Sztuczna inteligencja w bankach – czy potrzebna jest wspólna infrastruktura? Odkryj, co mówią eksperci sektora finansowego o przyszłości AI w Polsce i wyzwaniach, które stoją przed całym sektorem. Pomysł na wspólne rozwiązania pojawia się coraz częściej, ale czy rzeczywiście można go wdrożyć w praktyce?

AI dla sektora bankowego – marzenie czy rzeczywistość?
Podczas tegorocznej edycji Banking & Insurance Forum w Warszawie środowisko bankowe gorąco dyskutowało nad jednym z najtrudniejszych pytań dotyczących transformacji cyfrowej: czy banki mogą budować wspólną infrastrukturę sztucznej inteligencji na wzór Blika? Pomysł wydawał się początkowo niemożliwy do zrealizowania, lecz im więcej ekspertów się nad nim zastanawia, tym bardziej nabiera on sensu.
Michael Donahue, CTO of Pentaho w firmie Hitachi, wprost stwierdził: „Wspólne środowisko AI dla instytucji finansowych? Na początku taki pomysł wydawał się nieproduktywny, ale im więcej się nad tym zastanawiam, tym większego nabiera on sensu”. Jego obserwacja dotyczy głównie chaosu panującego na rynkach międzynarodowych, gdzie każda instytucja finansowa działała w pojedynkę, generując różnorodne rezultaty i rosnące koszty operacyjne.
Problem jest prosty, choć rozwiązanie skomplikowane. Wszyscy działają jako „pojedynczy kontrybutorzy”, co przynosi zarówno fragmentaryzację rozwiązań, jak i astronomiczne wydatki. Modele AI pojawiają się i znikają, a brak wspólnej ramy sprawia, że jak stwierdził Donahue, „koszt jest oburzający”. Wspólne środowisko mogłoby umożliwić wykorzystanie współdzielonego budżetu i wspólnych środków bezpieczeństwa – to wydaje się być właściwą ścieżką.
Konkurencyjność versus współpraca – trudny wybór dla banków
Jednak pozostali uczestnicy debaty szybko wprowadzili nużącą rzeczywistość. Wszyscy zgodzili się z ideą, ale zaznaczali, że droga do pełnej współpracy wcale nie jest taka gładka. Marcin Zygmanowski, wiceprezes Banku Pekao S.A. nadzorujący Pion Transformacji Technologicznej i Innowacji, postawił palec na pulsie problemu: tworzenie jednego centrum danych dla całego sektora bankowego byłoby ogromnym wyzwaniem.
Dlaczego? Bo dziś dla poszczególnych banków różne zastosowania sztucznej inteligencji są wyróżnikami, które mogą zapewniać im przewagę konkurencyjną. Nikt nie chce oddawać tego rodzaju przewagi w ręce konkurencji. To jak prosić producenta Ferrari o dzielenie się sekretami tuningowania silników z Lamborghini – wszystko fajnie, ale kto by to zrobił?
Jednak Zygmanowski widzi światło w tunelu. Możliwość współpracy istnieje w tych obszarach, które nie stanowią o konkurencyjności danego podmiotu. Jako praktyczny przykład wymienił AML – system przeciwdziałania praniu brudnych pieniędzy. Banki mają obowiązek korzystania z tego systemu, który jednocześnie pochłania mnóstwo zasobów, a nie przynosi dodatkowej wartości biznesowej. To idealne pole do wspólnych działań.
„Jestem przekonany, że istnieją obszary niekonkurencyjne, w których możemy działać wspólnie. Jest to zarówno obszar cyber defence, wspomniany wcześniej AML bądź procedury KYC (weryfikacji klientów), oraz inne” – wyjaśnił wiceprezes Zygmanowski. Ten fragment rozmowy doskonale ilustruje pragmatyczne podejście polskiego sektora finansowego do AI.
Dane jako przekleństwo i błogosławieństwo – gdzie jest złoty środek?
Piotr Kusek, specjalista w firmie Comarch, wpadł na kolejną ozdobę w tym problemie: dane. Są one dla banków niezwykle cenne – to jest ich konkurencyjny atut. Nikomu się nie chce dzielić swoimi danymi, bo to jak oddawanie sobie do rąk tajemnic biznesowych.
„Natomiast z drugiej strony wiem, że dane są dla banków niezwykle ważne, są ich cennym zasobem, którym nie chcą się dzielić. Dlatego znalezienie modelu, w którym będą mogły zostać współdzielone, wydaje się bardzo trudne” – przyznał. Ale czekaj, bo Kusek zaproponował rozwiązanie: model federacyjny.
