Tutaj znajdziesz wyczerpujące wskazówki dotyczące przetwarzania danych w celu ich lepszej analizy, tak aby były one czyste, ujednolicone i dostarczały wartościowych wniosków. Już teraz rozpocznij swoją przygodę z profesjonalnym zarządzaniem danymi.
Najważniejsze wnioski
- Wdrażanie sztucznej inteligencji w sektorze bankowym wyszło już poza fazę pilotażową, jednak skalowanie pozostaje nierozwiązanym problemem – jedynie niewielka część instytucji osiągnęła wdrożenie obejmujące całą organizację.
- Odporność i kontrola zastępują produktywność jako główne czynniki decydujące o infrastrukturze sztucznej inteligencji, na co wpływają rozporządzenie DORA, unijna ustawa o sztucznej inteligencji oraz rosnące obawy dotyczące suwerenności danych na rynkach europejskich.
- Najbardziej wartościowe zastosowania sztucznej inteligencji w organizacjach z sektora usług finansowych (wykrywanie oszustw, podejmowanie decyzji kredytowych, przetwarzanie dokumentów) już się sprawdziły; luka dotyczy infrastruktury i zarządzania niezbędnych do ich niezawodnego działania na dużą skalę.
- Instytucje, które wyprzedzają konkurencję, rozwiązują podstawowe problemy: integrację danych, zarządzanie sztuczną inteligencją wbudowane od samego początku oraz infrastrukturę, którą posiadają i kontrolują.
Stan wdrażania sztucznej inteligencji w sektorze bankowym: za fazą pilotażową, ale jeszcze bez osiągnięcia odpowiedniej skali
Dane wskazują na znaczny postęp. Już 33% brytyjskich firm z sektora usług finansowych wykorzystuje sztuczną inteligencję do wykrywania oszustw. Według badania przeprowadzonego przez EY-Parthenon wśród 100 osób zajmujących wysokie stanowiska decyzyjne w bankowości detalicznej i komercyjnej, 47% respondentów w pełni wdrożyło aplikacje oparte na sztucznej inteligencji generacyjnej (GenAI) do początku 2025 r., w porównaniu z zaledwie 10% w 2023 r. To znacząca zmiana odzwierciedlająca rzeczywiste inwestycje w całym sektorze.
Jednak wdrożenie to nie to samo, co skala. Badania przeprowadzone przez MIT wykazały, że jedynie 5% zintegrowanych projektów pilotażowych z wykorzystaniem sztucznej inteligencji przyniosło znaczącą wartość i zostało wdrożonych na dużą skalę do rzeczywistych procesów operacyjnych. Większość banków znajduje się obecnie właśnie w tej lukie między tymi dwiema wartościami: zainwestowały, ale nie przeszły jeszcze transformacji.
Bariery mają charakter strukturalny, a nie strategiczny. Podstawowe systemy legacy, fragmentaryczne, nieuporządkowane dane oraz ograniczenia związane z przestrzeganiem przepisów spowalniają wdrażanie na każdym etapie. Prawie 30% pilotażowych projektów AI w bankowości nigdy nie trafia do produkcji, najczęściej z powodu niejasnego zwrotu z inwestycji (ROI) lub nierozwiązanych kwestii regulacyjnych. W 2025 r. zmienia się kierunek, na którym instytucje skupiają swoją uwagę: zamiast ogólnych celów automatyzacji banki wdrażają sztuczną inteligencję i automatyzują procesy w konkretnych, charakteryzujących się dużymi oporami przepływach pracy, zwłaszcza w zakresie udzielania kredytów, wdrażania nowych klientów oraz operacji finansowych wymagających dużej ilości dokumentacji, aby dostarczać zespołom finansowym analizy w czasie rzeczywistym. Sztuczna inteligencja usprawnia również strategiczne podejmowanie decyzji dzięki dokładnym prognozom i analizom.
