EY oznacza globalną organizację i może odnosić się do jednej lub więcej firm członkowskich Ernst & Young Global Limited, z których każda stanowi odrębny podmiot prawny. Ernst & Young Global Limited, brytyjska spółka z ograniczoną odpowiedzialnością, nie świadczy usług na rzecz klientów.
Zobacz wszystkie wyniki dla
'
'
Brak wyników wyszukiwania
Ogólne
Zobacz wszystkoLudzie
Zobacz wszystkoOstatnie wyszukiwania
TRANSFORMACJA ZARZĄDZANIA RYZYKIEM
Jak sztuczna inteligencja na nowo zdefiniuje odporność na ryzyka, których jeszcze sobie nie wyobrażamy?
Szybkość, skala i możliwości analityczne AI mogą zmienić sposób budowania odporności w dzisiejszym złożonym środowisku ryzyka.
W skrócie
- Wiele działów ds. zarządzania ryzykiem wciąż przyjmuje postawę wyczekującą wobec wdrażania AI, jednak szybki rozwój jej możliwości sprawia, że coraz trudniej uzasadnić takie podejście.
- Uzyskanie wartości wymaga odejścia od wykorzystywania AI wyłącznie do automatyzacji istniejących procesów w kierunku przeprojektowania ich z myślą o możliwościach tej technologii.
- Mimo niepewności co do tempa i kierunku rozwoju AI firmy mogą działać już teraz, wdrażając rozwiązania wbudowane w procesy i przygotowane na przyszłość.
Artykuł powstał na podstawie publikacji EY Global „How can AI build resilience for the risks we are yet to imagine?”. Zapoznaj się z pełną oryginalną wersją.
W chwili powstawania artykułu liderzy ds. ryzyka na całym świecie mierzą się z dwoma wstrząsami zewnętrznymi: konfliktem na Bliskim Wschodzie i następującym po nim zamknięciem cieśniny Ormuz, a także bezprecedensowymi możliwościami najnowszych modeli AI w zakresie wykrywania luk cyberbezpieczeństwa na masową skalę.
Artykuł nie zawiera porad dotyczących reagowania na którykolwiek z tych kryzysów. Chodzi nie tylko o to, jak zareagujesz na wyzwania, lecz także o to, czy nadal jedynie reagujesz – i jak długo zamierzasz pozostawać w trybie reaktywnym. Pytanie dotyczy zarówno wspomnianych zdarzeń, jak i tych o podobnym charakterze. Zanim przeczytasz ten tekst, obecne kryzysy mogą już przycichnąć, lecz niemal na pewno zastąpią je inne wstrząsy systemowe.
Dwa wspomniane powyżej zdarzenia uwidaczniają podstawowe wyzwania, z jakimi mierzą się dziś liderzy ds. ryzyka, strategii i technologii. Kryzys w rejonie Ormuz jest przykładem zmian w świecie NAVI – określeniu EY opisującym rzeczywistość po pandemii, w której ryzyka są coraz bardziej nieliniowe, przyspieszone, zmienne i wzajemnie powiązane. Przetrwanie i rozwój w takich warunkach wymagają zupełnie innego podejścia do zarządzania ryzykiem, co jest praktycznie niemożliwe bez szybkości, skali i możliwości analitycznych AI. Jednak, jak pokazują przełomowe osiągnięcia w zakresie cyberbezpieczeństwa realizowane dzięki najnowszym modelom AI, sam rozwój sztucznej inteligencji również jest odzwierciedleniem świata NAVI. Nowe modele i możliwości mogą pojawiać się niespodziewanie, podważając plany wdrożeniowe firm i założenia, na których je oparto – a ta niepewność może powstrzymywać liderów przed pełną implementacją AI.
2026 EY Global Risk Transformation Study - AI and Resilience PDF [ENG]
Wyjściem z tego impasu jest strategia wdrażania, w której sztuczna inteligencja jest zarówno wbudowana w procesy, jak i przygotowana na przyszłość. W dalszej części artykułu omawiamy etapy prowadzące do opracowania takiego podejścia:
Rozdział 1. wyjaśnia, dlaczego sztuczna inteligencja jest niezbędna w zarządzaniu ryzykiem w erze NAVI oraz dlaczego podejście AI-native (czyli z AI od samego początku wbudowaną w procesy) ma kluczowe znaczenie dla wykorzystania pełnego potencjału tej technologii.
