From AI Experiment to AI-Native Organization in the Financial Sector: Seven Best Practices
In the News
From AI Experiment to AI-Native Organization in the Financial Sector: Seven Best Practices
Many financial services providers are experimenting with AI, but the transition from isolated pilots to structural value creation is proving difficult in practice. Dennis Joosten, Head of Banking at EPAM, shares seven best practices for making artificial intelligence work structurally.
1: Combine automation with human supervision
Generative AI supports extensive automation within processes such as software development and operational workflows. At the same time, human oversight remains essential, especially when decisions are complex, regulated, or have significant impact. Roles are shifting from executive to assessment and supervisory, requiring new skills, clear responsibilities, and targeted training programs.
Furthermore, in addition to knowledge of tools, AI literacy, critical assessment skills and clear escalation and feedback mechanisms are also indispensable.
In practice, scaling up AI oversight proves to be both an organizational and technical challenge. Recent research shows that financial institutions expect many employees to develop new AI-related skills, while at the same time, a lack of leadership poses a significant barrier to broader AI adoption.
That's why a structured approach is essential: from AI fundamentals and decision-making at the boardroom level to AI literacy in the workplace. Without a cohesive approach, responsible oversight will be isolated and not an integral part of AI implementation.
2: Use AI as a test for data maturity
AI quickly exposes the fragmented nature of data management. Many organizations have valuable data scattered across systems, some of which is stored unstructured. As organizations scale, inconsistencies in definitions, missing metadata, and technical debt become increasingly visible. Without cleansed and standardized datasets, large-scale AI deployment remains limited.
Data quality, metadata, and governance therefore form a necessary foundation for further development. This is closely linked to the maturity of cloud, security, and platform architecture.
As organizations scale to more complex AI applications, shortcomings in data and platform architecture quickly hinder adoption. Many financial institutions are finding that their cloud, security, and legacy environments are not yet ready for large-scale AI deployments. This underscores the importance of data maturity and infrastructure modernization.
Read the full article here.
Discover where financial services stand on the AI maturity curve, and what it takes to bridge the gap between ambition and reality. Download the full report to explore key insights, challenges and strategies for unlocking AI’s true value: www.epam.com/insights/research/how-financial-services-organizations-can-unlock-real-business-value-with-ai
Van AI-experiment naar AI-native organisatie in de financiële sector: Zeven best practices
Veel financiële dienstverleners experimenteren met AI, maar de stap van losse pilots naar structurele waardecreatie blijkt in de praktijk lastig. Dennis Joosten, Head of Banking bij EPAM, deelt zeven best practices om kunstmatige intelligentie structureel te laten werken.
1: Combineer automatisering met menselijk toezicht
Generatieve AI ondersteunt vergaande automatisering binnen processen zoals softwareontwikkeling en operationele workflows. Tegelijkertijd blijft menselijk toezicht onmisbaar, vooral als beslissingen complex, gereguleerd of impactvol zijn. Rollen verschuiven van uitvoerend naar beoordelend en toezichthoudend, wat vraagt om nieuwe vaardigheden, duidelijke verantwoordelijkheden en gerichte opleidingstrajecten.
Verder zijn naast kennis van tooling ook AI-geletterdheid, kritisch beoordelingsvermogen en duidelijke escalatie- en feedbackmechanismen onmisbaar.
In de praktijk blijkt het opschalen van toezicht op AI zowel een organisatorische als technische uitdaging. Recent onderzoek laat zien dat financiële instellingen verwachten dat veel medewerkers nieuwe AI-gerelateerde vaardigheden moeten ontwikkelen, terwijl tegelijkertijd gebrek aan leiderschap een belangrijke drempel vormt voor bredere AI-adoptie.
Daarom is een gestructureerde aanpak noodzakelijk: van AI-basiskennis en besluitvaardigheid op directieniveau tot AI-geletterdheid op de werkvloer. Zonder een samenhangende aanpak staat verantwoord toezicht op zichzelf en is het geen integraal onderdeel van de AI-implementatie.
2: Gebruik AI als toets voor datavolwassenheid
AI legt snel bloot hoe gefragmenteerd datamanagement is ingericht. Veel organisaties hebben waardevolle data die verspreid is over systemen en deels ongestructureerd is opgeslagen. Bij opschaling worden inconsistenties in definities, ontbrekende metadata en technische schulden steeds zichtbaarder. Zonder opgeschoonde en gestandaardiseerde datasets blijft grootschalige inzet van AI beperkt.
Datakwaliteit, metadata en governance vormen daarom een noodzakelijke basis voor verdere ontwikkeling. Dat is nauw verbonden met de volwassenheid van cloud-, security- en platformarchitectuur.
Als organisaties opschalen naar complexere AI-toepassingen zijn tekortkomingen in data- en platformarchitectuur al snel een rem op adoptie. Veel financiële instellingen zien dat hun cloud-, security- en legacy-omgevingen nog niet klaar zijn voor AI-inzet op grote schaal. Dat onderstreept dat datavolwassenheid en infrastructuurmodernisering hand in hand gaan.
Lees hier het complete artikel.
Ontdek waar financiële dienstverleners staan op de AI‑volwassenheidscurve en wat er nodig is om de kloof tussen ambitie en realiteit te dichten. Download het complete rapport voor belangrijke inzichten, uitdagingen en strategieën om de echte waarde van AI te ontsluiten: www.epam.com/insights/research/how-financial-services-organizations-can-unlock-real-business-value-with-ai