Ambicje stały się bardziej ukierunkowane, a wraz z tym – łatwiejsze do zrealizowania. Jednak ukierunkowane wdrożenie nadal jest dalekie od przyjęcia na skalę całego przedsiębiorstwa, co stanowiłoby prawdziwą przewagę strukturalną. Instytucje, które wypełnią tę lukę, nie osiągną tego poprzez uruchamianie kolejnych projektów pilotażowych, ale poprzez rozwiązanie leżącego u podstaw problemu infrastrukturalnego. Coraz częściej oznacza to zadawanie pytania nie tylko o to, co może zapewnić sztuczna inteligencja, ale także o to, czy architektura ją obsługująca jest wystarczająco odporna, by skalować się zgodnie z ich własnymi warunkami.
Udoskonalenie architektury aplikacji, która umożliwia przetwarzanie ponad 20 milionów faktur dziennie
Przeczytaj case studyDo czego faktycznie wykorzystuje się sztuczną inteligencję w sektorze usług finansowych
Dyskusja na temat wdrażania sztucznej inteligencji w sektorze finansowym wyszła już poza ramy teoretyczne i zapoczątkowała fundamentalną zmianę. Dane EBC ds. nadzoru bankowego wskazują na znaczny wzrost wykorzystania sztucznej inteligencji wśród europejskich banków w latach 2023–2024, przy czym na czele tej tendencji znajdują się ocena zdolności kredytowej i wykrywanie oszustw.
Oprócz tych dwóch obszarów, znacząca integracja ma miejsce również w przetwarzaniu dokumentów, procesie wdrażania nowych klientów, zarządzaniu portfelem oraz sprawozdawczości regulacyjnej – każdy z tych obszarów jest napędzany przez inne presje operacyjne i generuje różne rodzaje wymiernych korzyści. Poniżej przedstawiono przegląd obszarów, w których korzyści te są już widoczne.
Automatyzacja działalności middle office, w której przetwarzanych jest wiele dokumentów
Podstawą funkcjonowania instytucji finansowej są dokumenty: ogromne ilości danych finansowych, umowy, formularze rejestracyjne, akta KYC, wnioski kredytowe. Przez dziesięciolecia większość z nich była przetwarzana ręcznie, co oznacza, że proces ten jest powolny, podatny na błędy i trudny do skalowania.
Zgodnie z raportem Fenergo „Trendy w branży przestępczości finansowej 2025”, wdrożenie sztucznej inteligencji w procesach KYC i AML wzrosło z 42% w 2024 r. do 82% w 2025 r., a średnie wydatki na zapewnienie zgodności z przepisami na jedną firmę osiągnęły 72,9 mln dolarów – liczba ta jasno pokazuje presję kosztową, która napędza decyzje o automatyzacji.
W sektorze finansowym operacje związane z przyjmowaniem faktur i faktoringiem znajdują się na styku dużej ilości danych i złożoności. Gdy przepływ dokumentów jest duży, a jakość danych niejednolita – co niestety w finansowaniu łańcucha dostaw jest raczej normą niż wyjątkiem – koszty ręcznej obsługi szybko rosną.
Systemy przyjmowania dokumentów oparte na sztucznej inteligencji rozwiązują ten problem, tworząc jeden, ustrukturyzowany punkt wejścia dla danych z dokumentów: w standardowych przypadkach informacje są wyodrębniane, weryfikowane i kierowane dalej bez interwencji człowieka.
Dla naszych klientów korzystających z usług faktoringu i dyskontowania faktur przełożyło się to na przyspieszenie przetwarzania faktur nawet o 50%, 40-procentowy wskaźnik przetwarzania bezpośredniego w standardowych przypadkach oraz zmniejszenie nakładu pracy ręcznej nawet o 30%.
Gdy przetwarzanie dokumentów staje się niezawodne i podlegające kontroli, zmienia to zakres możliwych decyzji podejmowanych na kolejnych etapach oraz tempo, w jakim można je podejmować.
Usprawnij swoje operacje finansowe dzięki sztucznej inteligencji i automatyzacji
Od przyjmowania faktur po podejmowanie decyzji i optymalizację procesów — zyskujesz rozwiązania, które ograniczają nakład pracy ręcznej, przyspieszają podejmowanie decyzji dotyczących finansowania oraz zwiększają kontrolę nad procesami finansowymi.
Wspieramy banki, firmy z branży fintech oraz dostawców usług w zakresie finansowania łańcucha dostaw w zwiększaniu wydajności operacyjnej.
