95% porażek – szokująca prawda o AI w biznesie

Dlaczego tak się dzieje? Autorzy raportu wskazują kilka kluczowych przyczyn, jedną z nich jest: brak właściwego kontekstu i systemów, które nie potrafią się uczyć. Modele AI, choć imponujące w demonstracjach, zawodzą w rzeczywistych warunkach biznesowych, bo nie rozumieją specyfiki organizacji i nie adaptują się do jej procesów. To szczególnie bolesne w bankowości, gdzie precyzja i zaufanie są fundamentem działalności.

Gdy ChatGPT spotyka politykę kredytową

Wyobraźmy sobie scenariusz: doradca kredytowy w dużym banku pyta wewnętrzny chatbot AI o aktualną politykę kredytowania startupów fintech. System, oparty na zaawansowanym modelu językowym, błyskawicznie generuje odpowiedź – płynną, przekonującą i… całkowicie zmyśloną. Brzmi znajomo? To właśnie problem halucynacji AI – zjawisko, które w branży finansowej może mieć katastrofalne skutki.

Sektor bankowy stoi dziś przed paradoksem. Z jednej strony generatywna AI obiecuje automatyzację obsługi klienta, błyskawiczne analizy dokumentów czy personalizację usług na niespotykaną dotąd skalę. Z drugiej – fundamentem bankowości jest zaufanie i precyzja, a modele językowe mają niepokojącą tendencję do wymyślania faktów, które brzmią wiarygodnie.

Kluczowe pytanie brzmi więc: jak wykorzystać potencjał AI, jednocześnie zapewniając, że system nie poda klientowi nieprawdziwych informacji o stopach procentowych czy nie wymyśli nieistniejących przepisów compliance? Odpowiedź, jak się okazuje, leży nie tyle w samej technologii AI, co w czymś znacznie bardziej prozaicznym – w jakości i organizacji danych bankowych.

RAG – czyli jak nauczyć AI czytać wewnętrzne procedury

Rozwiązaniem problemu halucynacji jest architektura RAG (Retrieval-Augmented Generation). Brzmi skomplikowanie? W praktyce chodzi o prostą koncepcję: zamiast pozwalać modelowi AI odpowiadać wyłącznie na podstawie swojej „ogólnej wiedzy”, najpierw dajemy mu dostęp do konkretnych, wewnętrznych dokumentów banku.

Działanie systemu RAG można porównać do pracy doświadczonego konsultanta. Gdy zadajemy mu pytanie o politykę kredytową, nie odpowiada z głowy, tylko najpierw sięga po aktualne procedury, sprawdza w wewnętrznych bazach danych, weryfikuje w dokumentacji compliance – i dopiero na tej podstawie formułuje odpowiedź.

W praktyce wygląda to tak:

• Pracownik zadaje pytanie systemowi.
• System przeszukuje wewnętrzne repozytoria: polityki kredytowe, oceny ryzyka, wytyczne regulacyjne.
• Znalezione fragmenty dokumentów są przekazywane modelowi AI jako kontekst.
• Model generuje odpowiedź opartą na faktycznych dokumentach, a nie na przypuszczeniach.

Brzmi prosto? W teorii tak. Problem pojawia się, gdy te wewnętrzne dokumenty to chaos – sprzeczne definicje, nieaktualne procedury, dane rozproszone po dziesiątkach systemów. I tu dochodzimy do sedna sprawy.

Wojna o definicję klienta – gdy marketing mówi co innego niż ryzyko

Każdy, kto pracował w dużym banku, zna ten problem. W systemie CRM klient to osoba, która kiedykolwiek złożyła wniosek. Dla działu ryzyka to ktoś z aktywną ekspozycją kredytową. Marketing definiuje go przez pryzmat segmentacji behawioralnej. A compliance? Dla nich liczy się głównie status KYC i AML.

Teraz wyobraźmy sobie, że AI ma odpowiedzieć na pytanie: „Ilu klientów korporacyjnych mamy w portfelu?”. Której definicji ma użyć? Bez jednolitego słownika pojęć biznesowych odpowiedź będzie loterią. To nie jest problem akademicki. Gdy AI podejmuje decyzje lub generuje rekomendacje w czasie rzeczywistym dla tysięcy zapytań dziennie, każda nieścisłość jest natychmiast powielana na masową skalę. Błąd w raporcie można poprawić. Błędną informację podaną tysiącom klientów przez chatbot – znacznie trudniej.

Dlatego inicjatywy, które do tej pory traktowano jako porządkowanie tyłów – Master Data Management, tworzenie słowników biznesowych, ustanawianie właścicieli danych – nagle stają się kwestią strategiczną. To nie centrum kosztów, które trzeba optymalizować, ale fundament, na którym stanie lub upadnie wdrożenie AI w organizacji.

Od słowników do grafów wiedzy – następny poziom kontekstu

Słowniki danych to dobry początek, ale mają swoje ograniczenia. Potrafią zdefiniować, czym jest kredyt i czym jest zabezpieczenie, ale nie pokazują skomplikowanej sieci powiązań między nimi. A w bankowości wszystko jest ze sobą powiązane.

