Formularz został pomyślnie przesłany.
Więcej informacji można znaleźć w skrzynce pocztowej.
Zatrudnij nas
O nasUsługiTechnologiePortfolio
Bankowy chatbot może pomóc w typowych sprawach, takich jak zmiana hasła, wyszukanie wyciągu czy sprawdzenie, jakie dokumenty są potrzebne do złożenia wniosku kredytowego. Czy to pomocne? Tak. Czy są to sprawy, które sam chatbot może załatwić samodzielnie? Zazwyczaj nie.
Sztuczna inteligencja w bankowości i tu sprawa staje się bardziej interesująca. Wystarczy wyznaczyć agentowi cel, a ten może sprawdzić sprawę, pobrać dane z zatwierdzonych systemów, postępować zgodnie z zasadami banku, zainicjować kolejny krok i pozostawić zapis do weryfikacji. Bank ustala limity, a agent działa w ich ramach.
Dlatego Aplikacje oparte na sztucznej inteligencji typu agentowego w bankowości cieszą się tak dużym zainteresowaniem. Badanie branży usług finansowych przeprowadzone przez PwC wykazało, że 55% kadry kierowniczej sektora bankowego uznają sztuczną inteligencję generatywną lub agentową za swój główny priorytet inwestycyjny na rok 2026, a 58% spodziewa się, że w ciągu trzech lat wywrze ona największy wpływ na branżę. Z europejskiego badania EY „Financial Services AI Pulse Survey” wynika również, że 35% firm z branży usług finansowych już korzystają z agentowej sztucznej inteligencji, natomiast 25% planuje rozpocząć jej stosowanie w ciągu sześciu miesięcy.
Poniżej udzielę odpowiedzi Czym jest sztuczna inteligencja oparta na agencji w bankowości, pokażemy, jak to rozwiązanie wpisuje się w rzeczywiste procesy bankowe, oraz wyjaśnimy, w jakich obszarach banki muszą zapewnić ścisłą kontrolę. Przyjrzymy się rzeczywistym przypadkom użycia, architekturze, warstwom bezpieczeństwa oraz różnicom między chatbotem a konsultantem. Pokażę również jak wdrożyć sztuczną inteligencję opartą na agencie w sektorze bankowym bez zwiększania ryzyka operacyjnego.
Sztuczna inteligencja oparta na podejściu agentowym w bankowości i usługach finansowych odnosi się do systemów, które potrafią planować, analizować i realizować wieloetapowe procesy w celu osiągnięcia określonego celu, z zachowaniem zatwierdzonych zasad bankowych.
Przez długi czas banki wykorzystywały sztuczną inteligencję głównie do konkretnych zadań, takich jak sygnalizowanie ryzyka, sprawdzanie dokumentów, ocena punktowa czy podsumowywanie spraw. Obecnie sztuczna inteligencja typu agentowego w bankowości stanowi integralną część całego przepływu pracy. Analizuje ona sprawy, przestrzega zasad banku i podejmuje kolejny zatwierdzony krok w takich obszarach, jak weryfikacja oszustw, obsługa kredytów, kontrole zgodności, zgłoszenia serwisowe oraz prace back-office. Krótko mówiąc, sztuczna inteligencja typu agentowego realizuje przepływy pracy, podczas gdy chatboty ograniczają się jedynie do udzielania odpowiedzi na pytania.
Załóżmy, że o godz. 14:13 pracujesz w zespole ds. oszustw i do kolejki trafia podejrzana transakcja kartowa. Chatbot może wyjaśnić zasady banku dotyczące oszustw, gdy o to poprosisz. System agentowy może sprawdzić ostatnie transakcje, porównać płatność z typowymi wydatkami klienta, przeanalizować dane dotyczące lokalizacji oraz określić poziom ryzyka. Jeśli pozwalają na to zasady banku, agent może zablokować kartę, otworzyć sprawę, wysłać wiadomość weryfikacyjną oraz przekazać sprawę do Twojego zespołu, gdy nadal wymagana jest ocena człowieka.
Wraz z tym samym powiadomieniem chatbot informuje zespół o tym, co się stało. Z kolei system agentowy pomaga w dalszym przebiegu procesu.
Najłatwiejszym sposobem na zrozumienie sztucznej inteligencji typu agentowego w architekturze bankowej jest prześledzenie przebiegu konkretnego przypadku. Załóżmy, że Twój bank otrzymuje od klienta aktualizację danych w ramach procedury KYC. Klient przesyła nowy dokument potwierdzający adres zamieszkania, ale jedno pole nie zgadza się z danymi już zapisanymi w systemie bankowym. Agent AI może pomóc w dalszym przetwarzaniu tej sprawy, ale musi postępować zgodnie z określoną ścieżką.
Przykład dotyczący KYC ilustruje główną kwestię: sztuczna inteligencja typu agentowego w bankowości wymaga kontroli, punktów zatrzymania i weryfikacji przez człowieka, gdy wymaga tego poziom ryzyka lub zasady banku. Bez tych funkcji otrzymujesz po prostu chatbota pod bardziej wyszukaną nazwą.
Czynności bankowe rzadko przebiegają w ramach jednej, uporządkowanej transakcji. Weźmy na przykład wniosek o kredyt hipoteczny. Klient przesyła dokumenty dotyczące wynagrodzenia, wstrzymuje proces, a następnie wraca kilka dni później z wyciągiem bankowym i brakującym formularzem. Agent oparty na sztucznej inteligencji kontynuuje proces od ostatniego ukończonego etapu. Wie, które dokumenty przeszły weryfikację, a czego wciąż brakuje. Twój zespół ma wgląd w całą historię sprawy w jednym miejscu, zamiast szukać informacji w e-mailach, notatkach w systemie CRM i przesłanych dokumentach.