Sztuczna inteligencja w obszarze kredytów i ryzyka: szybsze decyzje, mniej błędów
W zakresie oceny zdolności kredytowej modele sztucznej inteligencji i uczenia maszynowego zwiększają dokładność dzięki zaawansowanej analizie predykcyjnej oraz większej zdolności do dostosowywania ocen do indywidualnych profili, umożliwiając rozszerzenie akcji kredytowej, skuteczniejszą ocenę ryzyka oraz obniżenie wskaźników niewypłacalności. W zakresie wykrywania oszustw ta sama infrastruktura wspiera rozpoznawanie wzorców w czasie rzeczywistym na podstawie danych transakcyjnych, sygnalizując anomalie przed wystąpieniem strat, a nie po ich wystąpieniu.
Trwa przejście od reaktywnego zarządzania ryzykiem do proaktywnego podejmowania decyzji w czasie rzeczywistym, a instytucje finansowe zdają sobie sprawę, że przynosi to spójne wyniki tylko wtedy, gdy opiera się na wysokiej jakości, zintegrowanych danych. W tym momencie kwestia infrastruktury ma bezpośredni wpływ na wyniki. Modele wyszkolone na czystych danych należących do instytucji, charakteryzujących się pełną historią pochodzenia, spójnym formatowaniem i brakiem ograniczeń związanych z udostępnianiem danych stronom trzecim, dają znacznie lepsze wyniki niż te działające na danych ogólnych lub fragmentarycznych. Prawie 60% dostawców usług finansowych nadal zgłasza trudności we wdrażaniu i utrzymywaniu modeli ryzyka opartych na sztucznej inteligencji, a jako główną przeszkodę wskazuje się integrację danych.
Różnica w wydajności operacyjnej między instytucjami, które rozwiązały problem infrastruktury zarządzania danymi, a tymi, które tego nie zrobiły, już się powiększa. Wykrywanie oszustw i monitorowanie przeciwdziałania praniu pieniędzy (AML) zazwyczaj zapewniają najszybszy zwrot z inwestycji spośród aplikacji AI w sektorze finansowym, biorąc pod uwagę ich zależność od ustrukturyzowanych danych transakcyjnych i jasnych wskaźników sukcesu. Automatyzacja procesów kredytowych i ubezpieczeniowych zapewnia wyższy długoterminowy zwrot z inwestycji (ROI), ale wymaga na początku więcej pracy nad danymi podstawowymi, co właśnie sprawia, że odpowiednie przygotowanie infrastruktury przed skalowaniem tych aplikacji jest decyzją strategiczną.
Wdrażanie nowych klientów i sprawozdawczość regulacyjna
Zgodnie z raportem Capgemini „2025 World Cloud Report” 59% banków wdraża narzędzia oparte na sztucznej inteligencji (AI) do obsługi klientów i procesu ich rejestracji. Wyniki analizy danych są jednoznaczne: powolna, ręczna rejestracja przyczynia się do utraty klientów przez 70% banków, a koszty operacyjne związane z procesem KYC na dużą skalę są znaczne. Globalne badanie BCG z 2025 r. wykazało, że banki stosujące sztuczną inteligencję w procesie KYC obniżają koszty nawet o 50%, jednocześnie poprawiając poziom zgodności z przepisami i zmniejszając nakład pracy ręcznej. Chatboty oparte na sztucznej inteligencji mogą również z łatwością usprawnić obsługę klienta, zapewniając wsparcie 24 godziny na dobę, 7 dni w tygodniu.
Podobna logika dotyczy sprawozdawczości regulacyjnej. Zespoły ds. zgodności poświęcają znaczną ilość czasu na wyszukiwanie dokumentów, porównywanie wersji i gromadzenie dowodów – są to powtarzalne zadania, które autonomiczne agenty oparte na sztucznej inteligencji wykonują szybciej i z większą identyfikowalnością niż procesy ręczne. Najbardziej bezpośrednią korzyścią dla większości instytucji jest zmniejszenie liczby błędów w sprawozdawczości oraz możliwość reagowania na zmiany regulacyjne bez konieczności ręcznego poprawiania danych w wielu systemach.