Co to oznacza w praktyce? Umożliwia on trenowanie modeli sztucznej inteligencji na danych przechowywanych lokalnie na urządzeniach zamiast przesyłania tych danych do centralnego serwera. Masz dostęp do mocy sztucznej inteligencji, ale twoje wrażliwe dane pozostają w bezpieczeństwie. To jak zjeść ciastko i je mieć – teoretycznie możliwe.
Wyzwania wewnątrz samego sektora
Krzysztof Daniel, head of data strategy w DXC Technology Polska, wrzucił kolejny kamyk do ogrodu: „Bardzo często widzimy, jak trudno jest uwspólniać operacje jednej grupy kapitałowej. A wyobrażamy sobie, jak trudno byłoby zbudować wspólną infrastrukturę dla grupy banków, które miejscami współpracują, a miejscami konkurują ze sobą”.
To wbija się w sedno problemu. Nawet w obrębie jednej grupy kapitałowej współpraca jest skomplikowana. Kiedy masz kilka konkurujących ze sobą banków, które jednocześnie mają wspólne interesy? To jest poliglot biznesu. Daniel jednak optymistycznie dodał, że gdy rewolucja AI stanie się chlebem powszednim, podążać będą za tym wspólne działania w sektorze. Czekamy więc na tę nagrodę.
Infrastruktura bez strategii to zamek na piasku
Aleksander Poniewierski, doradca zarządu w PKO Bank Polski, poddał pod ostrzał samo pytanie o infrastrukturę. Jego krytyka jest zaskakująco prosta i brutalna: „Mówienie o samej infrastrukturze w oderwaniu od odpowiedzi na pytanie: „po co to robić?”, w drugiej kolejności: „co robić?”, a w trzeciej: „po co?”, to jest klasyczny błąd”.
Poniewierski trafnie zauważa, że w samych centrach danych nie ma przewag konkurencyjnych. Moce obliczeniowe można kupić. Tak więc jeśli nie odpowiesz sobie na pytania „po co?” i „co należy robić?”, staniesz w punkcie wyjścia. A jeśli dodatkowo nie wiesz „co dalej?” – czyli jak skomercjalizować rozwiązanie, jak na nim zarobić i jak zbudować zrównoważony biznes – to nie ruszyć z miejsca.
To jest słodka gorzka prawda o technologii: niezły sprzęt bez strategii to marnotrawstwo.
Gdzie rzeczywiście są banki w adaptacji AI
O ile wspólna infrastruktura wydaje się perspektywą odległą, poszczególne banki są mocno zaawansowane w adaptacji sztucznej inteligencji. Zygmanowski wskazał na cztery główne klasy rozwiązań AI, na których koncentruje się większość banków. To przede wszystkim co-pilots – asystenci AI, a także asystenci osobisti dla pracowników i asystenci dla klientów.
Brzmi obiecująco, ale diabeł tkwi w szczegółach. Czego brakuje? Zygmanowski ujmuje to precyzyjnie: „Czego brakuje? Chyba najbardziej sprawdzonych przypadków zastosowań, które jesteśmy gotowi wdrożyć produkcyjnie, a nie tylko eksperymentować”.
To istotne. Pełne wdrożenie projektu może trwać kilka miesięcy, a w tym czasie już pojawiają się nowe, rzekomo „lepsze” modele. To jak goniąc za duchem. Dodatkowymi wyzwaniami są zmiana świadomości pracowników w zakresie stosowania AI oraz problem wdrożenia i kontroli działania asystentów AI dla klientów. Każde z tych zagadnień to osobna mapa битw.
Regulacje jako sprzymierzeniec, nie wróg
Krzysztof Daniel wygłosił coś kontrintegicyjnego: sektor bankowy, mimo że jest poddany silnej presji regulacyjnej, wcale nie jest przy tym słabszy. Wbrew obawom to jego siła w przypadku wdrożeń AI. Dlaczego? Ze względu na dojrzałość procesów i ustrukturyzowane dane.
To odkrycie zmienia perspektywę. Podczas gdy inne sektory walczą z chaosem danych i brakiem procesów, banki mają solidne fundamenty. Ale pojawia się następne pytanie: czy „produktyzacja” rozwiązań w AI ma szansę sprawdzić się w bankowości?
Budować czy kupować – art decyzji strategicznych
Odpowiedź Zygmanowskiego jest pełna złotego środka: „To zależy”. W obszarach, które są wyróżnikami dla banku, w punktach styku kontaktu z klientem i jego obsługi, banki szukają autorskich rozwiązań. Chcą być ich właścicielami.
Tam, gdzie mają zastosowanie działania niewyróżniające, można kupić gotowe do użycia rozwiązanie. Choć jak na razie takich modeli wciąż jest niewiele. To realistyczne podejście – inwestuj w to, co daje ci przewagę, a kupuj resztę. Proste, ale skuteczne.