- Rozdział 2., na podstawie danych z badania, pokazuje, że samo podejście „czekaj i patrz” już nie wystarcza, gdy wiodące firmy wykorzystują AI do transformacji zarządzania ryzykiem.
- Rozdział 3. wskazuje, że nieliniowy rozwój AI stawia dodatkowe wyzwanie, jakim jest wdrażanie tej technologii w sposób przygotowany na przyszłość.
- Rozdział 4. przedstawia dalsze działania: wdrażanie AI wbudowanej w procesy i przygotowanej na przyszłość z wykorzystaniem ram Value Blueprints, aby szybko zwiększać skalę i uzyskiwaną wartość.
Chodzi nie tylko o to, jak zareagujesz na wyzwania, lecz także o to, czy nadal jedynie reagujesz – i jak długo zamierzasz pozostawać w trybie reaktywnym
1
Rozdział 1
Nowe podejście do funkcji zarządzania ryzykiem w erze AI
Uzyskanie wartości z szybkości, skali i możliwości analitycznych AI wymaga zarówno ponownego przemyślenia zarządzania ryzykiem, jak i przyjęcia podejścia AI-native, w którym sztuczna inteligencja jest wbudowana w procesy.
Początkowo wiele organizacji postawiło na tzw. łatwe do osiągnięcia korzyści, czyli automatyzację istniejących procesów w celu zwiększenia efektywności – np. przez wdrażanie platform do zarządzania ładem organizacyjnym, ryzykiem i zgodnością (GRC). Pozwala ona szybko osiągnąć wymierne rezultaty: ujednolicić taksonomie, zautomatyzować pracę ręczną i poprawić koordynację. Wiodące platformy GRC coraz częściej wbudowują funkcje agentowe, przekształcając statyczne przepływy pracy w bardziej elastyczne procesy oparte na AI.
Sztuczna inteligencja jest niezbędnym czynnikiem zmiany – ale tylko wtedy, gdy wykorzystuje się ją do budowania przyszłości zarządzania ryzykiem, a nie do automatyzowania istniejących procesów.
Dobrym punktem wyjścia była stopniowa automatyzacja istniejących procesów. Pozwala ona wykazać słuszność koncepcji i zapewnić krótkoterminowy zwrot z inwestycji. Jest również rozwiązaniem najmniej zakłócającym dotychczasowe struktury operacyjne i najłatwiejszym do wdrożenia.
Nie jest to jednak obszar największych korzyści. „Większość firm czuła presję, by wdrażać AI” – mówi Raul Villar Jr., dyrektor generalny Optro. „Zarząd i kierownictwo najwyższego szczebla zastanawiały się, jak wykorzystać tę technologię. Wszyscy zainwestowali w sztuczną inteligencję, ale większość nie odnotowała jeszcze oczekiwanego zwrotu. Nasze przejęcie Midship, platformy agentowej AI, wynikało z chęci przyspieszenia realizacji wartości i przekonania, że przyszłością GRC nie są szybsze audyty, lecz audyty zasadniczo odmienne”.
Pełne wykorzystanie potencjału AI wynika z transformacji strukturalnej: nie z automatyzowania istniejących procesów, lecz z ich ponownego zaprojektowania od podstaw w podejściu AI-native.
„Wiodące firmy odchodzą od traktowania AI jako dodatku do procesu i zamiast tego wykorzystują ją do jego zasadniczego przeprojektowania” – mówi Dan Diasio, globalny lider AI w EY Global Consulting. „Zmieniają sposób wykonywania pracy, czyli kwestionują to, czy dany proces jest nadal potrzebny, i zastanawiają się, jak powinien wyglądać jego przyszły wariant AI-native. Największa szansa na uzyskanie wartości nie polega na dołączeniu AI do procesów, lecz na wbudowaniu jej w procesy i funkcje”.
Takie podejście, w którym sztuczna inteligencja jest wbudowana w procesy, otwiera drogę do fundamentalnego przemyślenia istniejących procesów i funkcji. Przykłady tych zmian przedstawiono w poniższej tabeli.