Korzyści płynące z wykorzystania sztucznej inteligencji w sektorze finansowym oraz obszary, w których instytucje wciąż nie wykorzystują w pełni swojego potencjału
Korzyści płynące z zastosowania sztucznej inteligencji w sektorze finansowym nie mają charakteru czysto teoretycznego. Obniżenie kosztów, szybsze podejmowanie decyzji, lepsze zapewnienie zgodności z przepisami oraz usprawnienie ścieżek obsługi klienta to elementy, które można zmierzyć i które zostały udokumentowane w całej branży. Utrzymująca się luka dotyczy przejścia od wczesnych wyników do wdrożenia na skalę całego przedsiębiorstwa.
Obszary, w których korzyści są już widoczne
Jeśli chodzi o koszty, kierunek jest jasny. Automatyzacja oparta na sztucznej inteligencji zmniejsza obciążenie związane z ręcznym przetwarzaniem danych, obniża wskaźniki błędów oraz skraca czas potrzebny na wykonywanie powtarzalnych zadań o dużej objętości, przy czym zapobieganie oszustwom i monitorowanie zgodności z przepisami zapewniają najbardziej natychmiastowe i wymierne oszczędności.
Jeśli chodzi o szybkość podejmowania decyzji, wnioski kredytowe i operacje finansowe, które wcześniej wymagały kilku dni, są teraz rozpatrywane w ciągu kilku minut. Proces wdrażania nowych klientów, który kiedyś trwał tygodniami, w standardowych przypadkach odbywa się teraz podczas jednej sesji. Podobnie wygląda sytuacja w zakresie obsługi klienta: gdy procesy back-office przyspieszają, dla klienta oznacza to szybsze odpowiedzi, mniej błędów i mniej utrudnień w momentach, które zwykle powodują dużą frustrację.
Dlaczego te korzyści nie osiągają pełnej skali
Są to rzeczywiste, udokumentowane usprawnienia. Problem polega na tym, że większość instytucji osiąga je tylko w poszczególnych obszarach, a nie w całej organizacji.
Raport McKinsey „State of AI 2025” wykazał, że choć wykorzystanie sztucznej inteligencji gwałtownie wzrosło, tylko około jedna trzecia organizacji zgłasza wdrażanie sztucznej inteligencji w skali całego przedsiębiorstwa, co oznacza, że choć wykorzystanie wzrosło, to wartość na dużą skalę pozostaje nieosiągalna. Przyczyny są spójne w różnych instytucjach i na różnych rynkach. Osiem na dziesięć firm wymienia ograniczenia związane z danymi jako główną przeszkodę w skalowaniu sztucznej inteligencji, a niepewna jakość danych jest często wskazywana jako główny powód, dla którego projekty pilotażowe nie przekładają się na systemy produkcyjne zapewniające niezawodną wartość.
W sektorze usług finansowych problem ten przejawia się w konkretny i dobrze znany sposób. Dane znajdują się w systemach, które nigdy nie zostały zaprojektowane do wzajemnej komunikacji (podstawowe platformy bankowe, silniki ryzyka, systemy CRM, narzędzia do zapewnienia zgodności z przepisami), a każdy z nich ma własny model danych, częstotliwość aktualizacji i mechanizmy kontroli dostępu. Model sztucznej inteligencji, który działa dobrze po przeszkoleniu na czystych, skonsolidowanych danych, osiąga gorsze wyniki lub zawodzi, gdy napotyka rzeczywiste środowisko danych instytucjonalnych w czasie rzeczywistym. Problemem jest infrastruktura leżąca u podstaw modelu.
Luka w zakresie zarządzania i odpowiedzialności
Kwestia odpowiedzialności dodatkowo potęguje trudności. Inicjatywy związane ze sztuczną inteligencją w bankach często rozpoczynają się w ramach jednej funkcji: zwalczania oszustw, kredytowania, obsługi klienta; zazwyczaj mają one jasno określonego sponsora i ograniczony zakres. Skalowanie na różne działy wymaga nadzoru ludzkiego i koordynacji między zespołami o różnych priorytetach, różnych definicjach jakości danych i różnej tolerancji ryzyka. Analiza McKinsey wskazuje na fragmentację danych, niejasność przepływu pracy oraz luki w zarządzaniu jako główne ograniczenia skalowania, zauważając, że sam budżet ich nie rozwiązuje, a organizacje mogą prowadzić projekty pilotażowe w nieskończoność, nie zmieniając sposobu, w jaki faktycznie wykonywana jest praca.