Pracownik banku musi korzystać z systemów we właściwej kolejności. W przypadku płatności transgranicznej może być konieczne sprawdzenie danych odbiorcy, salda konta, limitu płatności, kursu walutowego oraz opłat przed zrealizowaniem płatności. Weryfikacja pod kątem sankcji jest zawsze przeprowadzana oddzielnie jako obowiązkowy etap zapewnienia zgodności z przepisami.
Jeśli brakuje jakichkolwiek danych dotyczących płatności, proces zostaje wstrzymany. Jeśli kwota płatności przekracza limit, jest ona przekazywana do weryfikacji. Jeśli w wyniku kontroli pod kątem sankcji wykryte zostanie potencjalne dopasowanie, pracownik nie podejmuje decyzji o tym, czy płatność może zostać zrealizowana. Zamiast tego proces zostaje wstrzymany, a sprawa przekazywana jest do specjalisty ds. zgodności. Chatbot może poinformować klienta, że:, “Twoja płatność jest obecnie przetwarzana.” Pracownik sprawdza odpowiednie systemy i po zatwierdzeniu sprawy kontynuuje jej rozpatrywanie.
Niektóre decyzje bankowe wymagają kilku mniejszych weryfikacji na poszczególnych etapach. Dobrym przykładem jest zatwierdzanie kredytu. Konsultant sprawdza takie kwestie, jak dochody, historia kredytowa, istniejące zadłużenie, przesłane dokumenty, zasady dotyczące produktu oraz ewentualne braki w informacjach. Jeśli wszystko jest w porządku, proces przebiega szybko. Jeśli występują luki, konsultant musi zachować większą ostrożność. Gdy brakuje informacji lub profil zadłużenia wydaje się nietypowy, agent sporządza podsumowanie problemu i przekazuje sprawę do oceny analitykowi kredytowemu. Ostateczną decyzję nadal podejmuje analityk kredytowy, ale ma on teraz do dyspozycji bardziej przejrzystą dokumentację sprawy.
Sztuczna inteligencja oparta na podejściu agentycznym w obsłudze klienta w sektorze bankowym nie można działać wyłącznie na podstawie sugestii modelu. Agent przygotowuje kolejny krok, ale każde działanie nadal przechodzi przez zewnętrzne mechanizmy kontrolne, zanim dotrze do systemu bankowego. Bramka sprawdza uprawnienia, limity, sygnały ostrzegawcze związane z przeciwdziałaniem praniu pieniędzy oraz zasady dotyczące zatwierdzania przez człowieka.
Dane klientów działają na tej samej zasadzie. W przypadku odrzuconej płatności kartą konsultant może potrzebować identyfikatora sprawy, statusu transakcji oraz czterech ostatnich cyfr numeru karty. Nie potrzebuje pełnego numeru karty, skanu paszportu, dokumentacji dotyczącej dochodów ani całej historii. Jeśli sprawa wiąże się z ryzykiem, warstwa kontrolna zatrzymuje proces i przekierowuje go do odpowiedniego zespołu wraz z zapisem tego, co sprawdził konsultant i dlaczego proces został zatrzymany.
W tej chwili różnica między chatbotem a konsultantem powinna być już bardziej oczywista. Chatbot sprawdza się dobrze, gdy klient potrzebuje odpowiedzi na pytania dotyczące opłat za kartę, godzin otwarcia oddziałów, warunków produktów, szczegółów dotyczących salda lub statusu wniosku. Może wyjaśnić, jaki jest następny krok, podać link lub przekazać zapytanie do działu obsługi klienta. To przydatne rozwiązanie, zwłaszcza w przypadku prostych zapytań.
Agent wkracza do akcji wtedy, gdy sama odpowiedź już nie wystarcza. Dobrym przykładem jest zgubiona karta. Chatbot może poinformować klienta, jak ją zablokować. A sztuczna inteligencja typu agentowego w bankowości może pomóc w samej sprawie: weryfikuje tożsamość klienta, sprawdza ostatnie transakcje, blokuje kartę, wszczyna procedurę reklamacyjną w związku z podejrzanymi płatnościami, zamawia kartę zastępczą oraz wysyła aktualne informacje. Jeśli kwota jest wysoka lub schemat transakcji wydaje się nietypowy, konsultant przekazuje sprawę analitykowi ds. oszustw wraz ze szczegółami sprawy i opisem zaistniałej sytuacji.
Aby ułatwić przeglądanie tych informacji, umieściłem porównanie w poniższej tabeli.
Niepowodzenie płatności, aktualizacja danych KYC, ostrzeżenie o oszustwie czy wniosek kredytowy mogą wydawać się proste z punktu widzenia klienta. Wewnątrz banku każda sprawa przechodzi przez szereg systemów, reguł, osób odpowiedzialnych i procesów zatwierdzania. Przyjrzyjmy się głównym Przykłady zastosowań sztucznej inteligencji typu agentowego w bankowości po kolei i sprawdzić, czym może zająć się dany agent, a w jakich sprawach zespół nadal musi wkroczyć do akcji.
