Banki, które zautomatyzowały proces przyjmowania dokumentów KYC, zauważają, że wąskie gardło nie zmniejszyło się, lecz przeniosło się do kolejki spraw wyjątkowych, której nikt nie zautomatyzował. To, czy programy automatyzacyjne w bankowości faktycznie zapewniają szybszą obsługę klientów, zależy wyłącznie od tego, co się za nimi kryje: od danych, a nie od modelu.
Według badań Chartis i Encompass, proces wdrażania klientów korporacyjnych w wielu bankach nadal trwa od początku do końca ponad 90 dni, co wynika głównie z ręcznego wprowadzania danych i powtarzających się wniosków o informacje. To właśnie ten punkt wyjścia większość inicjatyw automatyzacyjnych próbuje naprawić i właśnie tutaj staje się oczywista różnica między automatyzacją procesu a automatyzacją objawu.
W obszarach bankowości, w których automatyzacja już skraca czas obsługi
Wdrażanie nowych klientów i weryfikacja tożsamości (KYC)
To najwyraźniejszy przykład tego, jak automatyzacja w bankowości wypełnia rzeczywistą lukę, ponieważ początkowy etap jest niezwykle powolny. Badania przeprowadzone przez Chartis i Encompass wskazują, że średni czas wdrożenia klienta korporacyjnego wynosi ponad 90 dni od początku do końca, co wynika w dużej mierze z ręcznych procesów i fragmentacji danych w różnych systemach, a sytuację pogarszają wąskie gardła związane z rekrutacją, utrzymaniem pracowników i szkoleniami w zespołach zajmujących się wdrażaniem. Zgodnie z tymi samymi badaniami, zautomatyzowana weryfikacja cyfrowej tożsamości klientów korporacyjnych, wdrożona w ramach tego procesu, pozwala skrócić całkowity czas przetwarzania o 32%. Krok JPMorgan w kierunku sztucznej inteligencji typu agentowego w procesie wdrażania klientów ilustruje skalę możliwości: proces wdrażania, który wcześniej trwał nawet pięć dni, miał trwać mniej niż minutę po uruchomieniu nowego systemu banku pod koniec kwietnia 2026 r., jak podaje serwis Risk.net.
Przetwarzanie dokumentów stanowi główną przyczynę opóźnień w procesie wdrażania nowych klientów. Ręczne pozyskiwanie danych z aktów założycielskich, struktur własnościowych i sprawozdań finansowych jest źródłem większości opóźnień. Cyfryzacja tego etapu za pomocą optycznego rozpoznawania znaków i ustrukturyzowanego pozyskiwania danych przekształca stos plików PDF w użyteczne, zweryfikowane pola, co przyspiesza nie tylko sam proces przyjmowania wniosków, ale także dalszą weryfikację w ramach KYC i AML. Weryfikacja ryzyka przestępstw finansowych nadal wymaga ostatecznej decyzji człowieka, ale automatyzacja sprawdza się właśnie w tym, że pozwala wskazać wnioski wymagające dokładniejszej analizy, zamiast przeglądać wszystkie z taką samą dokładnością.
Obsługa zapytań pierwszego poziomu
Menedżerowie ds. relacji z klientami w sektorze bankowości i usług finansowych poświęcają znaczną część swojego czasu na gromadzenie informacji, które już istnieją gdzieś w wewnętrznych systemach banku, zamiast odpowiadać na samo pytanie klienta. Uczenie maszynowe i przetwarzanie języka naturalnego, zastosowane do wyszukiwania informacji, a nie do podejmowania decyzji, pozwalają sztucznej inteligencji zebrać historię konta, wcześniejszą korespondencję i notatki dotyczące sprawy, zanim człowiek udzieli odpowiedzi. Skraca to czas między zgłoszeniem problemu przez klienta a uzyskaniem przydatnej odpowiedzi, nie wykluczając przy tym doradcy klienta z rozmowy.
Oba przykłady mają jedną wspólną cechę: dane finansowe, na których opierają się procesy, muszą być kompletne, spójne i dostępne dla systemu wykonującego zadanie. Właśnie w tym miejscu istotne staje się rozróżnienie między automatyzacją procesów robotycznych (RPA) z wykorzystaniem prostych narzędzi automatyzacyjnych a automatyzacją opartą na sztucznej inteligencji (AI). RPA wykonuje ustaloną sekwencję kroków i zatrzymuje się w przypadku wystąpienia wyjątku. Automatyzacja oparta na sztucznej inteligencji ma na celu obsługę wyjątków, co działa tylko wtedy, gdy dane leżące u jej podstaw są wystarczająco wiarygodne, by można było na ich podstawie dokonywać wnioskowania.