Instytucje, które wypełniają tę lukę, mają wspólną cechę: traktowały infrastrukturę danych i zarządzanie nimi jako warunki wstępne inwestycji w sztuczną inteligencję, a nie jako problemy do rozwiązania w późniejszym terminie. Korzyści płynące ze sztucznej inteligencji w sektorze finansowym są dostępne, ale czerpią z nich instytucje, które zbudowały fundamenty zdolne do ich utrzymania na dużą skalę. Dla coraz większej liczby banków dyskusja ta przesunęła się z kwestii produktywności na kwestię odporności.
Czytaj więcej: Infrastruktura sztucznej inteligencji: kompleksowy przewodnik po tworzeniu stosu rozwiązań AI
Dlaczego odporność zastępuje produktywność jako główny czynnik napędzający rozwój
Przez większą część ostatniej dekady argumenty przemawiające za wykorzystaniem sztucznej inteligencji w sektorze usług finansowych opierały się na kwestiach efektywności: szybszych procesach, niższych kosztach i zmniejszeniu nakładu pracy ręcznej. Argument ten nie zniknął, ale nie jest już głównym tematem rozmów na posiedzeniach zarządów i komisji ds. technologii. Pytanie przestało dotyczyć tego, co sztuczna inteligencja może zapewnić, a skupia się teraz na tym, czy instytucje są w stanie utrzymać, zarządzać i kontrolować ją na potrzebnej skali.
Jest to strukturalna zmiana w sposobie, w jaki branża finansowa postrzega inwestycje w sztuczną inteligencję, a napędzają ją trzy zbieżne czynniki:
- obowiązki w zakresie zgodności z przepisami, które obecnie dotyczą bezpośrednio infrastruktury technologicznej,
- rosnące obawy dotyczące suwerenności danych w coraz bardziej niestabilnym środowisku geopolitycznym,
- oraz bezpośrednie doświadczenie tego, co się dzieje, gdy systemy sztucznej inteligencji oparte na architekturach zależnych od chmury napotykają granice tej zależności.
Podwyższono minimalne wymagania regulacyjne
W styczniu 2025 r. weszła w życie ustawa DORA (unijna ustawa o cyfrowej odporności operacyjnej), nakładająca ujednolicone wymogi dotyczące ryzyka i odporności w zakresie technologii informacyjno-komunikacyjnych na około 22 000 podmiotów finansowych w całej UE, przewidująca kary w wysokości do 10% rocznego obrotu za poważne naruszenia. Rozporządzenie nakłada bezpośrednie obowiązki w zakresie zarządzania ryzykiem związanym z podmiotami zewnętrznymi, bezpieczeństwa danych, ciągłości działania oraz zdolności do wykazania, że funkcje krytyczne są w stanie wytrzymać zakłócenia technologiczne i przywrócić działanie po ich wystąpieniu, w tym te wynikające z działań dostawców zewnętrznych.
W przypadku instytucji finansowych, których procesy weryfikacji zgodności, doradztwa dla klientów lub przetwarzania dokumentów opierają się na zewnętrznym interfejsie API sztucznej inteligencji, awaria u dostawcy ma bezpośredni wpływ na ciągłość działania banku, a ta zależność wchodzi obecnie w zakres regulacji DORA. Unijna ustawa o sztucznej inteligencji dodaje kolejny wymiar: systemy sztucznej inteligencji wykorzystywane do oceny zdolności kredytowej i podejmowania decyzji finansowych są klasyfikowane jako systemy wysokiego ryzyka na mocy tej ustawy, co wymaga udokumentowanego pochodzenia danych, wersjonowania modeli, możliwości audytu oraz wyjaśnialności, a kary za nieprzestrzeganie przepisów sięgają 15 mln euro lub 3% globalnego obrotu.