Klienci zazwyczaj przychodzą do banku z problemem, który trzeba rozwiązać: zgubili kartę, płatność nie powiodła się, opłata wydaje się nieprawidłowa albo trzeba zmienić limit. Nikt nie otwiera aplikacji bankowej dla samej przyjemności.
Chatbot może wyjaśnić kolejne kroki, wysłać link lub przekazać zgłoszenie do działu obsługi klienta. To pomaga, ale tylko do pewnego stopnia. Klient może nadal być zmuszony do czekania, klikania po stronie internetowej lub powtarzania swojej sprawy komuś innemu. ASztuczna inteligencja w bankowości może obsłużyć więcej zgłoszeń serwisowych w ramach zatwierdzonego procesu. W przypadku nieudanej płatności agent może sprawdzić status płatności, saldo konta, limity karty lub przelewów, ostatnie sygnały ryzyka oraz przyczynę odrzucenia transakcji. Jeśli rozwiązanie jest proste, system może wskazać kolejny krok lub wysłać odpowiednie zgłoszenie. Jeśli sprawa wydaje się nietypowa, szczegóły są przekazywane do zespołu wsparcia lub zespołu ds. ryzyka.
Zespoły ds. oszustw muszą jednocześnie radzić sobie z nadmiarem informacji i pilnymi sprawami. Jednym z sygnałów ostrzegawczych może być klient kupujący trampki podczas podróży. Innym – pierwsza oznaka przejęcia konta. Pracownik banku może sprawdzić sygnały transakcyjne, porównać płatność z typowymi zachowaniami klienta, zastosować reguły ryzyka i wybrać kolejny zatwierdzony krok. Sprawy o niskim ryzyku mogą zostać przekazane do potwierdzenia przez klienta. Sprawy o wyższym ryzyku mogą skutkować zablokowaniem karty, zablokowaniem przelewu, wszczęciem postępowania w sprawie oszustwa lub weryfikacją przez specjalistę.
Byłbym jednak ostrożny w tej kwestii. Ten proces nie może pozostawać w stanie zamrożenia przez wiele miesięcy. Schematy oszustw ulegają zmianom, a potrzebna jest swoboda, by dostosowywać progi, testować nowe sygnały na podstawie wcześniejszych przypadków oraz weryfikować fałszywe alarmy, zanim zmiany zaczną dotyczyć prawdziwych klientów.
Często prace związane z KYC i AML są wstrzymywane jeszcze przed podjęciem decyzji. Ktoś sprawdza dowód tożsamości, brakujące dokumenty, odpowiedź dotyczącą źródła pochodzenia środków oraz alerty AML. Pierwszą fazę tego procesu może przejąć agent. Wykrywa on brakujące pliki, prosi klienta o dostarczenie odpowiedniego dokumentu, sprawdza zatwierdzone źródła pochodzenia środków, aktualizuje status sprawy oraz przygotowuje krótką notatkę dla działu zgodności. Jeśli dopasowanie do listy sankcji jest niejasne lub wyjaśnienie dotyczące źródła pochodzenia środków wydaje się niewystarczające, sprawa trafia do specjalisty.
Proces rozpatrywania wniosku kredytowego często utyka na etapie poprzedzającym ostateczną decyzję o przyznaniu lub odrzuceniu kredytu. Dokumenty dotyczące dochodów, dane z biura informacji kredytowej oraz historia rachunków są przechowywane w oddzielnych systemach. Agent bankowy może zebrać te informacje w całość, zanim analityk kredytowy otworzy akta. Wykrywa on brakujące dane, sprawdza zgodność wniosku z zasadami udzielania kredytów oraz zaznacza elementy wymagające weryfikacji.
W przypadku banków z UE ten proces podlega bardziej rygorystycznym przepisom. Ustawa UE o sztucznej inteligencji klasyfikuje systemy sztucznej inteligencji które oceniają zdolność kredytową danej osoby lub klasyfikują jej ocenę kredytową jako obarczoną wysokim ryzykiem, chyba że są one wykorzystywane do wykrywania oszustw finansowych. Zanim takie systemy zostaną uruchomione, banki muszą dopełnić wymaganych procedur zapewniających zgodność z przepisami, zapewnić nadzór ze strony personelu oraz przestrzegać obowiązujących zasad rejestracji.
Kody przyczyn muszą mieć swoje własne miejsce w schemacie. W Stanach Zjednoczonych, ECOA i rozporządzenie B wymagają podania konkretnych powodów podjęcia działań niekorzystnych. W UK i UE, przepisy dotyczące kredytów hipotecznych nakładają na kredytodawców obowiązek poinformowania konsumentów o odrzuceniu wniosku o kredyt hipoteczny, a także przekazania dodatkowych informacji, jeśli na decyzję wpłynęło sprawdzenie danych w bazie. Agent może przygotować dokumentację i zaznaczyć elementy wymagające weryfikacji, jednak to bank pozostaje odpowiedzialny za uzasadnienie, dokumentację oraz ostateczną decyzję kredytową.
Operacje bankowe ulegają spowolnieniu, gdy jedno zadanie przechodzi przez zbyt wiele osób. Na przykład w przypadku badania płatności jedna osoba sprawdza transakcję, inna weryfikuje stan konta, następnie sprawa oczekuje na zatwierdzenie, a na koniec ktoś informuje klienta o postępach. Pracownik banku może sprawnie przeprowadzić sprawę przez wszystkie etapy: wszcząć dochodzenie, pobrać szczegóły płatności, zaktualizować sprawę, wystąpić o zatwierdzenie, powiadomić odpowiedni zespół oraz przesłać klientowi aktualne informacje.