Tu wkraczają grafy wiedzy – struktury, które modelują nie tylko pojęcia, ale przede wszystkim relacje między nimi. To jak mapa metra dla danych bankowych – pokazuje nie tylko stacje, ale też wszystkie połączenia między nimi.

Tradycyjny słownik odpowie na pytanie: „Co to jest klient korporacyjny?”. Graf wiedzy poradzi sobie z czymś bardziej złożonym: „Pokaż wszystkich klientów korporacyjnych z ekspozycją na sektor nieruchomości, którzy mają powiązania kapitałowe z podmiotami posiadającymi kredyty zagrożone”.

To nie science fiction – takie rozwiązania już działają i warto przyjrzeć się im bliżej.

Jak budować kontekst dla AI – lekcje od liderów rynku

W praktyce istnieją dwa główne podejścia do budowania kontekstu dla systemów AI, doskonale ilustrowane przez rozwiązania Palantir i Ab Initio. Różnią się filozofią, ale cel mają ten sam – sprawić, by AI rozumiała biznes tak dobrze, jak najlepsi analitycy.

Palantir – cyfrowy bliźniak organizacji

Palantir w swojej platformie Foundry tworzy coś, co nazywa „ontologią” – cyfrowego bliźniaka całej organizacji. To nie jest zwykły katalog danych. System integruje trzy kluczowe warstwy: semantyczną (definiuje obiekty biznesowe jak ‚Klient’, ‚Transakcja’), kinetyczną (modeluje akcje jak ‚Zatwierdź kredyt’, ‚Oznacz podejrzaną transakcję’) oraz dynamiczną (zawiera reguły biznesowe i modele analityczne).

W praktyce bankowej oznacza to, że gdy analityk pyta system AI o ryzyko kredytowe klienta, model otrzymuje nie tylko dane o kliencie, ale pełen kontekst: jego powiązania z innymi podmiotami, historię transakcji, obowiązujące limity, a nawet możliwe akcje do podjęcia. To jak różnica między czytaniem suchych liczb w Excelu a rozmową z doświadczonym analitykiem kredytowym, który zna wszystkie niuanse.

Ab Initio – od metadanych do grafu wiedzy

Ab Initio podchodzi do tematu od drugiej strony. Zamiast budować ontologię od góry, wykorzystuje swoją siłę w zarządzaniu metadanymi i śledzeniu pochodzenia danych (data lineage). System automatycznie odkrywa i dokumentuje, skąd pochodzą dane, jak są przekształcane i gdzie trafiają.

To podejście jest szczególnie cenne dla banków z dziedzictwem wielu systemów. Ab Initio może przeanalizować setki źródeł danych i automatycznie stworzyć graf pokazujący ich wzajemne powiązania. Gdy AI zostanie zapytana o konkretną metrykę regulacyjną, system nie tylko poda wartość, ale też pokaże całą ścieżkę jej obliczania, źródła danych, zastosowane reguły biznesowe i poziom zaufania do wyniku. To krytyczne dla audytu i compliance.

Który model wybrać?

Wybór zależy od punktu startu. Banki budujące nową infrastrukturę od podstaw mogą preferować holistyczne podejście Palantir. Instytucje z rozbudowanym krajobrazem IT i wieloma systemami legacy prawdopodobnie łatwiej wdrożą model Ab Initio, który pozwala stopniowo budować graf wiedzy na istniejących fundamentach.

Oba podejścia pokazują jednak tę samą prawdę: sukces AI w banku nie zależy od mocy obliczeniowej czy zaawansowania modeli, ale od jakości kontekstu, który im dostarczamy.

Co to oznacza dla banków?

Przesłanie dla sektora bankowego jest jasne: prawdziwą barierą we wdrażaniu AI nie jest dostęp do modeli (te można kupić) ani brak specjalistów (tych można wynająć). Barierą jest brak uporządkowanych, spójnych, dobrze zarządzanych danych.

Banki, które przez lata inwestowały w data governance – nawet jeśli robiły to z innych powodów, jak compliance czy raportowanie regulacyjne – mają dziś ogromną przewagę. Te, które traktowały zarządzanie danymi po  macoszemu, staną przed wyborem: nadrobić zaległości lub pogodzić się z tym, że ich AI będzie… przeciętne.

Paradoksalnie, to linie biznesowe, które najbardziej chcą korzystać z AI, staną się największymi orędownikami wysokiej jakości danych. Gdy szef sprzedaży zobaczy, że chatbot dla klientów podaje błędne informacje o produktach, sam zacznie dopytywać o słowniki biznesowe i właścicieli danych.

Czas na decyzje

Projekty związane z ładem danych – tworzenie słowników, MDM, modelowanie procesów – to nie „nice to have”, które można odłożyć na później. To fundamentalna inwestycja, która zadecyduje, czy wasz bank będzie w stanie konkurować w erze AI, czy zostanie w tyle.

AI w bankowości to nie wyścig o to, kto pierwszy wdroży najnowszy model. To wyścig o to, kto ma najlepsze dane, aby ten model mógł działać bezpiecznie i skutecznie. Banki, które to zrozumieją i zainwestują odpowiednio wcześnie, będą tymi, które rzeczywiście wykorzystają potencjał sztucznej inteligencji. Reszta będzie mogła co najwyżej o tym potencjale opowiadać.