกอบไปด้วย ข้อมูลการศึกษาหรืออาชีพที่ยืนยันตัวตน ความสม่ำเสมอในการซื้อสินค้าและการชำระบิลตรงเวลา รวมถึงเครือข่ายเพื่อนใน Alipay ที่มีคะแนนเครดิตสูง ผลลัพธ์ที่ได้ ก็คือ

• ในช่วงเริ่มต้นระบบ Sesame Credit ได้ให้บริการประเมินเครดิต แก่ผู้ใช้มากกว่า 400 ล้านคน และช่วยให้ผู้ที่ไม่เคยมีคะแนนเครดิตกับธนาคารสามารถกู้ยืมเงินได้
• ด้วยการใช้ AI ประเมินความเสี่ยงอย่างละเอียด Ant Financial สามารถอนุมัติเงินกู้จำนวนน้อย (Microloans) ให้กับกลุ่มคน “Underbanked” ซึ่งธนาคารดั้งเดิมมักปฏิเสธ ส่งผลให้พวกเขาสามารถเริ่มต้นธุรกิจขนาดเล็ก หรือจัดการค่าใช้จ่ายฉุกเฉินได้
• ด้วยโมเดล AI ที่ซับซ้อนนี้พวกเขาสามารถรักษา อัตราการผิดนัดชำระหนี้ให้อยู่ในระดับต่ำได้ ซึ่งเป็นการพิสูจน์ประสิทธิภาพของ AI ในการประเมินความเสี่ยงที่แม่นยำกว่ามนุษย์

กรณีของ Ant Financial เป็นตัวอย่างที่ทรงพลังที่สุดของการใช้ AI เพื่อทำลายกำแพงทางการเงิน ให้คนส่วนใหญ่สามารถเข้าถึงสินเชื่อได้ ซึ่งเป็นไปไม่ได้เลยในระบบการให้คะแนนเครดิตแบบเก่า

Image Source: https://www.bloomberg.com/news/articles/2019-09-24/alibaba-closes-acquisition-of-a-third-of-jack-ma-s-ant-financial

---

BlackRock กับการใช้ AI ในการบริหารจัดการการลงทุน

แพลตฟอร์ม Aladdin ของ BlackRock ใช้ AI และ Machine Learning เพื่อวิเคราะห์ตลาดโลก จำลองความเสี่ยง และแนะนำการปรับพอร์ตโฟลิโอ โดย Aladdin สามารถประเมินความเสี่ยงได้แบบองค์รวม (Holistic Risk Assessment) ด้วยการจำลองสถานการณ์ตลาดหลายล้านรูปแบบในเวลาอันรวดเร็ว เช่น ผลกระทบของสงครามการค้า หรือการเพิ่มขึ้นของอัตราดอกเบี้ย ต่อสินทรัพย์ทั้งหมดในพอร์ตโฟลิโอนั้น AI ของ Aladdin เรียนรู้จากข้อมูลตลาดในอดีตและปัจจุบันจำนวนมหาศาล เพื่อระบุความสัมพันธ์ที่ซับซ้อนระหว่างสินทรัพย์ต่างๆ และแนะนำการจัดสรรสินทรัพย์ (Asset Allocation) ที่เหมาะสมที่สุด ตามระดับความเสี่ยงที่ลูกค้ายอมรับได้ ผลลัพธ์ที่ได้ ก็คือ

• Aladdin จัดการสินทรัพย์รวมกันของลูกค้าทั่วโลก มากกว่า 21 ล้านล้านดอลลาร์สหรัฐฯ (ซึ่งเกินกว่า GDP ของหลายประเทศ) ตัวเลขนี้เน้นย้ำถึงความน่าเชื่อถือและความสำคัญของ AI ในการจัดการความมั่งคั่งระดับโลก
• ระบบสามารถรันการจำลองภาวะวิกฤต (Stress Tests) ในพอร์ตโฟลิโอหลายพันรายการพร้อมกัน ทำให้ผู้จัดการกองทุนได้รับคำแนะนำเพื่อลดการเผชิญความเสี่ยง ก่อนที่ความผันผวนจะส่งผลกระทบอย่างรุนแรง
• การใช้ Aladdin ช่วยให้ผู้จัดการกองทุน สามารถตัดสินใจได้อย่างรวดเร็วและมีข้อมูลสนับสนุน ซึ่งนำไปสู่การปรับปรุงผลการดำเนินงานด้านการลงทุนให้สม่ำเสมอ และมีความเสี่ยงที่ควบคุมได้