AI dołączona do istniejących procesów |
AI wbudowana w procesy |
|
|---|---|---|
|
Apetyt na ryzyko |
Sztuczna inteligencja wspiera istniejące procesy związane z apetytem na ryzyko (np. podsumowuje ekspozycje, przygotowuje materiały dla komitetów, porównuje deklaracje apetytu na ryzyko z ostatnimi zdarzeniami). |
Sztuczna inteligencja dynamicznie dostosowuje apetyt na ryzyko do celów strategicznych (np. stale analizuje dane wewnętrzne i rynkowe oraz cele strategiczne, aby korygować apetyt na ryzyko w czasie rzeczywistym). |
|
Identyfikacja i ocena ryzyka |
Sztuczna inteligencja automatyzuje procesy ręczne (np. przeprowadza ankiety i interpretuje odpowiedzi otwarte, redaguje i standaryzuje opisy ryzyka, oblicza oceny według tradycyjnych miar prawdopodobieństwa i wpływu). |
Silnik generowania scenariuszy identyfikuje i ocenia ryzyka na dużą skalę, ograniczając ryzyko przeoczenia (np. symuluje tysiące scenariuszy, aby ujawnić ryzyka skrajne i kaskadowe skutki, ocenia ryzyka pod kątem przyszłego wpływu na cele strategiczne i przechodzi od próbkowania do analizy całej populacji). |
|
Ograniczanie ryzyka |
Sztuczna inteligencja usprawnia pracę związaną z ograniczaniem ryzyka (np. rekomenduje mechanizmy kontrolne, analizuje działania ograniczające ryzyko, standaryzuje działania naprawcze w platformach GRC). |
Sztuczna inteligencja z wyprzedzeniem definiuje strategiczne działania ograniczające ryzyko na dużą skalę (np. odpowiedzialność i eskalacja są zaprogramowane i wbudowane w pracę agentów, a generowanie scenariuszy na dużą skalę umożliwia ograniczanie szerokiego zbioru ryzyk). |
|
Monitorowanie i wykrywanie |
Sztuczna inteligencja wspiera podejście okresowe, oparte na kalendarzu (np. tworzy i redaguje okresowe raporty oraz audyty skoncentrowane na miernikach zgodności i harmonogramie audytów/raportowania). |
Agenci skanujący różne rodzaje danych monitorują ryzyka w czasie rzeczywistym w całym przedsiębiorstwie (np. agenci pierwszej linii monitorują różnorodne strumienie danych i na bieżąco aktualizują prawdopodobieństwo wystąpienia nowych ryzyk; model operacyjny firmy nieustannie ocenia wpływ na działalność i cele strategiczne). |
|
Reagowanie na ryzyko |
Sztuczna inteligencja wspiera reakcję po fakcie, aby zapewnić ciągłość działania (np. automatyczne alerty wymagają udziału człowieka w przeglądzie, analizie i wdrożeniu reakcji). |
Agenci i ludzie nadzorujący ich działanie korzystają ze zdefiniowanych wcześniej scenariuszy, aby reagować sprawnie i w czasie rzeczywistym (np. dynamiczne pulpity informują menedżerów o pojawiających się zagrożeniach; przekroczenie progów uruchamia protokoły agentów i powiadomienia dla osób sprawujących nadzór w odpowiednich momentach decyzyjnych; protokoły mogą dostosowywać się do zmieniających się okoliczności). |
2
Rozdział 2
„Czekaj i patrz” już nie wystarcza
Przyszłość nadeszła – czy jesteś na nią gotowy?
Choć wyraźna większość strategów ryzyka dostrzega potencjał wdrożeń, ich poziom jest znacznie niższy, a różnice między strategami a tradycjonalistami są jeszcze mniejsze. Działania pozostają w tyle za ambicjami.
Dwie najczęściej wdrażane technologie to tradycyjna sztuczna inteligencja i przetwarzanie języka naturalnego. Są to również najstarsze technologie objęte badaniem, a obie powstały przed pojawieniem się generatywnej AI w głównym nurcie. W przypadku pozostałych technologii objętych ankietą, które mają większy potencjał w zakresie transformacji ryzyka, wskaźniki ich przyjęcia, nawet przez strategów, są znacznie niższe.
