Neurosymboliczna AI

Najczęstsza odpowiedź to guardrails – klasyfikatory filtrujące wejście i wyjście modelu. Rozwiązanie obarczone trzema ryzykami strukturalnymi. Po pierwsze, dług compliance: guardrails są kolejnym modelem statystycznym wymagającym ciągłego retrenowania; po roku produkcji konfiguracja to kilkaset reguł o nieprzewidywalnych oddziaływaniach. Po drugie, vendor lock-in zaszyty w architekturze: warstwa guardrails jest strojona pod konkretny model LLM – udaje się ją spiąć tylko dla tego modelu, a zmiana modelu wywraca całą warstwę compliance. Po trzecie, regulator nie zaakceptuje audytu polegającego na deklarowaniu prawdopodobieństw klasyfikatora.

PARADYGMAT NEUROSYMBOLICZNY

Inną odpowiedź daje paradygmat neurosymboliczny. Zamiast filtrowania tego, co LLM mówi, odpowiedzialności zostają strukturalnie rozdzielone. LLM operuje wyłącznie w warstwie językowej: rozumie wypowiedź klienta, ekstrahuje parametry dyspozycji, formułuje odpowiedź naturalną. Logika konwersacji i procesów biznesowych jest deterministyczna – wykonywana przez symboliczny silnik orkiestracji, którego zachowanie jest w 100% przewidywalne, testowalne i audytowalne. Próba prompt injection jest nieskuteczna z definicji: decyzję o wykonaniu przelewu czy zmianie limitu podejmuje deterministyczna logika, nie LLM. To strukturalna zgodność z artykułami 9-15 EU AI Act – nie zgodność uzyskana przez doklejanie warstwy compliance.

ANALOGIA Z PROGRAMOWANIA – TO TEN SAM WZORZEC

Wystarczy spojrzeć na branżę programistyczną. Modele generatywne radzą sobie świetnie z pisaniem kodu – GitHub Copilot, Cursor i Claude Code są dziś standardem pracy zespołów IT. Dlaczego AI radzi sobie z kodem lepiej niż z innymi zadaniami? Bo kod jest deterministyczny – jego poprawność weryfikuje kompilator, testy jednostkowe i lintery. AI generuje propozycję, programista weryfikuje, deterministyczne narzędzia walidują. Człowiek pozostaje decydentem; AI dostarcza materiał.

Ten sam wzorzec stoi za AI Copilotem w platformie Lekta AI. Copilot wspiera projektanta procesu konwersacyjnego w tworzeniu logiki bota – prowadzi przez ustrukturyzowany wywiad biznesowy, sygnalizuje brakujące ścieżki niepowodzenia, generuje szkielet konfiguracji z opisu w języku naturalnym.

Sam zapis procesu jest deterministyczny, audytowalny i wersjonowany – decyzje w runtime wynikają z konfiguracji zatwierdzonej przez projektanta, nie z LLM. Powstaje w takim procesie kompletny obraz rozmowy, który jest w stanie wykorzystać skomplikowane rozumienie wypowiedzi klienta z warstwy językowej LLM oraz podjąć bardzo adekwatną reakcję opartą o zaszytą logikę biznesową. AI Copilot stanowi odpowiedź na problem skalowania zespołów projektowych: proces współtworzy osoba najlepiej znająca wymagania biznesowe (analityk produktowy, manager linii biznesowej), która ze wsparciem AI staje się sprawcza tam, gdzie wcześniej potrzebna była wiedza dedykowanego zespołu botowego. Ten sam wzorzec zrewolucjonizował programowanie – i zrewolucjonizuje bankową obsługę klienta z wykorzystaniem asystentów AI.

CUSTOMER SUPPORT: EKOSYSTEM ZAMIAST SILOSÓW

Kolejna newralgiczna kwestia to zakres wdrożenia. Większość rozwiązań AI to silnik plus integracje: bank dostaje LLM-owy chatbot i samodzielnie organizuje infrastrukturę kanałową, mobilną, agentową i compliance’ową.

Optymalne podejście to pełen ekosystem obsługi klienta wokół jednego silnika AI: natywny Mobile SDK w aplikacji bankowej, Web Widget, Voice Gateway, deterministyczna orkiestracja procesów biznesowych – oraz wsparcie konsultanta wpięte w ten sam ekosystem. Po eskalacji AI nie znika – pozostaje aktywne jako AI Expert wspierający konsultanta: nasłuchuje rozmowy, sugeruje odpowiedzi, wyszukuje w bazie wiedzy, generuje podsumowania. Powstaje jeden ślad audytowy, jeden punkt integracji z core bankingiem, jeden mechanizm compliance.