Aladdin ไม่ใช่แค่เครื่องมือวิเคราะห์ แต่เป็นระบบปฏิบัติการสำหรับอุตสาหกรรมการเงินระดับโลก มันเป็นซอฟต์แวร์ที่ธนาคาร บริษัทประกัน และผู้จัดการกองทุนอื่นๆ ใช้เพื่อทำความเข้าใจและจัดการความเสี่ยง

---

HSBC ใช้ AI เพื่อการปฏิบัติตามกฎระเบียบการต่อต้านการฟอกเงิน

ธนาคาร HSBC ได้นำระบบ AI มาใช้เพื่อระบุธุรกรรมที่น่าสงสัย และรูปแบบการฟอกเงินที่ซับซ้อนในเครือข่ายทั่วโลก โมเดลเหล่านี้สามารถปรับตัวให้เข้ากับภัยคุกคามใหม่ๆ ได้เร็วกว่าระบบที่อิงตามกฎเกณฑ์แบบดั้งเดิม โดยในระบบแบบเก่า เมื่อระบบพบธุรกรรมที่เข้ากับ “กฎ” ที่กำหนดไว้ (เช่น การโอนเงินจำนวนมากข้ามประเทศ) มันจะสร้าง “สัญญาณเตือน” ซึ่งส่วนใหญ่กว่า 90% เป็นธุรกรรมที่ถูกต้องตามกฎหมาย (False Positives) ทำให้เจ้าหน้าที่ต้องเสียเวลาในการตรวจสอบด้วยตนเอง นอกจากนั้น Machine Learning สามารถวิเคราะห์ปริมาณข้อมูลที่มากขึ้น และค้นพบความเชื่อมโยงที่ซ่อนอยู่ระหว่างบุคคล บริษัท และธุรกรรมต่างๆ ที่มนุษย์อาจมองไม่เห็น เพราะการฟอกเงินมักมีรูปแบบที่เปลี่ยนแปลงอยู่เสมอ แต่ AI สามารถเรียนรู้และปรับปรุงตนเอง เพื่อตรวจจับรูปแบบใหม่ๆได้อย่างต่อเนื่อง ผลลัพธ์ที่ได้ ก็คือ

• AI ช่วยลด False Positives ลงได้ถึง 20% โดยตัวเลขนี้มีความสำคัญมาก เพราะการลดสัญญาณเตือนที่ผิดพลาดลง 20% หมายถึง การประหยัดเวลาการทำงาน ของเจ้าหน้าที่หลายหมื่นชั่วโมงต่อปี ซึ่งสามารถเปลี่ยนไปมุ่งเน้นการสอบสวนคดีที่มีความเสี่ยงสูงจริงๆ ได้อย่างมีประสิทธิภาพ
• การมีระบบที่ปรับตัวได้ (Adaptive System) ช่วยให้ HSBC รักษามาตรฐานการปฏิบัติตามกฎระเบียบที่เข้มงวดของหน่วยงานกำกับดูแลระดับโลกได้ ซึ่งช่วยหลีกเลี่ยงค่าปรับทางกฎหมายที่มีมูลค่ามหาศาล
• ด้วยการที่ AI จัดการงานตรวจสอบซ้ำซาก เจ้าหน้าที่ที่ดูแลด้านการต่อต้านการฟอกเงินของ HSBC จึงกลายเป็น “นักวิเคราะห์” แทนที่จะเป็น “ผู้ตรวจสอบเอกสาร” ซึ่งเป็นการใช้ทักษะของผู้เชี่ยวชาญให้เกิดประโยชน์สูงสุด

การต่อต้านการฟอกเงิน หรือ Anti-Money Laundering (AML) ถือเป็นความท้าทาย ที่ใช้ทรัพยากรมากที่สุดในธนาคารระดับโลก และ AI ที่ HSBC ใช้นั้นได้เข้ามาเปลี่ยนกระบวนการนี้ จากการตามจับเป็นการคาดการณ์และป้องกัน