Udoskonalenie architektury aplikacji, która umożliwia przetwarzanie ponad 20 milionów faktur dziennie
Zapoznaj się z analizą przypadkuDlaczego proces ten utyka bez zarządzania danymi
Badanie rynku danych i analityki w sektorze bankowości i rynków kapitałowych przeprowadzone przez firmę Deloitte w 2024 r. wykazało, że ponad 90% użytkowników danych bankowych twierdzi, iż potrzebne im dane są często niedostępne lub ich pozyskanie zajmuje zbyt dużo czasu, a 81% wymienia jakość danych jako główne wyzwanie. Ta luka istnieje między bankiem a każdą opartą na nim inicjatywą w zakresie sztucznej inteligencji: model lub przepływ pracy są tak wiarygodne, jak dane, do których faktycznie mają dostęp.
Słabe zarządzanie danymi powoduje, że automatyzacja działa w oparciu o błędne informacje. System AI stworzony do klasyfikacji dokumentów związanych z nawiązywaniem współpracy przejmie wszelkie niespójności, które już istnieją między podstawowymi systemami bankowymi, systemem CRM oraz narzędziem do zarządzania sprawami dotyczącymi zgodności z przepisami. Integracja danych między tymi systemami jest często niekompletna, szczególnie w przypadkach, gdy starsze systemy powstały przed wprowadzeniem obecnego modelu danych banku, a zespoły finansowe często muszą ręcznie uzgadniać niekompletne zbiory danych, gdy nie może tego zrobić automatyzacja. Jeśli dane dotyczące podmiotu prawnego klienta różnią się w tych trzech systemach, sztuczna inteligencja ujawnia tę rozbieżność, zazwyczaj dokładnie w momencie, gdy klient oczekuje na decyzję.
Reguły walidacji danych stworzone z myślą o ręcznej weryfikacji również nie zawsze dają się płynnie przenieść do zautomatyzowanego przepływu pracy. Osoba sprawdzająca dokument często wychwyci niespójność formatowania i poprawi ją na miejscu. Zautomatyzowany proces stosujący tę samą regułę walidacji na dużą skalę albo odrzuci rekord, albo – co gorsza – przepuści go bez zgłoszenia, tworząc ścieżkę audytu, która wygląda na poprawną, ale taka nie jest. Ma to bezpośredni wpływ na bezpieczeństwo danych, zgodność z przepisami i sprawozdawczość regulacyjną, ponieważ organy nadzorcze oczekują od banków, że będą w stanie wykazać, w jaki sposób podjęto decyzję, a nie tylko jaki był jej wynik.
Czysty ślad audytowy ma również znaczenie dla własnego zarządzania ryzykiem przez bank: ryzyko bezpieczeństwa lub luka w zgodności, których nie da się prześledzić, są trudniejsze do wyjaśnienia organowi nadzorczemu, a jeszcze trudniejsze do wyjaśnienia klientowi po fakcie.
Czego automatyzacja nie powinna przejmować
Relacje w bankowości korporacyjnej opierają się na decyzjach opartych na własnej ocenie sytuacji, których nie da się jednoznacznie sprowadzić do schematu działania: odstąpienie od warunków umowy w trudnym kwartale, rozmowa na temat wyceny powiązana z szerszym kontekstem relacji, kwestia strukturyzacji nie mająca standardowej odpowiedzi. Przyspieszenie przyjmowania dokumentów lub klasyfikacji zapytań pozwala menedżerowi ds. relacji z klientami zaoszczędzić czas. Nie zastępuje to jednak powodu, dla którego klient korporacyjny wybrał właśnie tego menedżera.
Praktyczna granica przebiega między wyszukiwaniem informacji a podejmowaniem decyzji opartych na osądzie. Sztuczna inteligencja, która gromadzi istotne dane przed rozmową z klientem, ogranicza ręczne wprowadzanie danych i związane z tym ryzyko błędu ludzkiego. Decyzja o przyznaniu wyjątku, restrukturyzacji kredytu lub rozpatrzeniu delikatnej sprawy wymagającej eskalacji nadal wymaga nadzoru ze strony osoby, która potrafi rozważyć kontekst, do którego sztuczna inteligencja nie ma dostępu. Banki, które zacierają tę granicę, kierując decyzje wymagające osądu przez zautomatyzowany proces tylko dlatego, że dane bazowe są wystarczająco dobrze ustrukturyzowane, by to umożliwić, często generują dokładnie ten rodzaj tarć, które automatyzacja miała wyeliminować, i narażają się na straty finansowe oraz utratę reputacji, z których o wiele trudniej się podnieść niż z powolnego procesu.