Trend in-app ma silną walidację rynkową: odpowiednie wdrożenie komunikacji in-app jest w stanie zwiększyć udział interakcji generowanych w aplikacji w ciągu roku z 5 do 50% kosztem call center telefonicznego. Telefon historycznie postrzegano jako kanał lepszy, bo dawał głos. Dziś głos jest natywnie dostępny w aplikacji (Mobile SDK z voice pipeline), a klasyczny call center wypada blado: brak kontekstu sprawy, multimodalności, historii w jednym ekosystemie.

Głos w aplikacji rozwija głosowy banking AI w wielu zastosowaniach: obsługa zapytań do bazy wiedzy, zapytań o dane klienta i produkty z integracji z back office’em, sterowanie aplikacją mobilną, wstępne uzupełnianie parametrów w procesach biznesowych, realizacja samoobsługi hybrydowo z elementami interfejsu graficznego, generowanie dynamicznych widgetów przyspieszające iterację nowych funkcji aplikacji bez żmudnego cyklu wydawniczego, a wreszcie nadzór i optymalizacja pracy konsultantów. Wszystko asynchronicznie, z zachowaniem kontekstu. Powstaje narzędzie, które jednocześnie optymalizuje zasoby banku, generuje nadzwyczajne doświadczenie klienta i daje większą skalę oraz wyższe szanse powodzenia dosprzedaży.

BLENDED OUTBOUND – REWOLUCJA W RELACJI BANK-KLIENT

Kampanie wychodzące czeka rewolucja porównywalna do tej, jaką w obsłudze przychodzącej przeszły IVR-y dekadę temu. Tradycyjny outbound (predictive dialer z ludzkimi agentami) jest natarczywy, ma niską stopę odbierania (poniżej 20% w segmencie premium) i generuje wysokie koszty jednostkowe.

Model blended outbound oparty o ten sam neurosymboliczny silnik AI zmienia tę relację. Pierwszą próbą dotarcia jest in-app: klient po zalogowaniu widzi notyfikację mamy dla Pana/Pani wiadomość, uruchamia asystenta we własnym tempie. Przykładowy dialog w windykacji miękkiej – klient zdawkowo: co tam?, asystent: brakuje wpłaty ostatniej raty kredytu na kwotę 145 zł, kiedy spodziewać się płatności?, klient: ups, zapłacę jutro. Klasyczny dialer takiej rozmowy nie zrealizuje ani w tym koszcie, ani w tak naturalnym tonie. Jeśli klient nie loguje się w oknie 48-72 godziny, platforma automatycznie uruchamia telefonię outbound prowadzoną przez bota głosowego używającego tego samego silnika i bazy wiedzy.

Doświadczenia produkcyjne (windykacja miękka, refinansowanie, antyfraud): stopa zaangażowania rośnie z 15-25% klasycznego dialera do 70- 90%. Konwersja sprzedażowa wzrasta 2-3-krotnie. Koszt jednostkowy spada z 10 zł do 1-3 zł.

TRZY STRATEGICZNE DECYZJE DLA ZARZĄDU

Wybór architektury konwersacyjnej AI to wybór paradygmatu na najbliższe lata. Oznacza trzy powiązane decyzje. Po pierwsze – paradygmat: neurosymbolika zamiast guardrails, bo regulacja AI Act w pewnym momencie powie sprawdzam. Po drugie – model współpracy: AI jako narzędzie projektowania uniezależniające bank od dostawcy. Po trzecie – zakres wdrożenia: pełen ekosystem od mobile SDK po stanowisko konsultanta. Decyzje są sprzężone: neurosymbolika daje kontrolę i bezpieczeństwo, jasne zasady generują wysoką sprawczość zespołu projektowego, odpowiednie tempo i jakoś implementacji napędza skalę korzyści i zadowolenie klientów, ekosystem dba o odpowiedni timing i współpracę konsultantów z AI.

Sektor bankowy ma krótkie okno decyzyjne – zanim wdrożenia oparte na guardrails wygenerują dług regulacyjny blokujący osiąganie możliwych efektów, jakie daje obecna rewolucja AI.