---

Morgan Stanley ใช้ AI เพื่อข้อมูลเชิงลึกในการบริหารความมั่งคั่ง

แพลตฟอร์ม Next Best Action (NBA) ของ Morgan Stanley ใช้ AI ในการวิเคราะห์พอร์ตโฟลิโอของลูกค้า สภาวะตลาด และแนวโน้มพฤติกรรม เพื่อแนะนำการลงทุนที่เฉพาะเจาะจงและเป็นส่วนตัว โดยระบบ NBA ใช้ AI และ Machine Learning เพื่อกรองข้อมูลจำนวนมหาศาล และนำเสนอ “การกระทำที่ดีที่สุดถัดไป” (Next Best Action) ที่ที่ปรึกษาควรทำกับลูกค้าแต่ละราย เช่น แนะนำให้ปรับสมดุลพอร์ตโฟลิโอ แนะนำผลิตภัณฑ์ใหม่ หรือเพียงแค่โทรไปพูดคุย การที่ AI ช่วยระบุช่วงเวลาที่เหมาะสมที่สุดในการติดต่อ และหัวข้อที่เกี่ยวข้องมากที่สุด ทำให้การสื่อสารของที่ปรึกษาการลงทุนมีคุณภาพสูงขึ้น ผลลัพธ์ที่ได้ ก็คือ

• ในช่วงสองเดือนแรกของการระบาดของ Covid-19 ที่ปรึกษาของ Morgan Stanley ใช้ระบบ NBA มากกว่า 11 ล้านครั้ง แสดงให้เห็นถึงการพึ่งพาเครื่องมือนี้ ในการติดต่อสื่อสารกับลูกค้าอย่างทันท่วงทีในภาวะวิกฤต
• มีรายงานว่าการใช้ NBA ช่วยให้ที่ปรึกษาการลงทุน สามารถเพิ่มจำนวนการติดต่อลูกค้า ได้โดยเฉลี่ยเพิ่มขึ้น 5 ถึง 6 ครั้งต่อวัน
• การมีปฏิสัมพันธ์ที่มีคุณภาพสูงขึ้นนี้ได้กลายเป็นปัจจัยหลัก ในการปรับปรุงความพึงพอใจและการรักษาลูกค้า เนื่องจากลูกค้าได้รับรู้สึกว่าการลงทุนของตน ได้รับการดูแลและปรับปรุงตามสถานการณ์ตลาดอยู่เสมอ
• NBA เป็นเครื่องมือช่วยเสริม ไม่ใช่เครื่องมือบังคับ และที่ปรึกษาสามารถยกเลิกคำแนะนำของ AI ได้หากเห็นว่าไม่เหมาะสม แนวทางที่เน้นมนุษย์เป็นศูนย์กลางนี้ ทำให้เกิดความไว้วางใจ และทำให้ที่ปรึกษากว่า 90% ยอมรับการใช้งานระบบนี้ในที่สุด

แพลตฟอร์ม Next Best Action (NBA) ของ Morgan Stanley เป็นตัวอย่างของการใช้ AI เพื่อ “เสริมประสิทธิภาพมนุษย์” ไม่ใช่เพื่อทดแทนผู้เชี่ยวชาญ ทำให้ที่ปรึกษาการลงทุนสามารถใช้เวลาส่วนใหญ่ ไปกับการสร้างความสัมพันธ์และให้คำปรึกษาเชิงลึกได้

---

AI ได้เข้ามาเปลี่ยนโครงสร้างหลักของโลกการเงินไปแล้ว ดังนั้น การตอบสนองต่อความเสี่ยงแบบตั้งรับนั้น ก็อาจไม่เพียงพออีกต่อไป อนาคตเป็นของสถาบันทางการเงินที่สามารถ “คาดการณ์และป้องกัน” ความเสี่ยงได้ ตั้งแต่การป้องกันการฉ้อโกงไปจนถึงการพยากรณ์พอร์ตโฟลิโอ เพราะด้วย AI ที่ช่วยให้โลกการเงินก้าวข้ามจาก “สัญชาตญาณไปสู่ความแม่นยำ” มากขึ้นนั่นเอง

---

Sources:
https://www.bestpractice.ai/ai-case-study-best-practice/jpmorgan_reduced_lawyers’_hours_by_360%2C000_annually_by_automating_loan_agreement_analysis_with_machine_learning_software_coin
https://network.americanexpress.com/globalnetwork/dam/jcr:886b45d1-a47c-45b1-8bf9-5ea9ec2a2181/Payment%20Security%20Solutions%20Guide.pdf
https://www.mastercard.com/news/perspectives
https://www.blackrock.com/aladdin/
https://www.finextra.com/newsarticle/35887/hsbc-uses-ai-to-reduce-false-positives-in-aml
https://aiinx.ai/blog/case-study-how-morgan-stanleys-next-best-action-ai-boosted-client-engagement-by-30/

---