Działy ds. ryzyka w podobnym stopniu wykorzystują nowe technologie – w przypadkach użycia zarówno stopniowego, jak i transformacyjnego. Tradycjonaliści pozostają jednak w tyle za strategami prawie dwukrotnie bardziej, jeśli chodzi o zastosowania transformacyjne (różnica 8,2 p.p.) – vs. zastosowania stopniowe (różnica 4,5 p.p.).
Najczęściej wskazywaną przez respondentów barierą wdrażania sztucznej inteligencji (45%) jest niski priorytet ryzyka w porównaniu z innymi obszarami biznesowymi. Rodzi to kolejne pytanie: dlaczego wdrażanie AI na potrzeby transformacji zarządzania ryzykiem nie jest traktowane priorytetowo? W rozmowach z liderami ds. ryzyka, także z wielu czołowych strategicznie organizacji, często słyszeliśmy, że czekają oni na dalsze potwierdzenie dojrzałości technologii, zanim zdecydują się na jej szerokie wdrożenie.
W przypadku wystąpienia przyszłych kryzysów firmy, które wykorzystują AI wbudowaną w procesy do transformacji funkcji zarządzania ryzykiem, mogą wcześniej przygotować się na rozwój wydarzeń i wyprzedzić konkurencję. Wyścig się zakończy, zanim w ogóle się rozpocznie.
Niewypowiedzianą konsekwencją podejścia „czekaj i patrz” w kwestii wdrażania technologii jest również bierne oczekiwanie na to, jak firma poradzi sobie z reagowaniem na pojawiające się ryzyka. Jak dotąd większość organizacji była zaskakiwana przez kryzysy w środowisku NAVI i musiała reagować dopiero po fakcie. Nie stanowiło to jeszcze źródła przewagi konkurencyjnej, ponieważ wszyscy znajdowali się w podobnej sytuacji.
To się jednak zmienia. W poniższej opinii dyrektor ds. ryzyka wiodącego europejskiego producenta samochodów opisuje, jak jego firma wykorzystuje sztuczną inteligencję i wdraża agentów AI w działania pierwszej linii, aby zmienić podejście do zarządzania ryzykiem. Organizacja potwierdziła już wykonalność koncepcji i twierdzi, że jej system agentowy z wyprzedzeniem zidentyfikował skutki niedoboru helu wynikającego z zamknięcia cieśniny Ormuz.
W przypadku wystąpienia przyszłych kryzysów firmy, które wykorzystują AI wbudowaną w procesy do transformacji funkcji zarządzania ryzykiem, mogą wcześniej przygotować się na rozwój wydarzeń i wyprzedzić konkurencję. W takich warunkach postawa „czekaj i patrz” przestanie wystarczać. Jeśli dopiero po kryzysie próbujesz ustalić jego dalsze konsekwencje dla firmy, jest już za późno. Będziesz konkurować z organizacjami, które zawczasu zidentyfikowały scenariusz, przeanalizowały kaskadowe ryzyka i wpływ na działalność, przygotowały plany reagowania oraz wyznaczyły osoby odpowiedzialne i nadzór. Wyścig zakończy się, zanim w ogóle się rozpocznie.
3
Rozdział 3
Sztuczna inteligencja przyspiesza, a wraz z nią pojawiają się nieoczekiwane punkty zwrotne
Czy Twoja strategia technologiczna jest przygotowana na przyszłe przełomowe zmiany w modelach nowej generacji?
W ostatnich miesiącach wdrażanie GRC skomplikowały przełomowe możliwości autonomicznej i agentowej AI oraz tzw. vibe coding, które rewolucjonizują model oprogramowania jako usługi (SaaS) i na nowo stawiają tradycyjne pytanie: budować czy kupować? Każde z podejść ma swoje zalety: np. dostęp do szerszego wsparcia i większej wiedzy rozwiązań dostawcy SaaS z jednej strony, a z drugiej – większą kontrolę nad danymi przedsiębiorstwa i możliwościami dostosowania rozwiązania w przypadku samodzielnego działania. W tym szybko zmieniającym się obszarze nawet te założenia nie pozostają niezmienne. Część organizacji rozwija rozwiązania wewnętrznie, by uzyskać większą kontrolę, a najwięksi dostawcy GRC i SaaS przyspieszają rozwój własnych architektur AI-native, oferując możliwość zakupu rozwiązań o podobnych, konfigurowalnych i agentowych funkcjach, bez dużego obciążenia wewnętrznych zespołów inżynieryjnych. (Przykład firmy, która wybrała budowę własnego rozwiązania, przedstawiono w perspektywie Adama Franka i Ramesha Raju z Ubera).
