Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk

In de wereld van het bankwezen is kunstmatige intelligentie al lang een behulpzame assistent. Jarenlang fungeerden deze systemen als digitale scribenten die rapporten opstelden, gegevens samenvatten of de volgende beste stap suggereerden voor een menselijke manager om te overwegen. De mens blijft stevig in de bestuurdersstoel zitten en houdt de sleutels van elke definitieve beslissing in handen. Er is echter nu een significante verschuiving gaande. Banken beginnen een nieuw soort intelligentie in te zetten, een die niet alleen suggereert, maar handelt. Dit zijn agentische systemen, in staat om complexe financiële workflows te plannen en transacties uit te voeren met gedelegeerde autoriteit. Zodra een dergelijk systeem het groene licht krijgt om te handelen, kan het geld verplaatsen, leningen goedkeuren of schulden vereffenen zonder te wachten tot een mens elke individuele beweging heeft ondertekend. Deze overgang van advies naar actie verandert de fundamentele aard van risico en efficiëntie in de financiële sector, maar voor onderzoekers en toezichthouders is een cruciaal probleem onopgelost gebleven: hoe meet je dat?

Tot nu toe was er geen betrouwbare manier om een bank te onderscheiden die slechts praat over kunstmatige intelligentie van een bank die daadwerkelijk de teugels van haar bedrijfsvoering heeft overgedragen aan autonome machines. Bestaande methoden behandelen alle vermeldingen van technologie vaak als hetzelfde, waarbij ze het verschil niet zien tussen een chatbot die klantvragen beantwoordt en een softwareagent die onafhankelijk een betaling vrijgeeft. Zonder een duidelijk meetinstrument is het onmogelijk om te weten of deze nieuwe systemen banken efficiënter maken, risicovoller, of beide. Een team van onderzoekers aan de Dayananda Sagar University in India heeft deze kloof gedicht door een nieuw, strikt getest instrument te creëren genaamd de Agentic AI Intensity Index. In plaats van simpelweg te tellen hoe vaak een bank technologie vermeldt, meet deze index de specifieke mate waarin een bank de macht heeft gedelegeerd om consequente financiële beslissingen te nemen en uit te voeren aan autonome systemen.

De onderzoekers hebben niet alleen een nieuwe score uitgevonden; ze hebben een volledig wetenschappelijk protocol gebouwd om ervoor te zorgen dat de score echt en betrouwbaar is. Ze begonnen met het verzamelen van duizenden pagina's aan publieke documenten van banken, inclusief jaarverslagen, regelgevende kennisgevingen en transcripten van gesprekken met beleggers (earnings calls) waar bestuurders met investeerders spreken. Uit deze teksten ontwikkelden zij een methode om zinnen te identificeren die een werkelijke delegatie van autoriteit beschrijven. Ze maakten onderscheid tussen taal die een systeem beschrijft dat wacht op menselijke goedkeuring, en taal die een systeem beschrijft dat binnen een mandaat op eigen kracht handelt. Om te garanderen dat dit onderscheid accuraat was, brachten ze een panel van experts samen, bestaande uit academische onderzoekers, technologiefunctionarissen van banken en toezichthouders van centrale banken. Deze experts verfijnden een lijst met trefwoorden en zinsneden via twee rondes van discussie, waarbij zij overeenstemming bereikten over welke termen werkelijk autonome actie signaleerden en welke slechts promotionele franje waren.

Zodra de lijst met trefwoorden definitief was, testte het team hun methode om te controleren of deze consistent werkte. Ze lieten meerdere getrainde codeerders dezelfde set zinnen lezen om te zien of zij het eens waren over de vraag of een systeem werkelijk autonoom was. Ze gebruikten ook geavanceerde computermodellen om te helpen bij het sorteren van de enorme hoeveelheid tekst, maar met een cruciale waarborg: elke keer dat de computer een hoogwaardige autonome actie identificeerde, controleerde een menselijke expert dit om de classificatie te bevestigen. Deze human-in-the-loop benadering voorkwam dat het systeem werd misleid door vage of misleidende taal. De onderzoekers controleerden vervolgens of hun nieuwe index daadwerkelijk mat wat het beweerde te meten door het te vergelijken met onafhankelijke bewijslast, zoals vacatures voor specifieke typen engineers, octrooiaanvragen voor autonome systemen en bekende gevallen waarin banken deze technologieën hadden ingezet. De resultaten toonden aan dat de index succesvol banken met echte autonome capaciteiten scheidde van diegenen die simpelweg over algemene digitale transformatie discussieerden.