Banki mogą wykorzystywać agentów w sytuacjach generujących przychody, jednak bezpieczniejsze procesy zaczynają się od zapytania klienta. Jeśli klient zapyta, co zrobić z niewykorzystanym saldem, agent może sprawdzić zgodę klienta, jego kwalifikowalność, zasady dotyczące produktu oraz kontekst konta, zanim zaproponuje odpowiednią opcję oszczędnościową.
Sprawy związane z kredytami wymagają bardziej rygorystycznego podejścia. Jeśli właściciel małej firmy zapyta o krótkoterminowe finansowanie przed wypłatą wynagrodzeń, agent nie powinien samodzielnie decydować, czy klient spełnia kryteria, ani proponować mu wstępnie wyselekcjonowanej oferty. Może zebrać niezbędne dane, sprawdzić podstawowe zasady i skierować sprawę do zatwierdzonego przez bank procesu kredytowego. W takim modelu agent wspiera sprzedaż krzyżową, nie zamieniając jej jednak w agresywną presję sprzedażową.
Chatboty ułatwiają komunikację w bankowości. Sztuczna inteligencja typu agentycznego zmienia przebieg wydarzeń po tym, jak klient poprosi o pomoc. W praktyce największą zaletą Aplikacje oparte na sztucznej inteligencji typu agentowego w bankowości przyspieszać realizację spraw przy mniejszej liczbie przekazywania zadań, zmniejszyć liczbę drobnych zadań dla zespołu oraz pomóc klientom w szybszym osiągnięciu celu, po który przyszli.
Wiele kosztów bankowych kryje się w drobnych zadaniach, takich jak sprawdzanie dokumentów, kopiowanie danych, otwieranie spraw, wysyłanie aktualizacji i śledzenie zatwierdzeń. Każdy z tych kroków wydaje się nieistotny, ale koszty rosną, gdy ta sama praca powtarza się w przypadku tysięcy aktualizacji danych KYC, weryfikacji płatności, alertów o oszustwach czy dokumentacji kredytowej. Konsultant może przejąć część tych rutynowych zadań, pozostawiając zespołowi sprawy wymagające osobistego zaangażowania. Bank ponosi mniejsze koszty za tę samą powtarzalną pracę, ponieważ pracownicy poświęcają na nią mniej czasu.
Wiele spraw bankowych utknęło w martwym punkcie między systemami i zespołami. Konsultant może poprowadzić sprawę zgodnie z zatwierdzonym schematem postępowania, aktualizować dane, wnioskować o zatwierdzenie, wysyłać powiadomienia oraz wstrzymać proces, gdy zasada lub próg ryzyka wymaga weryfikacji. Dzięki temu pracownicy poświęcają mniej czasu na sprawdzanie statusów lub czekanie na kolejne przekazanie sprawy.
Agenci mogą wspierać sprzedaż krzyżową, gdy klient zwrócił się już o pomoc lub zapytał o dostępne opcje produktów. Sprawdzają oni zgodę klienta, jego kwalifikowalność, zasady dotyczące produktów oraz kontekst konta, a następnie kierują sprawy związane z kredytami podlegającymi regulacjom do zatwierdzonego przez bank procesu weryfikacyjnego. Bank zyskuje w ten sposób więcej okazji do przedstawienia trafnej oferty w momencie, gdy klient już szuka porady.
Agent bankowy może sprawdzać uprawnienia, stosować zasady bankowe, sygnalizować nietypowe działania oraz rejestrować każdą czynność. Twój zespół widzi, co się wydarzyło, kiedy to miało miejsce oraz dlaczego dana sprawa posunęła się naprzód lub została wstrzymana. Ułatwia to kontrolowanie ryzykownych spraw, zanim przerodzą się one w problemy związane z klientami lub audytem.
Klientom zależy na konkretnych rezultatach. Chcą, aby karta została zablokowana, aby wszczęto procedurę sporu, aby wniosek kredytowy został rozpatrzony lub aby rozwiązano problem z płatnością. Chatbot może udzielić odpowiedzi na pytanie. Konsultant może pomóc w realizacji zadania. Dzięki temu klienci poświęcają mniej czasu na kontaktowanie się z bankiem w celu uzyskania aktualnych informacji, a bank otrzymuje mniej powtarzających się zgłoszeń telefonicznych i internetowych dotyczących tego samego problemu.
Agent bankowy nie powinien mieć bezpośredniego dostępu do systemów bankowości podstawowej, płatności, KYC, CRM ani systemów przeciwdziałania oszustwom tylko dlatego, że może zaproponować kolejny krok. Bank potrzebuje pośredniego punktu kontrolnego. Sprawdza on, czy agent ma uprawnienia do podjęcia działania, z jakich danych może korzystać, czy dana czynność wymaga zatwierdzenia przez inną osobę oraz w jaki sposób zostanie ona zarejestrowana. To właśnie zadanie bramy, mechanizmów kontroli bezpieczeństwa i połączeń danych.
Załóżmy, że klient zgłasza utratę karty. Konsultant może uznać, że karta powinna zostać zablokowana, ale bank musi jeszcze sprawdzić, czy ten konkretny konsultant ma uprawnienia do zablokowania tej karty.