Decyzja o tym, gdzie i w jakim zakresie budować rozwiązanie, zamiast je kupować, zależy od sytuacji i celów danej firmy. Sam fakt ponownego rozważania tych decyzji pokazuje jednak szerszą prawdę: nowe technologie są nie tylko rozwiązaniem pomagającym zarządzać ryzykiem w świecie NAVI – ich rozwój sam w sobie jest nieliniowy, przyspieszony, zmienny i wzajemnie powiązany.
Rozwój modeli AI przebiega w coraz szybszym tempie. Przełomowe możliwości najnowszych modeli pojawiają się nieliniowo, wprowadzają zmienność i wielokrotnie zaskakują świat biznesu. Samo wprowadzenie ChatGPT w 2022 r. było takim nieliniowym przełomem, na który większość firm nie była przygotowana. Ostatnio najnowsze modele, zdolne wykrywać luki w oprogramowaniu na bezprecedensową skalę, zaskoczyły środowisko cyberbezpieczeństwa i podważyły utrwalone założenia dotyczące zagrożeń, możliwości i podejścia do cyberbezpieczeństwa.
Nieliniowy rozwój sztucznej inteligencji stawia liderów ds. ryzyka przed dylematem, jak firmy planujące transformacyjne, wbudowane wykorzystanie AI mogą zadbać o to, by ich wdrożenia były przygotowane na przyszłość. Jak przed wielomiesięczną transformacją zarządzania ryzykiem opartą na technologii zabezpieczyć się przed sytuacją, w której kolejny przełomowy model, w połowie procesu, podważy założenia dotyczące kosztów, korzyści i możliwości?
Rozwiązaniem jest oparcie transformacji zarządzania ryzykiem na Value Blueprints. Temu zagadnieniu poświęcony jest kolejny rozdział.
4
Rozdział 4
Budowa funkcji zarządzania ryzykiem AI-native gotowej na przyszłość
Jak pokonać liczne bariery wdrożeniowe i śmiało iść naprzód?
Załączony wykres przedstawia bariery, z jakimi mierzą się działy ds. zarządzania ryzykiem przy wdrażaniu AI. Są nimi: niski priorytet zastosowań związanych z ryzykiem, problemy z integracją, ograniczenia dotyczące danych, obawy o bezpieczeństwo oraz wyzwania związane z kompetencjami, budżetem i kosztami.
To już dobrze znana lista. Wiele badań wykazało podobne obawy dotyczące wdrażania AI. Pytanie brzmi, jak je przezwyciężyć, zwłaszcza gdy jednocześnie występuje kilka ograniczeń lub pojawiają się wszystkie z nich, jak ma to miejsce w wielu organizacjach.
Sedno problemu polega na tym, że bariery te nie są niezależne. Są głęboko powiązane i wzajemnie się nasilają. Niski priorytet ogranicza inwestycje, co pogłębia braki budżetowe i kadrowe. Luki kompetencji i danych utrudniają integrację, a ta z kolei opóźnia gotowość danych. Takie zależności tworzą samonapędzające się błędne koło, które podważa argumenty przemawiające za wdrożeniem AI.
Aby przerwać to błędne koło, działy zarządzania ryzykiem muszą w spójny i wzajemnie powiązany sposób zająć się wszystkimi ograniczeniami. Takie podejście zapewniają ramy EY.ai Value Blueprints, które powinny być podstawą wdrażania AI. Siedem warstw tych ram jest ze sobą powiązanych i wzajemnie się wzmacnia, tworząc wartość rosnącą wykładniczo, zamiast szybko osiągać plateau. (Więcej informacji w perspektywie Dana Diasia).