Suwerenność staje się priorytetem strategicznym
Presja regulacyjna jest potęgowana przez szerszą zmianę w sposobie, w jaki europejskie instytucje finansowe postrzegają lokalizację swoich danych i to, kto sprawuje nad nimi kontrolę. Badanie przeprowadzone przez Accenture i opublikowane pod koniec 2025 r. wykazało, że 62% europejskich organizacji poszukuje suwerennych rozwiązań w zakresie sztucznej inteligencji w odpowiedzi na niepewność geopolityczną, przy czym sektor bankowy przoduje w tym zakresie, osiągając wynik 76%. Obawy te nie są abstrakcyjne: dane klientów, historia transakcji, modele kredytowe i oceny ryzyka stanowią jedne z najbardziej wrażliwych danych, jakie posiada każda organizacja, a kwestia tego, która jurysdykcja reguluje ich przetwarzanie, stała się istotnym czynnikiem ryzyka.
Wraz z wejściem w życie rozporządzenia DORA i zbliżającym się wejściem w życie unijnej ustawy o sztucznej inteligencji europejskie banki znajdują się pod presją, by lokalizować dane i wykazać się kontrolą regulacyjną, jednak sama suwerenność nie rozwiązuje kwestii wymagań dotyczących zarządzania i odporności, których domagają się organy regulacyjne. Instytucje, które najskuteczniej radzą sobie z tą sytuacją, to te, które traktują decyzje dotyczące infrastruktury i obowiązki w zakresie zgodności z przepisami jako jeden problem, a nie dwa odrębne obszary działania.
Kontrola i elastyczność jako przewagi konkurencyjne
W tym kontekście regulacyjnym i geopolitycznym pojawia się nowe ujęcie lokalnej infrastruktury sztucznej inteligencji jako celowej odpowiedzi architektonicznej na konkretne wymagania operacyjne. Instytucja, która wdraża sztuczną inteligencję w ramach infrastruktury, nad którą sprawuje kontrolę, może włączyć te systemy do własnego planu przywracania sprawności po awarii, testować je w ramach własnych ram odporności oraz obsługiwać je niezależnie od okien dostępności stron trzecich. Może wykazać organom regulacyjnym lokalizację danych i zapewnienie ich prywatności bez polegania na gwarancjach umownych od dostawców usług w chmurze. Może dostosowywać, ponownie trenować i zarządzać swoimi modelami na własnych warunkach.
Od stycznia 2025 r. rozporządzenie DORA wymaga od instytucji finansowych aktywnego zarządzania ryzykiem i dokumentowania zależności od chmury, a instytucje, które traktują to jako obciążenie związane z zapewnieniem zgodności, nie dostrzegają jego wymiaru strategicznego. Instytucje, które jako pierwsze podejmują działania w zakresie kontroli infrastruktury, budują przewagę, która się kumuluje: każda funkcja sztucznej inteligencji dodana na uregulowanych, odpornych fundamentach może być skalowana bez konieczności renegocjowania podstawowej architektury.
Lokalna infrastruktura AI: wybór strategiczny
Dla specjalistów z branży finansowej działających jednocześnie w ramach DORA, unijnej ustawy o sztucznej inteligencji oraz RODO, uruchamianie sztucznej inteligencji na infrastrukturze, którą instytucja posiada i kontroluje, staje się w coraz większym stopniu architekturą spełniającą najwięcej wymagań przy najmniejszej liczbie zależności.
Lokalizacja danych jest weryfikowalna, a nie oparta na umowie, a organy regulacyjne mogą ją bezpośrednio kontrolować. Opóźnienia są przewidywalne, co ma znaczenie dla analiz w czasie rzeczywistym oraz zastosowań w wykrywaniu oszustw i podejmowaniu decyzji kredytowych, gdzie czas reakcji wpływa zarówno na doświadczenia klienta, jak i na wiarygodność wyników modelu. Zachowanie modelu podlega kompleksowej kontroli, z pełną widocznością danych szkoleniowych, wersji i logiki decyzyjnej. Ponadto pojemność można skalować zgodnie z własnymi warunkami instytucji, bez narażania się na zmienność cen lub ograniczenia dostępności wspólnej infrastruktury chmurowej.