De kern van dit werk is de index zelf, die aan elke bank een score toekent op basis van de intensiteit van de adoptie van agentische AI. De score is niet slechts een ruwe telling van woorden; het wordt gewogen door het niveau van autoriteit dat de bank aan haar machines heeft verleend. Een systeem dat een betaling uitvoert binnen een vooraf ingestelde limiet ontvangt een hogere score dan een systeem dat slechts een aanbeveling opstelt voor een menselijke beoordeling. De onderzoekers hebben de gegevens ook genormaliseerd om rekening te houden met het feit dat sommige banken veel meer over technologie schrijven dan andere, waardoor wordt gewaarborgd dat een hoge score een werkelijke delegatie van macht reflecteert in plaats van alleen maar veel praten. Dit maakt een eerlijke vergelijking mogelijk tussen een enorme wereldwijde bank en een kleinere regionale instelling. De index is ontworpen om in toekomstige studies te worden gebruikt om prangende vragen te beantwoorden: Maakt het overdragen van besluitvormingsmacht aan machines banken efficiënter, of introduceert het nieuwe, onvoorspelbare risico's? Helpt het banken om fraude sneller te detecteren, of creëert het nieuwe kwetsbaarheden?

Het artikel geeft niet de definitieve antwoorden op deze prestatievragen, aangezien het een methodologische studie is die gericht is op het bouwen van de meetlat in plaats van het gebruiken ervan om een specifiek resultaat te meten. In plaats daarvan schetst het een duidelijke, herhaalbare strategie voor andere onderzoekers en toezichthouders om te gebruiken. Het specificeert exact hoe de index geconstrueerd, gevalideerd en gebruikt kan worden in statistische modellen om de effecten van autonome AI te isoleren van andere factoren zoals de grootte van de bank of economische omstandigheden. De onderzoekers erkennen dat de overgang naar agentische AI complex is en dat de voordelen en risico's waarschijnlijk sterk afhangen van hoe goed een bank deze systemen beheert. Zij stellen voor dat de impact van deze technologieën zal variëren op basis van de kwaliteit van het interne toezicht van een bank, de volwassenheid van haar technologie en de strengheid van de regelgeving waaronder zij opereert.

Door een gevalideerd instrument te bieden, neemt dit werk een grote barrière weg voor het begrijpen van de toekomst van het bankwezen. Het stelt de financiële gemeenschap in staat om voorbij vage claims over "digitale transformatie" te gaan en te beginnen met het meten van de specifieke, tastbare verschuiving naar machine-autonomie. De onderzoekers hebben aangetoond dat het mogelijk is om het signaal van echte agentische actie te scheiden van de ruis van algemene technologische discussie. Deze helderheid is essentieel voor toezichthouders die de risico's van onomkeerbare geautomatiseerde betalingen moeten begrijpen, en voor investeerders die proberen de werkelijke capaciteiten van de instellingen die zij financieren in te schatten. De studie concludeert dat hoewel de technologie zich snel ontwikkelt, het vermogen om de adoptie ervan met precisie te meten nu binnen handbereik ligt, mits onderzoekers en toezichthouders de strikte validatiestappen volgen die in het nieuwe protocol worden beschreven. Dit fundament legt de basis voor een nieuw tijdperk van evidence-based analyse in het bankwezen, waarin de effecten van autonome systemen kunnen worden bestudeerd met dezelfde strengheid als elke andere financiële innovatie.