Wykorzystaj ramy Value Blueprints do wzajemnie powiązanego podejścia do ograniczeń – danych, zarządzania, kompetencji itp. – tak aby kolejne działania wzmacniały się i mnożyły osiągane efekty. Każdy etap realizuj z myślą o podejściu AI-native i gotowości na przyszłość:
Podejście AI-native: myśl odważnie, by w pełni wykorzystać możliwości dzisiejszych najnowocześniejszych modeli. Zamiast przenosić dotychczasowe procesy i szukać sposobów ich automatyzacji, zaprojektuj je na nowo z wbudowaną AI.
Gotowość na przyszłość: przewiduj i przygotowuj się na przyszłe punkty zwrotne. Jest to możliwe mimo pozornej nieprzewidywalności zmian nieliniowych. Nie wiemy, kiedy nastąpi kolejny przełom, ale łatwiej przewidzieć, czego będzie dotyczyć – prace nad tym już trwają, są omawiane, a niektóre możliwości nawet uwzględniono w nowszych modelach. Zastanów się, jak nowe możliwości wpiszą się w Twoje podejście, i przygotuj się na zmianę kursu. Potraktuj bariery wdrożeniowe nie jako uzasadnienie dalszego czekania, lecz jako potencjalnie przejściowe wyzwania, które mogą zniknąć wraz z dalszym rozwojem AI.
1. Określ ambicje i potencjał tworzenia wartości
Zacznij od określenia wizji i ambicji funkcji zarządzania ryzykiem. Jak będzie wyglądać jej wariant AI-native, ze sztuczną inteligencją wbudowaną w procesy? Odpowiedz na kilka pytań dotyczących zarówno dzisiejszej AI, jak i prawdopodobnych możliwości przyszłych najnowocześniejszych modeli.
Podejście AI-native:
- Zacznij od czystej kartki (bez ograniczeń wynikających z dotychczasowych procesów) – jaka jest Twoja wizja procesów zarządzania ryzykiem i modelu operacyjnego AI-native?
- Które praktyki zarządzania ryzykiem staną się przestarzałe, a jakie nowe będą musiały się pojawić, aby ta wizja mogła zostać zrealizowana?
- Gdzie znajdują się największe źródła wartości? Co w przyszłości stanie się powszechne i łatwo dostępne, a co będzie nowym źródłem wartości?
Gotowość na przyszłość:
- Jak potencjalne punkty zwrotne i nowe możliwości (np. agentowa i autonomiczna AI, sztuczna inteligencja działająca na urządzeniu lub obrzeżach sieci, małe modele językowe, AI multimodalna i rozumująca, modele świata/ inteligencja przestrzenna, pamięć trwała) zmienią zakres możliwości zarządzania ryzykiem w Twojej organizacji?
- Które z dzisiejszych ograniczeń są tymczasowe i mogą zostać przezwyciężone w najbliższej przyszłości wraz z rozwojem technologii? Czy np. generowanie danych syntetycznych pomoże rozwiązać problem ich dostępności, czy małe modele językowe obniżą wysokie koszty obliczeniowe, a narzędzia AI typu no-code/low-code złagodzą niedobór kompetencji?
- Jak łączyć różne modele i możliwości, wykorzystując je tam, gdzie sprawdzają się najlepiej? Przykładowo małe modele językowe mogą doskonale nadawać się do tworzenia wyspecjalizowanych agentów AI osadzonych w pierwszej linii, podczas gdy AI rozumująca i modele świata mogą wynieść silnik generowania scenariuszy na wyższy poziom.
2. Zaprojektuj na nowo procesy i sposób wykonywania pracy
Następnie zaprojektuj na nowo procesy i model pracy. W transformacji zarządzania ryzykiem AI-native są one nierozerwalnie powiązane i powinny być traktowane jako jeden problem projektowy, a nie odrębne ścieżki transformacji.
Procesy
Zaprojektuj procesy tak, by wykorzystywały podstawowe możliwości i mocne strony AI oraz pracowników. Może to oznaczać tworzenie ciągłych przepływów pracy, w ramach których AI monitoruje sytuację i reaguje w czasie rzeczywistym albo generuje scenariusze i symulacje na dużą skalę. Celem jest stworzenie procesów, które dostosowują się i optymalizują w czasie rzeczywistym, podczas gdy ludzie wyznaczają kierunek strategiczny.