Nie oznacza to jednak, że chmura nie ma żadnej roli do odegrania. Większość instytucji działających na dużą skalę będzie korzystać z architektur hybrydowych, w których infrastruktura lokalna obsługuje wrażliwe obciążenia i procesy podlegające regulacjom, podczas gdy środowiska chmurowe wspierają rozwój, testowanie lub funkcje o mniejszych ograniczeniach. Strategiczne pytanie brzmi: które obciążenia wymagają takiego poziomu kontroli, możliwości audytu i odporności, jaki może zapewnić wyłącznie infrastruktura należąca do instytucji, oraz czy organizacja dysponuje kompetencjami doradczymi i wdrożeniowymi niezbędnymi do skutecznego zbudowania i obsługi tej infrastruktury.
Właśnie w tym miejscu często pojawia się rozbieżność między zamierzeniami a realizacją. Określenie odpowiedniej architektury dostosowanej do otoczenia regulacyjnego danej instytucji, jej środowiska danych oraz planu działania w zakresie sztucznej inteligencji wymaga zarówno dogłębnej wiedzy technicznej, jak i znajomości obowiązków w zakresie zgodności z przepisami, które kształtują projekt.
Oferta firmy Future Processing w zakresie doradztwa i wdrażania rozwiązań AI w modelu lokalnym została stworzona właśnie z myślą o tym problemie – pomaga instytucjom finansowym przejść od podejmowania decyzji dotyczących infrastruktury do wdrożenia sprawnych i podlegających odpowiednim zasadom systemów AI, nie traktując tych dwóch aspektów jako odrębnych projektów.
Bezpieczna infrastruktura lokalna zapewniająca zgodność z przepisami przy tworzeniu rozwiązań AI
Przeczytaj case studyJak w praktyce wygląda skalowalna architektura sztucznej inteligencji
Wdrożenie sztucznej inteligencji na dużą skalę w instytucji finansowej nie jest przede wszystkim problemem związanym z modelowaniem. Modele w większości przypadków są dostępne, sprawdzone i dobrze zrozumiałe. O tym, czy przynoszą one wartość na poziomie przedsiębiorstwa, decyduje otaczająca je architektura: potoki danych, które je zasilają, systemy, z którymi się integrują, ramy zarządzania, które je nadzorują, oraz warunki organizacyjne, które pozwalają na ich utrzymanie i ulepszanie w miarę upływu czasu.
Integracja jako podstawa
Instytucje, które odnoszą sukcesy w zakresie wdrażania sztucznej inteligencji na dużą skalę, to te, które głęboko integrują sztuczną inteligencję ze swoją podstawową architekturą, zamiast traktować ją jako funkcję pomocniczą. W praktyce oznacza to łączenie systemów sztucznej inteligencji z istotnymi źródłami danych (podstawowe platformy bankowe, silniki ryzyka, systemy CRM, zarządzanie dokumentami) za pośrednictwem stabilnych, podlegających nadzorowi potoków danych, a nie jednorazowych integracji tworzonych w ramach poszczególnych projektów.
Istniejąca infrastruktura sprawia, że jest to trudniejsze, niż się wydaje. Większość podstawowych systemów bankowych nie została zaprojektowana z myślą o udostępnianiu danych w formatach lub z częstotliwością wymaganą przez aplikacje oparte na sztucznej inteligencji. Stworzenie warstwy integracyjnej łączącej te systemy, bez zakłócania bieżącej działalności operacyjnej i bez wprowadzania nowego ryzyka związanego z utrzymaniem zgodności z przepisami, jest punktem, w którym wiele programów opartych na sztucznej inteligencji zatrzymuje się w rozwoju. Praca techniczna jest wykonalna; wyzwaniem jest zrobienie tego w sposób, który wytrzyma audyt, będzie można skalować do dodatkowych przypadków użycia i nie stworzy kruchych zależności, które później ujawnią się jako ryzyko operacyjne.