To właśnie zadanie bramy Model Context Protocol (MCP), która znajduje się pomiędzy agentem a systemami banku. Zanim żądanie dotrze do systemów zarządzania kartami, systemu bankowości podstawowej, systemów płatności, KYC, CRM lub narzędzi do wykrywania oszustw, brama sprawdza, czy dana operacja jest dozwolona, czy żądanie ma właściwy format, czy wymagana jest zgoda oraz czy operacja zostanie zarejestrowana.
W praktyce brama steruje sześcioma elementami:
Chatbot zazwyczaj obsługuje treści o niskim poziomie ryzyka, takie jak strony produktów, odpowiedzi na często zadawane pytania, zatwierdzone skrypty oraz treści z centrum pomocy. Jeśli udzieli on nieprecyzyjnej odpowiedzi, bank może ją skorygować.
Agent jest bliżej rzeczywistych działań. Może poprosić o dokument, zaktualizować sprawę, zainicjować blokadę karty, uruchomić kontrolę płatności lub wysłać alert AML do weryfikacji. Zanim to nastąpi, bank potrzebuje warstwy zabezpieczeń, która sprawdzi żądanie, dane oraz kolejny krok.
Pracownik bankowy, podobnie jak każdy wykwalifikowany specjalista ds. operacyjnych, potrzebuje odpowiednich danych z właściwego systemu dokładnie w momencie, gdy zespół pracuje nad daną sprawą.
Jeśli klient chce wiedzieć, dlaczego przelew międzynarodowy jeszcze nie dotarł, odpowiedź może znajdować się w kilku miejscach. System płatniczy pokazuje status przelewu. System bankowości podstawowej zawiera dane konta, a monitorowanie oszustw ujawnia, czy płatność wywołała uruchomienie reguły. System CRM zawiera notatkę dotyczącą klienta, a rejestr sprawy pokazuje, co zespół już sprawdził. Jeśli konsultant widzi tylko notatkę w systemie CRM, może się to wydawać pomocne, ale nadal nie uwzględnia prawdziwej przyczyny.
Połączenia API zapewniają agentowi ograniczony dostęp do tych systemów. Może on sprawdzać status płatności, dane klientów, informacje KYC, sygnały oszustw, dokumenty oraz historię spraw, nie mając dostępu do wszystkich danych. Bank decyduje, jakie informacje agent może przeglądać, jakie może aktualizować, a do czego dostęp pozostaje zablokowany. Dane muszą być jednak aktualne. Wczorajszy status płatności, sygnał oszustwa lub ocena ryzyka mogą wprowadzić agenta w błąd.
Sztuczna inteligencja oparta na podejściu agentycznym w obsłudze klienta w sektorze bankowym staje się ryzykowne w momencie, gdy zaczyna podejmować działania. Słaba odpowiedź chatbota może irytować klienta. Nieudolne działanie agenta może spowodować realne szkody operacyjne: zablokować niewłaściwą kartę, opóźnić przyznanie kredytu, ujawnić dane osobowe lub skierować podejrzaną sprawę na niewłaściwą ścieżkę. Im wcześniej dostrzeżesz, gdzie agent może popełnić błąd, tym łatwiej będzie kontrolować tę część przepływu pracy, zanim wpłynie to na rzeczywiste sprawy.
Sztuczna inteligencja oparta na podejściu agentowym w bankowości Nie należy polegać wyłącznie na pamięci w przypadku odpowiedzi dotyczących kredytów, spłat, sporów, opłat, limitów lub ograniczeń dotyczących konta. Każda odpowiedź w tych procedurach musi odwoływać się do dokumentacji, która ją potwierdza. Jeśli brakuje takiej dokumentacji, sprawa powinna zostać poddana weryfikacji, zanim klient otrzyma odpowiedź.
Należy upewnić się, że konsultant pracuje na podstawie najnowszego wpisu, zanim przejdzie do kolejnego etapu obsługi sprawy. Nieaktualny status KYC, opóźnienie w aktualizacji transakcji, nieaktualne saldo lub niekompletny profil klienta mogą spowodować skierowanie sprawy na niewłaściwy etap. W przypadku spraw dotyczących kredytów, oszustw, przeciwdziałania praniu pieniędzy, płatności oraz ograniczeń dotyczących kont konsultant powinien wstrzymać się z dalszymi działaniami, jeśli aktualny wpis źródłowy jest niekompletny lub nieaktualny.
Agent obsługujący klientów ma do czynienia z komunikatami, nad którymi bank nie ma kontroli. Ktoś może poprosić go o zignorowanie zasad, wyświetlenie danych objętych ograniczeniami, pominięcie procedury zatwierdzania lub wywołanie narzędzia wykraczającego poza jego zakres działania. Agent musi mieć ściśle określone ograniczenia dotyczące tego, co może odczytywać, jakie czynności może wykonywać oraz które działania muszą najpierw trafić do recenzenta-człowieka.
Pracownik może przenieść stare schematy do nowego procesu. Na przykład w obszarze udzielania kredytów wcześniejsze decyzje o zatwierdzeniu mogą sprawić, że system będzie faworyzował jeden typ kredytobiorców. W zakresie wykrywania oszustw starsze reguły mogą powodować, że system częściej będzie sygnalizował pewne grupy klientów. Twój zespół powinien sprawdzić wskaźniki zatwierdzeń, przyczyny odrzucenia wniosków, fałszywe alarmy oraz przypadki eskalacji dla wszystkich grup klientów.
