Automatyzacja w bankowości nie musi oznaczać oddania AI kontroli nad decyzją finansową. W praktyce chodzi o coś prostszego: wybranie właściwych procesów do automatyzacji i pilnowanie, żeby decyzja — ta, która ma realny skutek finansowy — zawsze pozostała po stronie człowieka albo deterministycznego kodu.

Dlaczego bankowość wymaga innego podejścia

Sektor bankowy działa pod stałym nadzorem, regularnym audytem i wysokimi oczekiwaniami co do tego, że decyzję da się później odtworzyć — to nie jest kwestia jednego konkretnego przepisu, tylko całego zestawu zasad, które obowiązują niezależnie od tego, jak bardzo dany proces jest zautomatyzowany. Zamiast odwoływać się do konkretnych regulacji, warto zapamiętać samą zasadę: każda decyzja o realnym skutku finansowym musi dać się wytłumaczyć, odtworzyć i jasno przypisać do konkretnej osoby albo systemu. To ta zasada, a nie konkretny przepis, wyznacza granicę tego, co wolno zautomatyzować bez twardej kontroli, a co musi zostać pod nadzorem.

W praktyce oznacza to, że pytanie „czy dany proces da się zautomatyzować” jest mniej ważne niż pytanie „co się stanie, jeśli automatyzacja się pomyli, i czy da się to później wytłumaczyć”. Odpowiedź na to drugie pytanie dzieli procesy bankowe na dwie wyraźne grupy.

Procesy, które dobrze nadają się do automatyzacji z zachowaniem nadzoru

Pierwsza grupa to procesy, w których AI realnie przyspiesza pracę, a błąd jest łatwy do wychwycenia i skorygowania, zanim wywoła skutek finansowy.

Przygotowanie dokumentacji. Kompletowanie wniosków kredytowych, wypełnianie formularzy na podstawie danych klienta, generowanie szablonów umów czy pism na podstawie wcześniej zatwierdzonych wzorców — to zadania, w których AI przygotowuje materiał, a człowiek zatwierdza go przed wysłaniem albo podpisaniem. Automatyzacja skraca czas przygotowania, ale nie zmienia tego, kto ostatecznie odpowiada za treść dokumentu.

Klasyfikacja zgłoszeń. Przekierowanie reklamacji, zapytań klientów czy wniosków do właściwego działu lub kolejki to klasyczny przykład zadania, w którym pomyłka kosztuje najwyżej dodatkowe przekierowanie, a nie realną stratę finansową. AI potrafi to robić szybko i konsekwentnie, a nadzór człowieka sprowadza się do obsługi przypadków granicznych, a nie sprawdzania każdej pojedynczej decyzji.

Ekstrakcja danych. Odczytywanie danych z wyciągów, faktur, dokumentów tożsamości czy formularzy papierowych i przenoszenie ich do systemu to praca, którą AI wykonuje szybciej niż człowiek — pod warunkiem że wynik trafia do dalszej weryfikacji, a nie od razu do decyzji. Model czyta i wyciąga dane; to, co dzieje się z tymi danymi dalej, powinno podlegać osobnej kontroli.

We wszystkich trzech przypadkach wspólny mianownik jest ten sam: AI wykonuje pracę przygotowawczą, a wynik tej pracy zostaje sprawdzony, zanim nabierze skutku finansowego lub prawnego.

Gdzie decyzja musi zostać po stronie człowieka lub deterministycznego kodu

Druga grupa to procesy, w których błąd nie jest łatwy do cofnięcia albo dotyczy bezpośrednio pieniędzy klienta — tu automatyzacja bez twardej kontroli jest ryzykiem, niezależnie od tego, jak dobrze model radzi sobie statystycznie.

Obliczenia finansowe. Wysokość odsetek, opłat, rat czy zobowiązania podatkowego musi wynikać z jawnej, wersjonowanej logiki, która daje ten sam wynik przy tych samych danych wejściowych — dziś i za rok. To zadanie dla deterministycznego silnika, nie dla modelu językowego, który z natury może sformułować odpowiedź nieco inaczej za każdym razem.

Ostateczna decyzja kredytowa i ocena ryzyka. AI może pomóc uporządkować dane i wstępnie oznaczyć wniosek jako spełniający albo niespełniający określonych kryteriów, ale finalne „tak” albo „nie” — zwłaszcza w granicznych przypadkach — powinno zostać po stronie człowieka albo jasno zdefiniowanej reguły decyzyjnej, którą da się pokazać krok po kroku.