Zarządzania nie da się wprowadzić z mocą wsteczną
Tylko 12% instytucji finansowych z powodzeniem wdrożyło strategie AI obejmujące całą organizację, a tym, co odróżnia je od pozostałych 88%, nie jest budżet ani wsparcie zarządu, lecz dyscyplina w realizacji: solidne zarządzanie danymi, w tym ścieżka pochodzenia danych i odtwarzalność, kompleksowa inżynieria platformy oraz możliwości pomiarowe łączące działania AI z rzeczywistymi wynikami biznesowymi.
Zarządzanie jest elementem najczęściej traktowanym jako kwestia, którą należy rozwiązać po wdrożeniu, a nie przed nim. W środowiskach podlegających regulacjom taka kolejność działań prowadzi do przewidywalnych problemów: modele trafiają do produkcji bez udokumentowanego pochodzenia, decyzje są podejmowane bez uzasadnienia podlegającego audytowi, a gdy organy regulacyjne zadają pytania – co zdarza się coraz częściej – odpowiedzi wymagają odtworzenia zapisów, które nigdy nie były systematycznie przechowywane. Tylko 26% organizacji zgłasza posiadanie kompleksowych zasad zarządzania bezpieczeństwem sztucznej inteligencji – liczba ta odzwierciedla, jak daleko większość instytucji nadal jest od tego rodzaju dojrzałego zarządzania, jakiego wymaga wdrożenie sztucznej inteligencji na skalę przedsiębiorstwa.
Wbudowanie zarządzania od samego początku oznacza zdefiniowanie własności danych przed wyszkoleniem modeli, ustanowienie monitorowania modeli przed ich uruchomieniem oraz określenie jasnej odpowiedzialności za to, co się stanie, gdy wyniki zostaną zakwestionowane. Wymaga to więcej pracy na początku, ale jest to jedyne podejście, które nie generuje większych kosztów naprawczych w przyszłości.
Warunki organizacyjne mają równie duże znaczenie jak warunki techniczne
Decyzje architektoniczne nie istnieją w oderwaniu od organizacji, które muszą je wdrażać i utrzymywać. Sztuczna inteligencja na dużą skalę wymaga międzyfunkcjonalnej koordynacji między zespołami technologicznymi, działami ds. ryzyka i zgodności, jednostkami biznesowymi oraz kierownictwem wyższego szczebla, której większość instytucji finansowych nie wbudowała jeszcze w swoje modele operacyjne. Projekty pilotażowe odnoszą sukces częściowo dlatego, że mają ograniczony zakres: jeden zespół, jeden przypadek użycia, jeden sponsor. Skalowanie wymaga takiego samego rygoru we wszystkich działach, które mają różne priorytety i różne definicje sukcesu.
Instytucje, które najskuteczniej zmierzają w kierunku wdrożenia sztucznej inteligencji na skalę przedsiębiorstwa, to te, które podjęły jasne decyzje dotyczące odpowiedzialności: kto odpowiada za jakość danych, kto nadzoruje działanie modeli, kto zatwierdza wdrożenie w procesach podlegających regulacjom. Są to kwestie zarówno organizacyjne, jak i techniczne, a odpowiedzi na nie są niezbędne, zanim architektura będzie mogła spełnić swoje obietnice.
Luka między obecnym stanem większości instytucji finansowych a tym, gdzie powinny się znaleźć, dotyczy fundamentów: infrastruktury danych, architektury integracyjnej, ram zarządzania oraz struktur organizacyjnych, które zapewniają funkcjonowanie tych fundamentów. Instytucje, które już teraz zajmują się tymi fundamentami, budują coś, co przynosi efekt kumulacyjny: każda funkcja sztucznej inteligencji wdrożona na solidnej infrastrukturze stwarza warunki do szybszego i mniej ryzykownego skalowania kolejnej.
Usprawnij swoje operacje finansowe dzięki sztucznej inteligencji i automatyzacji
Od przyjmowania faktur po podejmowanie decyzji i optymalizację procesów — zyskujesz rozwiązania, które ograniczają nakład pracy ręcznej, przyspieszają podejmowanie decyzji dotyczących finansowania oraz zwiększają kontrolę nad procesami finansowymi.
Wspieramy banki, firmy z branży fintech oraz dostawców usług w zakresie finansowania łańcucha dostaw w zwiększaniu wydajności operacyjnej.