Pracownik banku może mieć dostęp do sald kont, numerów identyfikacyjnych, danych kart, historii transakcji, dokumentacji dotyczącej dochodów, wiadomości z działu obsługi klienta oraz notatek dotyczących ryzyka. Ryzyko pojawia się, gdy proces pracy ujawnia więcej danych, niż jest to konieczne do rozpatrzenia danej sprawy. Jedno błędne uprawnienie lub przekazanie danych może spowodować, że informacje o kliencie trafią w niewłaściwe miejsce. Należy ograniczyć dostęp do danych niezbędnych do obsługi bieżącej sprawy. Jeśli nie można jasno wyjaśnić, do jakich danych uzyskał dostęp pracownik i dlaczego, proces nie jest gotowy do obsługi danych bankowych.
Każde działanie agenta musi zostać odnotowane. Niezależnie od tego, czy agent zablokuje transfer, zaktualizuje status KYC, przekaże sprawę kredytową do dalszego rozpatrzenia, czy też prześle sprawę dotyczącą przeciwdziałania praniu pieniędzy do weryfikacji, należy mieć wgląd w zasady, dane i proces zatwierdzania związane z każdym z tych kroków.
Sztuczna inteligencja oparta na agentach nie może podlegać niejasno zdefiniowanemu zespołowi ds. sztucznej inteligencji. Odpowiedzialność powinny przejąć zespoły, które już obsługują dany proces – niezależnie od tego, czy chodzi o obsługę kart w zakresie blokad i sporów, udzielanie kredytów w ramach wniosków kredytowych, czy też zapewnienie zgodności z przepisami w zakresie weryfikacji tożsamości klientów (KYC) i przeciwdziałania praniu pieniędzy (AML). Każdy właściciel musi wiedzieć, co agent może robić, kiedy specjalista musi zatwierdzić dany krok oraz co się stanie, gdy coś pójdzie nie tak.
Każda implementacja sztucznej inteligencji typu agentowego w sektorze bankowym będzie wyglądać inaczej, ponieważ każdy proces biznesowy charakteryzuje się własnymi systemami, danymi, ryzykami i zasadami zatwierdzania. Niemniej jednak przed rozpoczęciem prac warto zapoznać się z głównymi etapami oraz wymaganiami każdego z nich.
Zacznij od czegoś mniejszego niż to, co chcesz osiągnąć. To moja szczera rada. Wybierz jeden proces, który ma już ustalone zasady, ograniczenia i zespół odpowiedzialny za jego realizację. Dobrym początkiem mogą być kontrole adresów w ramach procedury KYC w handlu detalicznym. Dobrze sprawdzają się również podsumowania alertów dotyczących oszustw przeznaczone dla analityków.
Ogólna obsługa klienta zazwyczaj wykracza poza zakres pierwszej wersji. Obejmuje zbyt wiele intencji, systemów, przypadków skrajnych i ścieżek zatwierdzania. Przed rozpoczęciem pisania kodu zespół musi nakreślić przebieg procesu, odpowiadając na kilka podstawowych pytań:
Po wybraniu scenariusza użycia należy przyjrzeć się danym, które są faktycznie potrzebne w ramach tego przepływu pracy. Agent potrzebuje wystarczającego kontekstu, aby wykonać zadanie, ale zakres dostępu powinien pozostać ograniczony.
W przypadku procesu weryfikacji tożsamości klienta (KYC) mogą to być dane profilowe klienta, przesłane dokumenty, wyniki kontroli sankcji, reguły polityki oraz historia spraw. Klasyfikacja przypadków oszustw wymaga innego zestawu danych wejściowych, takich jak szczegóły transakcji, wcześniejsze alerty, status karty oraz sygnały behawioralne. Każde źródło danych powinno mieć wyznaczonego właściciela, reguły dostępu, reguły przechowywania oraz dzienniki.
W ramach projektu pilotażowego należy unikać bezpośredniego dostępu do systemów podstawowych. Interfejsy API, oprogramowanie pośredniczące lub narzędzia do zarządzania przepływem pracy zapewniają zespołowi kontrolowany dostęp do systemów bankowych oraz ułatwiają zarządzanie uprawnieniami, limitami, zatwierdzeniami, cofaniem zmian i monitorowaniem.
Łatwo jest nie docenić znaczenia tego etapu. Wersja demonstracyjna może wyglądać dobrze, ale dopiero w rzeczywistych sytuacjach ujawniają się brakujące pola, zduplikowane rekordy, luki w dostępie oraz dane, za które nikt nie ponosi odpowiedzialności.
Agenta należy dodać dopiero po przyporządkowaniu przebiegu procesu, dostępu do danych oraz punktów zatrzymania. Przed pierwszym testem należy nadać nazwę zadaniu, określić narzędzia, z których może ono korzystać, punkty przekazania oraz osobę odpowiedzialną za każdą decyzję.
W przypadku weryfikacji dokumentów kredytowych pierwsza wersja powinna być zwięzła. Agent powinien również postępować zgodnie z ustaloną kolejnością czynności. Najpierw porównuje przesłane dokumenty z listą kontrolną banku i zaznacza brakujące pola. Następnie sporządza krótką notatkę dla osoby oceniającej wniosek kredytowy i przesyła niejasne pliki do weryfikacji. Nie zatwierdza kredytu, nie zmienia warunków kredytowych, nie wysyła wiadomości do klienta, nie uzyskuje dostępu do kont ani nie ingeruje w płatności.