Podważ dotychczasowe struktury i silosy. Tradycyjna klasyfikacja ryzyka na odrębne kategorie – finansowe, operacyjne, regulacyjne i związane z compliance, cybernetyczne itd. – może nie być optymalna w organizacji AI-native, przystosowanej do środowiska ryzyka NAVI. W miejsce wyróżniania odrębnych typów ryzyka zastanów się, jak przebudować procesy i strukturę organizacyjną z uwzględnieniem ryzyk wzajemnie powiązanych i systemowych. Gdzie celowo znieść granice w modelu operacyjnym zarządzania ryzykiem, np. w modelu trzech linii?
Pracownicy
Uzyskanie wartości z przeprojektowanych procesów wymaga rozwijania kompetencji i definiowania ról na nowo, aby pracownicy mogli skutecznie współpracować z AI.
Przemyśl definicje i kategorie stanowisk. Każde stanowisko charakteryzuje się zestawem kompetencji, zakresów odpowiedzialności i zadań. Czy dotychczasowy sposób ich łączenia nadal ma sens? Jeśli nie, jak je rozdzielić i ponownie połączyć? Które elementy dotychczasowych ról najlepiej mogą być realizowane przez AI i inne technologie, a w czym powinni specjalizować się ludzie?
Wraz z pojawieniem się systemów agentowych, coraz lepiej działających autonomicznie, gotowość na przyszłość wymaga również przygotowania pracowników do przejścia od nadzoru człowieka „w pętli” (ang. human-in-the-loop) do nadzoru człowieka „nad pętlą” (ang. human-on-the-loop).
„Wraz z dojrzewaniem AI i przejmowaniem przez nią coraz większej części naszej pracy będzie ona coraz częściej zwracać się do ludzi o podjęcie decyzji wymagających oceny” – mówi Sinclair Schuller, lider ds. odpowiedzialnej AI w EY Americas. „Model może wykonać ogromną ilość pracy, a następnie poprosić człowieka o wybór między opcją A a B. Obie są poprawne i uzasadnione, więc potrzebna jest ludzka ocena. To przykład nadzoru człowieka «nad pętlą» – w przeciwieństwie do podejścia, w którym człowiek jest «w pętli» i bezpośrednio interweniuje w znacznie bardziej szczegółowym zakresie. W niektórych sytuacjach obecność człowieka «w pętli» jest zdecydowanie właściwa, ale wraz z dojrzewaniem technologii coraz częściej będziemy przechodzić do nadzoru człowieka «nad pętlą»”.
Działy ds. zarządzania ryzykiem mogą w naturalny sposób skłaniać się do zachowania człowieka „w pętli”, zwłaszcza jeśli uważa się to za bezpieczniejsze rozwiązanie. Aby jednak zmaksymalizować wartość agentowej AI i systemów autonomicznych, liderzy ds. ryzyka powinni dokładnie ocenić, gdzie możliwy jest nadzór „nad pętlą”. Powinni również zakwestionować założenie, że nadzór „w pętli” zawsze oznacza mniejsze ryzyko. Udział w każdej szczegółowej decyzji może znieczulać pracowników; skuteczniejszy ład można osiągnąć podejściem, w którym decyzje przekazuje się do nadzoru człowieka tylko wtedy, gdy jest to konieczne.
Przewidywanie i przygotowanie się na przejście do systemów nadzorowanych przez człowieka „nad pętlą” wymaga celowych działań i inwestycji. Obejmuje to szkolenia i podnoszenie kwalifikacji, które przygotują pracowników do skutecznego pełnienia nowych ról. Należy również określić progi uruchamiające nadzór człowieka, ścieżki eskalacji kierujące decyzje do odpowiednich osób oraz pulpity ułatwiające nadzór.
3. Stwórz podstawy w zakresie danych, ładu organizacyjnego i technologii
Trzeci etap koncentruje się na technologii, danych i ładzie organizacyjnym. Skuteczne skalowanie AI wymaga zaprojektowania tych elementów razem jako jednej, zintegrowanej podstawy.
