Artificial Intelligence and Risk Management in Financial Institutions: Evidence from the UK Banking Sector
Notice bibliographique
Résumé
Introduction: Artificial Intelligence (AI) has become a transformative force in the global financial sector, reshaping how institutions assess, predict, and mitigate risks. In the United Kingdom, major financial institutions have rapidly adopted AI-driven technologies to enhance operational efficiency and ensure regulatory compliance.Objective: This study investigates the impact of AI on risk assessment and management among financial institutions in the United Kingdom, focusing on the extent of AI tool adoption and its influence on decision-making and compliance processes.Method: A quantitative survey research design was employed. Data were collected from 150 banking professionals across five major institutions, Barclays, Halifax, Lloyds, Nationwide Building Society, and NatWest Bank, using a structured five-point Likert scale questionnaire. A total of 138 valid responses were analyzed using descriptive statistics.Results: Findings revealed widespread adoption of AI tools such as chatbots, robotic process automation (RPA), credit scoring models, behavioral biometrics, and algorithmic trading. Respondents strongly agreed that AI automates critical aspects of risk management (Mean = 4.43), streamlines KYC and AML compliance (Mean = 4.41), and enhances fraud detection (Mean = 4.20). The results further indicated improved precision in risk modeling and decision-making processes (Mean = 4.30).Conclusion: The study concludes that AI has significantly enhanced efficiency, accuracy, and transparency in risk management among UK financial institutions. However, concerns persist regarding algorithmic bias, ethical accountability, and data privacy. The study recommends that financial institutions adopt explainable AI frameworks and regulators develop ethical guidelines for responsible AI integration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».