Zatwierdzanie operacji i zgodność z wewnętrznymi regułami. Sprawdzenie, czy dana transakcja albo operacja spełnia wewnętrzne zasady banku, to miejsce, gdzie odpowiedzialność musi być jasno przypisana — do konkretnej osoby albo do reguły, a nie do „oceny modelu” w danym momencie.

Wspólny mianownik tej grupy: gdziekolwiek wynik ma bezpośredni skutek finansowy albo prawny i gdzie ktoś może zapytać „dlaczego akurat taka decyzja” długo po fakcie, decyzję podejmuje kod albo człowiek — nigdy sam model językowy.

Zasada, która to wszystko spina

Podział, który tu opisujemy, sprowadza się do jednej zasady, którą stosujemy we wszystkich naszych wdrożeniach: AI czyta, klasyfikuje i proponuje, a kod liczy i decyduje w sprawach krytycznych. Pisaliśmy o niej szerzej w tekście AI proponuje, kod liczy: dlaczego rozdzielamy te role, a w kontekście samego sektora finansowego rozwinęliśmy ją w artykule o tym, gdzie decyzje muszą zostać deterministyczne. W bankowości ta zasada nie jest dodatkiem — jest warunkiem, od którego zaczyna się w ogóle bezpieczne projektowanie automatyzacji.

Dobrym uzupełnieniem tego podziału jest model automatyzacji z eskalacją do człowieka w przypadkach granicznych, o którym pisaliśmy przy okazji automatyzacji decyzji z eskalacją — zamiast „automatyzować albo nie”, system działa automatycznie tam, gdzie jest pewny, i przekazuje sprawę dalej tam, gdzie nie jest.

Jak to wygląda w praktyce

Ten sam wzorzec stosujemy we własnym produkcie księgowym. W Qkwicie AI czyta dokumenty — faktury, potwierdzenia, wyciągi — ale to deterministyczny silnik liczy podatki i składki, nie model. AI nigdy nie „decyduje” o kwocie zobowiązania — jego rola kończy się na czytaniu i klasyfikowaniu, a dalej przejmuje kod, który liczy zawsze według tych samych, sprawdzalnych reguł. To ten sam podział, który proponujemy bankom i instytucjom finansowym: AI przy odczycie i klasyfikacji, kod przy obliczeniach i decyzjach.

Od czego zacząć

W praktyce najlepiej zacząć od zmapowania procesów na te dwie kategorie, zanim padnie jakakolwiek decyzja o narzędziach. Dla każdego procesu warto zadać sobie jedno pytanie: co się stanie, jeśli automatyzacja się pomyli — czy błąd jest łatwy do wychwycenia i naprawienia, czy dotyka bezpośrednio pieniędzy klienta albo zgodności z regułami. Odpowiedź sama wskazuje, czy proces trafia do pierwszej grupy (automatyzacja z nadzorem), czy do drugiej (decyzja zostaje po stronie kodu lub człowieka).

Najczęstsze pytania

Czy AI może w ogóle być stosowane w bankowości? Tak, i to szeroko — pod warunkiem że jego rola ogranicza się do czytania, klasyfikowania i przygotowywania materiału, a decyzje o realnym skutku finansowym podejmuje deterministyczny kod albo człowiek.

Jak sprawdzić, czy dany proces nadaje się do automatyzacji? Warto zapytać, co się stanie, jeśli AI się pomyli w tym konkretnym procesie. Jeśli błąd jest łatwy do wychwycenia i nie ma bezpośredniego skutku finansowego, proces dobrze nadaje się do automatyzacji z nadzorem.

Czy automatyzacja klasyfikacji zgłoszeń wymaga nadzoru człowieka przy każdej decyzji? Nie — nadzór wystarczy skupić na przypadkach granicznych albo nietypowych, a rutynowe klasyfikacje mogą przebiegać automatycznie.

Dlaczego obliczenia finansowe nie powinny być robione przez model językowy? Bo model z natury może sformułować wynik nieco inaczej za każdym razem, a obliczenia finansowe wymagają jawnej, powtarzalnej logiki, którą da się pokazać krok po kroku podczas audytu.

Od czego zacząć wdrożenie automatyzacji w banku albo instytucji finansowej? Od zmapowania procesów i podzielenia ich na te, gdzie błąd jest tani i odwracalny, oraz te, gdzie decyzja musi zostać po stronie kodu lub człowieka — dopiero potem wybiera się narzędzia.

Jeśli zastanawiacie się, jak wyglądałby taki podział procesów w Waszej instytucji, napiszcie do nas — zaczynamy od konkretnego procesu, nie od ogólnej rozmowy o „AI w bankowości”.