Przed uruchomieniem należy przeprowadzić test w trybie cieniowym. Agent może przygotowywać notatki, wybierać trasy i zaznaczać miejsca postojów, ale nie powinien wprowadzać zmian w rekordach ani wysyłać wiadomości. Następnie porównaj jego działanie z tym, jak pracownicy radzili sobie z tymi samymi plikami. Jeśli notatka jest przydatna, trasa jest zgodna z polityką, a punkt zatrzymania ma sens, przepływ jest bliższy warunkom produkcyjnym. Jeśli zespół nie potrafi wyjaśnić, dlaczego agent wybrał dany krok, popraw przepływ pracy przed podjęciem jakichkolwiek rzeczywistych działań.
Gdy pilot będzie już działał w oparciu o rzeczywiste przypadki, stopniowo dodawaj kolejne procesy. Dobry pierwszy proces może sprawić, że zespoły staną się niecierpliwe, ale każdy nowy proces nadal wymaga wyznaczenia osoby odpowiedzialnej, zasad dostępu, punktów weryfikacji, logów oraz ścieżki awaryjnej.
Podział odpowiedzialności na trzy role. Zespół biznesowy odpowiada za wynik; zespół inżynierów zajmuje się procesami technicznymi, od integracji po rozwiązania awaryjne; natomiast zespół ds. ryzyka i zgodności z przepisami czuwa nad dostępem, ścieżkami audytu oraz zgodnością z polityką firmy. Taki podział ułatwia zarządzanie incydentami, ponieważ każdy zespół dokładnie rozumie swoje obowiązki.
Śledź czas obsługi sprawy, liczbę czynności wykonywanych ręcznie, błędy, eskalacje, czas reakcji na zgłoszenia klientów oraz wyniki weryfikacji w ramach rzeczywistego procesu. Jeśli wskaźniki ulegną poprawie, a Twój zespół będzie w stanie uzasadnić każde podjęte działanie, ten schemat pracy może stać się podstawą dla kolejnego.
Niedawny projekt z zakresu neobankingu dostarczył nam kilku wniosków, których rzadko widać w prezentacjach demonstracyjnych. Klient potrzebował elastycznych procesów roboczych dotyczących płatności i obsługi akceptantów. Realizacja projektu zajęła około trzech miesięcy i pochłonęła mniej więcej $144K. W środowisku produkcyjnym największe wyzwania stanowiły szybkość działania, routing, mechanizmy kontroli oraz ponowne wykorzystanie kodu. Oto najważniejsze wnioski z tego projektu.
“W przypadku chatbotów każda nowa funkcja często przekłada się na osobne zadanie inżynieryjne. Natomiast w przypadku agentów umiejętności, które można ponownie wykorzystać, sprawdzają się w kilku procesach bankowych, dzięki czemu wdrożenie kolejnego procesu wymaga mniejszego nakładu pracy niż w przypadku pierwszego”.”
Szef praktyki biznesowej AI
Przyjrzyjmy się teraz, czego banki mogą realistycznie oczekiwać od agentycznej sztucznej inteligencji w najbliższej przyszłości. Znajomość tych zmian już teraz może pomóc w planowaniu agentów z uwzględnieniem przyszłych procesów pracy, zamiast konieczności ponownego dostosowywania całej konfiguracji w późniejszym terminie.
Nie spodziewałbym się, że banki od razu przejdą na systemy wieloagentowe. Moim zdaniem rozwiązanie krótkoterminowe jest bardziej praktyczne: jeden kontrolowany agent współpracujący z kilkoma wyspecjalizowanymi narzędziami.
Na przykład w procesie wdrażania nowych klientów bezpieczniejszym rozwiązaniem w perspektywie krótkoterminowej jest jeden kontrolowany agent korzystający z kilku narzędzi. Agent ten może gromadzić dokumenty, weryfikować tożsamość, sprawdzać listy sankcji oraz przygotowywać sprawę do weryfikacji. Posiada jedynie ograniczone uprawnienia i prowadzi rejestr swoich działań. Moim zdaniem właśnie w tym kierunku najpierw podąży sztuczna inteligencja oparta na agentach w sektorze bankowym. Prawdziwe systemy wieloagentowe mogą pojawić się później, gdy odrębne agenty będą dzielić się informacjami i koordynować decyzje.
Bankowość oparta na sztucznej inteligencji prawdopodobnie rozpocznie się od zwyczajnych, ale uciążliwych procesów, takich jak weryfikacja tożsamości klientów (KYC), kontrole pod kątem oszustw, wstępna ocena wniosków kredytowych, rozstrzyganie sporów oraz sprawozdawczość wewnętrzna. Obszary te są już objęte zasadami, dokumentacją, kontrolami i wyjątkami, dzięki czemu łatwiej jest je podzielić na etapy przyjazne dla agentów.
Pracownicy będą coraz częściej zajmować się zadaniami wymagającymi podejmowania decyzji. Agent będzie przygotowywał sprawy, gromadził dane, porównywał zapisy i wskazywał kwestie wymagające dokładniejszej analizy. Pracownicy będą natomiast zajmować się bardziej złożonymi sprawami, takimi jak spory, skargi, duże transakcje, podejrzenia oszustw oraz wyjątki od zasad.
