DNBs KI-kutt reiser spørsmål om kostnadsrisiko i banksektoren

DNBs KI-kutt reiser spørsmål om kostnadsrisiko i banksektoren
KI-kutt gir bankrisiko

Varslet om å kutte 400 årsverk i DNB løfter en bredere diskusjon om hvor robuste de økonomiske gevinstene fra kunstig intelligens faktisk er i finansnæringen. Mens automatisering kan gi høyere produktivitet og lavere lønnskostnader, er fremtidige teknologiutgifter, leverandøravhengighet og tap av intern kompetanse langt vanskeligere å beregne.

Høydepunkter

  • DNB varsler nedbemanning av 400 årsverk, men usikkerhet råder rundt reelle effektivitetsgevinster og fremtidige teknologikostnader ved bruk av KI.
  • Erfaringer som Navs kostnadssjokk fra ny GitHub Copilot-prismodell viser risiko for betydelig økte teknologikostnader dersom leverandører endrer prisstruktur.
  • Raske bemanningskutt i banksektoren kan utløse risiko for tap av nøkkelkompetanse og usikker balanse mellom lønnskutt, automatisering og styrte teknologikostnader.

Usikre forutsetninger bak effektiviseringsgevinster

Som omtalt av DN, stilles det spørsmål ved om banker har stresstestet besparelsene fra kunstig intelligens godt nok før de gjennomfører større bemanningskutt. Utgangspunktet er DNBs varsel om nedbemanning på 400 årsverk, i en situasjon der KI kan gjøre deler av arbeidet raskere og billigere, men der kostnadsbildet fortsatt er usikkert.

Teknologirådet har advart om at en eventuell KI-boble som sprekker, kan gi konkurser, færre leverandører og høyere priser. Utvikler Christin Gorman har samtidig pekt på at mange i dag får tilgang til kostbare KI-tjenester til priser som ikke nødvendigvis gjenspeiler hva de faktisk koster å levere.

Det gjør regnestykket sårbart dersom teknologiselskapene senere må prioritere varig lønnsomhet fremfor vekst. I teksten trekkes Navs erfaringer frem som et eksempel, etter at Kode24 i juni omtalte at etaten anslo tre til fire ganger høyere kostnader for GitHub Copilot etter endringer i Microsofts prismodell.

Konsekvenser for banker og kompetanse

For banker er lønnsbesparelser ved kutt i bemanning relativt enkle å anslå, mens den framtidige kostnaden ved teknologi, kontrollbehov og tapt kompetanse er vanskeligere å tallfeste. Spørsmålet blir derfor hvor mye teknologikostnadene kan øke før de ventede gevinstene blir vesentlig mindre, og hva det koster å opprettholde kvalitet og styring når flere oppgaver automatiseres.

Argumentet er at ansatte ikke bare representerer en lønnskostnad, men også erfaring, relasjoner, organisasjonsforståelse og opparbeidet kompetanse som sjelden synliggjøres i et effektiviseringsregnskap. Når denne kunnskapen først forsvinner, er den ikke nødvendigvis enkel eller billig å bygge opp igjen.

Teksten peker samtidig på at kunstig intelligens kan bli svært lønnsom for finansnæringen dersom investeringene faktisk leverer som ventet. Men store og raske nedbemanninger bør, ifølge resonnementet, bygge på analyser som også holder dersom de mest optimistiske forutsetningene ikke slår til, og på en vurdering av hvordan teknologi og eksisterende kompetanse kan skape størst verdi sammen.

I vår tidligere artikkel om utbyggingen av amerikanske AI-datasentre beskrev vi hvordan prosjektene møter økende finansieringskostnader, byggeforsinkelser og begrenset tilgang på strøm. Poenget var at selv med sterk etterspørsel etter KI er det blitt mer usikkert om utbyggerne klarer å levere kapasiteten i tide og innenfor budsjett, noe som kan presse lønnsomheten og investortilliten.

Dette materialet kan inneholde tredjeparts meninger, ingen av dataene og informasjonen på denne nettsiden utgjør investeringsråd i henhold til vår Ansvarsfraskrivelse. Selv om vi følger strenge Redaksjonelle Retningslinjer, kan dette innlegget inneholde referanser til produkter fra våre partnere.