NVIDIA vil gjøre bankdata til egne AI-modeller

NVIDIA flytter AI-satsingen i finans fra enkeltmodeller til større transaksjonsmodeller. Det høres teknisk ut. For bank, forsikring og betaling er det et styringsspørsmål.

I en ny artikkel beskriver NVIDIA hvordan finansinstitusjoner begynner å samle svindelmodeller, kredittmodeller, anbefalingssystemer og risikomodeller i én arkitektur bygget på egne transaksjonsdata. Selskapet kaller det transaction foundation models. Poenget er ikke en generell språkmodell som kan svare pent på e-post. Poenget er modeller som forstår mønstre i betalinger, overføringer, produktbruk og atferd over tid.

NVIDIA viser til sin egen State of AI in Financial Services-rapport for 2026, der 65 prosent av finansinstitusjonene sier at de bruker AI. Nesten 90 prosent er enten i drift eller vurdering, og nesten alle holder AI-budsjettet stabilt eller øker det. Når bruken vokser, vokser også problemet NVIDIA peker på: hvert nytt bruksområde får sin egen modell, sitt eget datasett, sin egen tuning og sin egen kontrollsløyfe.

Det er dyrt. Det er krevende å styre. Og det gjør det vanskelig å se kunden, risikoen og transaksjonen i sammenheng.

Fra punktmodeller til finansielle grunnmodeller

Den praktiske forskjellen er enkel: en tradisjonell svindelmodell vurderer signaler i en enkelt transaksjon. En transaksjonsmodell vurderer hendelsen i kontekst. Tidspunkt, enhet, sted, historikk, bruksmønster og tidligere avvik blir del av samme representasjon.

NVIDIA bruker eksempelet med en betaling midt på natten. Isolert kan den se normal ut. Hvis den er den fjerde betalingen på ti minutter, fra en ukjent enhet, i en by kunden aldri tidligere har brukt kortet i, endrer bildet seg. Det er denne typen kontekst finansaktørene har jaktet på i årevis med regelmotorer, feature engineering og separate modeller.

Forskjellen nå er at transformer-arkitekturer også brukes på tabulære finansdata. Det kan redusere behovet for manuelt utviklede features og gi samme modell flere oppgaver: svindel, kreditt, produktanbefalinger, porteføljeanalyse, autorisasjon og kundeservice.

NVIDIA trekker frem Revolut som eksempel. Sammen med NVIDIA har selskapet bygget PRAGMA, en familie av transformerbaserte modeller trent på 24 milliarder hendelser fra 26 millioner brukerposter i over 100 land. Ifølge NVIDIA overgår én slik modell sterke oppgavespesifikke modeller på områder som kredittscoring, svindeldeteksjon og produktanbefalinger. Revoluts kredittdatasjef sier at selskapet går fra uker eller måneder med feature engineering til at dette i praksis ikke trengs på samme måte.

Mastercard trekkes også frem. Selskapet utvikler en proprietær large tabular foundation model for betalinger, trent på milliarder av anonymiserte transaksjoner og designet for å skalere til hundrevis av milliarder transaksjoner på tvers av datasett som svindel, autorisasjon, chargeback, handelssted, lokasjon og lojalitet. NVIDIA skriver at tidlig testing viser bedre resultater enn standard maskinlæringsteknikker.

Adyen er tredje eksempel. Betalingsselskapet bruker transaksjonsmodeller i stor skala, med én billion dollar i betalinger. NVIDIA peker på at selv 0,1 prosent bedre autorisasjon kan gi betydelige utslag i handelsverdi og kostnader.

Agentisk handel gjør dette mer presserende

Det mest interessante ligger ikke i modellnavnene. Det ligger i hva som skjer når AI-agenter begynner å gjennomføre økonomiske handlinger.

NVIDIA skriver at 42 prosent av finansforetakene allerede bruker eller vurderer agentisk AI. Når agenter skal håndtere abonnementer, rute betalinger, kjøpe varer eller hjelpe kunder med finansielle beslutninger, blir transaksjonsdata ikke bare historikk. Det blir kontrollgrunnlaget for hva agentene får gjøre, hva som bør stoppes, og hvilke mønstre som tyder på misbruk.

Stripe brukes som eksempel på denne koblingen mellom transaksjonsforståelse og risikokontroll. Ifølge NVIDIA bruker Stripe plattformen fra NVIDIA og AWS til å bygge modeller som forstår konteksten i transaksjonsatferd, ikke bare enkeltstående signaler. Stripe blokkerte nær 112 milliarder dollar i svindel i fjor og oppgir en gjennomsnittlig reduksjon i svindelrater på 38 prosent.

For norske banker og finansmiljøer er dette mer enn et modellvalg. Det handler om hvilken AI-arkitektur som skal ligge under svindel, kreditt, kundeopplevelse, antihvitvasking og etter hvert agentbetalinger. De som lykkes, får mer ut av egne data. De som mislykkes, kan ende med enda flere modeller å validere, forklare, overvåke og betale for.

CIO- og CISO-spørsmålet

Denne typen arkitektur flytter ansvar. Den tekniske gevinsten er modellkonsolidering. Den organisatoriske kostnaden er at data governance, modellrisiko og tilgangsstyring blir tettere koblet.

For CIO betyr det at AI-plattformen må kunne håndtere store proprietære datasett, akselerert trening, versjonering, inferens og integrasjon med eksisterende risikosystemer. NVIDIA peker på en utviklerpakke for å bygge egne transaksjonsmodeller, med støtte for AWS SageMaker HyperPod og Nebius AI Cloud. Tjenestepartnere som EXL, Infosys, GFT IT Consulting og Thoughtworks trekkes frem for implementering i finansmiljøer.

For CISO og risikofunksjonen er spørsmålet enda skarpere. En modell som trenes på betalingshistorikk og kundeatferd blir en kjernekomponent i virksomhetens kontrollmiljø. Den må kunne forklares nok til at feil kan håndteres. Den må overvåkes for drift, skjevheter, datalekkasje og uønskede beslutningsmønstre. Og den må kobles til klare fullmakter når agentiske systemer får operativ rolle.

Det finnes også en leverandørrisiko. NVIDIA presenterer naturlig nok dette som en arkitektur bygget rundt egen stack: Hopper GPU-er, cuDF, Nemotron, NeMo AutoModel, akselerert databehandling og partnere i sky. Det gjør ikke teknologien irrelevant. Men det betyr at finansledere bør lese dette som et kappløp om kontroll over transaksjonsintelligensen, ikke bare som en ny produktlansering.

Den strategiske kjernen er enkel: transaksjonsdata er blant de mest verdifulle datasettene finansforetak eier. Hvis den dataen kan bli en felles modellrepresentasjon for risiko, kunde, produkt og agenthandlinger, endrer det både kostnadsbildet og konkurransebildet.

Det bør stå på agendaen i finansstyrerom nå. Ikke som et spørsmål om å kjøpe enda en AI-modell. Som et spørsmål om hvilke data som skal bli virksomhetens egen intelligens, hvem som skal kontrollere den, og hvordan den skal revideres.

Kilder og medier

Primærkilde: NVIDIA Blog, "Financial Institutions Are Converging on Transaction Foundation Models", publisert 2. juni 2026: https://blogs.nvidia.com/blog/financial-institutions-transaction-foundation-models/

Kildekreditering: NVIDIA Blog. Thumbnail: OpenAI Image 2 / hogby.ai.