Dane
Dane stanowią podstawę podejmowania decyzji w funkcji zarządzania ryzykiem AI-native. Należy ujednolicić i połączyć rozproszone strumienie danych oraz włączyć je bezpośrednio do przepływów pracy. W przypadku agentowej AI szczególnie ważne są inwestycje w dane semantyczne i ustrukturyzowane, które pozwalają agentom trafnie interpretować znaczenia i relacje w kontekście. Opracowanie systemów monitorowania ryzyka i podejmowania decyzji w czasie rzeczywistym wymaga inwestycji w integrację ciągłych strumieni danych z organizacji i jej otoczenia.
Aby przygotować się na przyszłość, określ i przewiduj wymagania dotyczące gotowości danych dla nowych możliwości AI. Przykładowo sztuczna inteligencja działająca na obrzeżach sieci i małe modele językowe będą wymagać zdecentralizowanej strategii danych, a AI multimodalna – integracji różnych sygnałów.
Ład organizacyjny
Solidny ład organizacyjny umożliwia skalowanie i buduje zaufanie niezbędne do upowszechnienia AI. W przypadku systemów agentowej AI mechanizmy nadzoru należy wbudować bezpośrednio w procesy, np. w postaci kontroli w czasie rzeczywistym, agentów nadzorujących przestrzeganie zabezpieczeń i wyłączników awaryjnych. Jak wspomniano wcześniej, trzeba również ocenić, w których obszarach nadzór może skutecznie przejść od człowieka „w pętli” do człowieka „nad pętlą”.
Technologia
Technologia jest rdzeniem funkcji zarządzania ryzykiem AI-native. Wykorzystanie jej potencjału transformacyjnego wymaga infrastruktury z wbudowaną sztuczną inteligencją, a nie dołączania narzędzi. Spójne podejście, wykorzystujące ramy Value Blueprints do opracowania wizji funkcji zarządzania ryzykiem opartej na AI i jednoczesnej transformacji procesów, sposobu pracy, danych, ładu organizacyjnego i technologii, umożliwi realizację działań agentowych na dużą skalę w funkcji zarządzania ryzykiem i w całym przedsiębiorstwie.
Kyle Lawless, starszy menedżer ds. doradztwa w zakresie ryzyka, Ernst & Young LLP; Arun V. Tom, zastępca dyrektora, EYGBS (Indie) LLP; AnnMarie Pino, zastępca dyrektora, Ernst & Young LLP; Joe Morecroft, zastępca dyrektora, EYGS LLP; oraz William Reid, zastępca dyrektora Ernst & Young LLP, wnieśli swój wkład w powstanie tego artykułu.
Podsumowanie
Współczesny świat wymaga nowych sposobów zarządzania ryzykiem. Ręczne procesy i ograniczenia wyobraźni nie wystarczą. Sztuczna inteligencja jest niezbędnym czynnikiem zmiany – ale tylko wtedy, gdy wykorzystuje się ją do budowania przyszłości zarządzania ryzykiem, a nie do automatyzowania już istniejących procesów. Wdrażaj AI wbudowaną w procesy i przygotowaną na przyszłość. Wykorzystuj Value Blueprints, aby przezwyciężać ograniczenia wdrożeniowe, szybciej i sprawniej uzyskiwać wartość, a ostatecznie budować organizację odporną na zawirowania świata NAVI.
Polecane artykuły
Jak na nowo zdefiniować odporność wobec kolejnych wyzwań związanych z podatnością na zagrożenia?
Badanie EY pokazuje, jak liderzy cyberbezpieczeństwa wykorzystują możliwości najnowszych modeli AI, by wzmacniać odporność organizacji.
Gdy świat zmienia się z dnia na dzień, czy potrafisz działać w tempie, które buduje zaufanie?
Jak przeprojektować model zarządzania ryzykiem, by stawiał strategię na pierwszym miejscu, działał na podstawie sygnałów i wspierał szybkie decyzje?
Badanie EY Global Risk Transformation Study 2025 pokazuje, jak stratedzy ryzyka wcześniej dostrzegają zakłócenia, szybciej się dostosowują i precyzyjniej reagują.