Jak w praktyce wygląda stan „gotowości”
Przed wdrożeniem automatyzacji w procesie obsługującym klientów warto sprawdzić cztery kwestie:
- Pochodzenie danych i ich dokładność — czy można prześledzić pochodzenie danego punktu danych klienta aż do systemu źródłowego i potwierdzić, która wersja jest wiążąca?
- Dokumentacja procesu — czy obecny przebieg pracy jest wystarczająco jasno opisany, aby wiedzieć, gdzie sztuczna inteligencja faktycznie wyeliminowałaby jakiś etap, a nie tylko zautomatyzowała objaw?
- Integracja systemów — czy systemy, z których sztuczna inteligencja musi czerpać dane, faktycznie komunikują się ze sobą, czy też dane nadal są przenoszone między wieloma systemami poprzez ręczny eksport?
- Ścieżki eskalacji — czy jest jasne, w którym momencie sztuczna inteligencja przekazuje sprawę człowiekowi i czy przekaz ten odbywa się bez konieczności ponownego podawania informacji przez klienta?
Żadna z tych kwestii nie wymaga rozwiązania problemu jakości danych w całym banku przed rozpoczęciem prac, ale ważne jest, aby dokładnie wiedzieć, który proces jest przedmiotem działań, i upewnić się, że konkretna ścieżka danych jest solidna, zanim nałożymy na nią warstwę automatyzacji.
Właściwe ustalenie tej sekwencji pozwala również ograniczyć koszty operacyjne: naprawianie problemu z danymi po tym, jak zautomatyzowany proces działał z nimi przez miesiące, jest droższe niż wcześniejsza weryfikacja danych, a ponadto może to nadwyrężyć relacje z dostawcami, jeśli platforma automatyzacji zostanie obarczona winą za problem z danymi, który odziedziczyła, a nie spowodowała.
Bezpieczna infrastruktura lokalna zapewniająca zgodność z przepisami przy tworzeniu rozwiązań opartych na sztucznej inteligencji
Zapoznaj się z analizą przypadkuOd czego zacząć
Inteligentna automatyzacja w sektorze bankowym może rzeczywiście skrócić czas, w którym klient korporacyjny czeka na odpowiedź, decyzję w sprawie nawiązania współpracy lub rozwiązanie zgłoszenia. Jednak skala tej poprawy zależy od istniejącego systemu zarządzania danymi i jakości procesów, a wartość biznesowa ujawnia się dopiero wtedy, gdy oba te aspekty są traktowane łącznie, a nie jako odrębne obszary działania. Jeśli zostanie to dobrze zrealizowane, staje się prawdziwą przewagą konkurencyjną: nie dlatego, że bank wdrożył sztuczną inteligencję, ale dlatego, że jego dane były na to gotowe.
Nasza ocena gotowości do wdrożenia sztucznej inteligencji opiera się właśnie na tego rodzaju analizie na poziomie procesów, identyfikując miejsca, w których luki w danych i przepływie pracy mogłyby utrudnić wdrożenie sztucznej inteligencji przed jej uruchomieniem. Zamiast abstrakcyjnej oceny dojrzałości w zakresie sztucznej inteligencji, analizuje ona konkretne procesy biznesowe i doświadczenia klientów, które bank chce przyspieszyć, oraz sprawdza, czy dane leżące u ich podstaw faktycznie to umożliwiają. Dla klientów korporacyjnych korzyścią jest proces wdrażania, który nie ulega opóźnieniom, zapytanie, na które otrzymuje się odpowiedź już przy pierwszym kontakcie, oraz doradca klienta, który ma pełny obraz sytuacji jeszcze przed rozpoczęciem rozmowy. To właśnie mierzy się w zakresie satysfakcji klientów w instytucjach finansowych i jest to trwalszy wskaźnik wpływu sztucznej inteligencji niż same liczby dotyczące wdrożeń.
Ocena gotowości do wdrożenia sztucznej inteligencji
Zdobądź jasny obraz tego, w jakim stopniu Twoje dane są przygotowane do wspierania i rozbudowywania inicjatyw związanych ze sztuczną inteligencją w Twojej organizacji.