Obecnie banki zazwyczaj ustalają jasne zasady dotyczące tego, co agent może, a czego nie może robić. W przyszłości uprawnienia te mogą stać się bardziej elastyczne i zależeć od konkretnego przypadku, którym zajmuje się agent. Na przykład wniosek o niskiej wartości mógłby zostać rozpatrzony łatwiej, podczas gdy duża transakcja, nietypowe zachowanie klienta lub niejasny sygnał związany z przeciwdziałaniem praniu pieniędzy spowodowałyby zaostrzenie procedury lub przekazanie sprawy do rozpatrzenia przez pracownika.
Banki mogą również dostosowywać zakres swobody agentów w zależności od tego, jak sprawnie przebiega dany proces. Jeśli proste sprawy są załatwiane sprawnie i bez większych błędów, agenci mogą uzyskać większą swobodę w ramach tego procesu. Jeśli jednak pojawi się więcej skarg, koniecznych będzie więcej ręcznych korekt lub pojawi się więcej ostrzeżeń o ryzyku, proces ten ponownie stanie się bardziej rygorystyczny.
Sztuczna inteligencja typu agentowego ma sens w bankowości, gdy funkcjonuje w ramach rzeczywistego procesu o jasno określonych granicach. Może ona przyspieszyć przetwarzanie aktualizacji danych KYC, alertów o oszustwach, weryfikacji płatności, dokumentacji kredytowej oraz zgłoszeń serwisowych, jednak bank musi najpierw ustalić odpowiednie zasady.
Z ostrożnością podchodziłbym do kwestii związanych z działaniem agenta. Niejasne struktury własnościowe, słabe logi, zduplikowane dane, nieprecyzyjne zasady zatwierdzania i nieudane przekazywanie zadań nie znikną same z siebie. Dodajmy do tego agenta, a ten bałagan może nabrać tempa.
Jeśli nie masz pewności, czy Twój bank potrzebuje agenta opartego na sztucznej inteligencji, albo w jakich obszarach jego zastosowanie byłoby uzasadnione, nasi konsultanci może pomóc Ci to uporządkować. Przeanalizujemy Twój obecny proces, zidentyfikujemy wąskie gardła i wyodrębnimy przydatne Przykłady zastosowań sztucznej inteligencji typu agentowego w bankowości od nadmiernego szumu i wspierać wdrażanie tam, gdzie ma to faktycznie sens.
W sektorze bankowym chatbot zazwyczaj odpowiada na pytania i podąża ustaloną ścieżką rozmowy. Sztuczna inteligencja typu agentowego w bankowości i usługach finansowych potrafi odczytać zapytanie, wybrać kolejny krok, uruchomić odpowiedni system i wykonać zadanie bez konieczności przekazywania każdej drobnej czynności człowiekowi.
W niektórych przypadkach – tak. Konsultanci mogą przejąć obsługę scenariuszy chatbota, jeśli zadanie obejmuje zatwierdzone zasady, dostęp do systemu oraz bezpieczne rozwiązanie awaryjne polegające na przekazaniu sprawy do specjalisty. Na przykład konsultant może pomóc w rozpatrzeniu zgłoszenia o oszustwie, sprawdzając kontekst konta, postępując zgodnie z zatwierdzonymi przez bank procedurami i prowadząc sprawę dalej.
Sztuczna inteligencja typu agentowego w bankowości wymaga koordynacji oraz warstwy pośredniczącej pomiędzy modelem a systemami bankowymi. Warstwy te sprawdzają żądania, zarządzają uprawnieniami i blokują ryzykowne działania, zanim dotrą one do podstawowych systemów bankowych.
Sztuczna inteligencja typu agencyjnego w sektorze bankowości i usług finansowych wspiera zapewnienie zgodności z przepisami poprzez kontrole przeprowadzane przed podjęciem działania przez agenta. Mogą one obejmować przepisy dotyczące przeciwdziałania praniu pieniędzy (AML), przepisy związane z RODO, uprawnienia dostępu oraz dzienniki audytowe. Mówiąc prościej, agent powinien działać wyłącznie w ramach zatwierdzonych zasad bankowych.
W tej architekturze brama MCP stanowi warstwę pośredniczącą między agentami AI a wewnętrznymi systemami banku, bazami danych i interfejsami API. Sprawdza ona, formatuje i zatwierdza żądania agentów, dzięki czemu bank ma kontrolę nad tym, co agent może zobaczyć i zrobić.
Do typowych przykładów należą: klasyfikacja zgłoszeń dotyczących oszustw, aktualizacja danych w ramach procedury KYC, przegląd spraw związanych z przeciwdziałaniem praniu pieniędzy, weryfikacja dokumentacji kredytowej, dochodzenia dotyczące płatności oraz sprawy obsługi klienta, takie jak nieudane płatności lub zgubione karty.
Koszt zależy od przebiegu procesu, podłączonych systemów, środków bezpieczeństwa, wymogów dotyczących zgodności z przepisami oraz zakresu umiejętności, jakie musi posiadać agent. Agent oparty na sztucznej inteligencji obsługujący jeden przebieg procesu zazwyczaj kosztuje mniej niż agent działający w wielu systemach, połączony z systemem bankowości podstawowej, systemem płatności, systemem KYC, systemem wykrywania oszustw oraz systemem CRM.
Ekspert Blockchain i analityk DeFi
Andrew przekłada zdecentralizowane koncepcje na bezpieczne, funkcjonalne narzędzia finansowe. Porusza się po niestabilnym krajobrazie DeFi, aby budować skalowalne infrastruktury blockchain, które odnoszą się do rzeczywistej użyteczności, wykraczając poza modne hasła, aby zapewnić wartość techniczną.
