Najpierw zasady, potem agenci AI

Sposób organizacji takich wdrożeń bywa ważniejszy niż sam sprzęt, bo pytanie o AI w bankowości szybko staje się pytaniem o to, gdzie są dane i kto je kontroluje.

KONTROLA Z UMOWY CZY KONTROLA Z ARCHITEKTURY?

Bank spółdzielczy nie może po prostu udostępnić pracownikom publicznego czatu. Narzędzia na infrastrukturze zewnętrznego dostawcy oznaczają przetwarzanie danych poza bankiem, a przy tajemnicy bankowej pojawiają się wymagania umowne, nadzorcze i organizacyjne. Chmura w reżimie komunikatu nadzorcy jest możliwa, ale wymaga procesu compliance nieproporcjonalnego do skali małej instytucji. Gdy dane opuszczają bank, kontrola opiera się już tylko na umowie, prawach audytu i raportach dostawcy. Szyfrowanie tego nie zmienia, bo do przetwarzania dane trzeba odszyfrować. Dla banku zatrudniającego kilkudziesięciu pracowników naturalne jest pytanie, czy da się tę architekturę uprościć.

Odpowiedzią jest AI Box dostarczany przez OnPrem. Serwer stoi w infrastrukturze banku, a modele językowe, analiza dokumentów i przetwarzanie mowy działają lokalnie, więc dane klientów nie opuszczają instytucji. Połączenia na zewnątrz można ograniczyć do aktualizacji i serwisu, a działania systemu trafiają do ścieżki audytowej. Lokalna instalacja nie usuwa obowiązków regulacyjnych: umowę z dostawcą nadal trzeba ocenić pod kątem DORA i outsourcingu, a infrastruktura wymaga utrzymania. Zmienia się miejsce zarządzania ryzykiem: pozostaje ono wewnątrz banku.

OD KRAKOWA DO ŁOMIANEK I WARSZAWY

Pierwsze doświadczenia powstały w Banku Spółdzielczym Rzemiosła w Krakowie. Pilotaż, opisywany na łamach Miesięcznika Finansowego BANK (nr 9/2025), obejmował wsparcie przy redagowaniu pism, asystenta wiedzy korzystającego z dokumentów banku oraz transkrypcję i streszczanie nagrań.

W Mazowieckim Banku Spółdzielczym w Łomiankach pilotaż trwa od kilku miesięcy. – Nie szukaliśmy efektownej technologii, tylko odpowiedzi na proste pytanie: jak dać pracownikom narzędzia oparte na sztucznej inteligencji, nie wynosząc ani jednego dokumentu poza bank. Pilotaż pokazuje, że to możliwe. Równie ważne jest to, czego uczymy się przy okazji o zasadach: kto odpowiada, co wolno, jak to dokumentować – mówi Artur Sosnowski, wiceprezes zarządu ds. finansowo-operacyjnych MBS w Łomiankach.

Podobne rozwiązanie testuje Warszawski Bank Spółdzielczy. – Bank o ponad stuletniej historii wie, że zaufania klientów nie wolno wystawiać na próbę. Testujemy więc sztuczną inteligencję w modelu, w którym dane pozostają pod naszą pełną kontrolą. Chcemy, aby technologia wspierała zespoły w pracy operacyjnej, a decyzje pozostały tam, gdzie były zawsze: po stronie człowieka – podkreśla Bogumiła Szklarska, prezes zarządu Warszawskiego Banku Spółdzielczego.

Oba banki są zrzeszone w Grupie BPS. W projekcie uczestniczą dwie spółki: OnPrem dostarcza AI Box z modelami, a Neutrina odpowiada za środowisko budowy i uruchamiania agentów oraz za szkolenia i zasady korzystania z AI. Kolejne etapy mają wykorzystać doświadczenia z Krakowa: po asystencie wiedzy planowane są zastosowania w back office.

NAJPIERW ŁAD, POTEM NARZĘDZIA

W wielu organizacjach AI pojawia się oddolnie: pracownicy sięgają po narzędzia, zanim firma opisze zasady ich używania. W tych pilotażach przyjęto inną kolejność. Bank określa reguły, przygotowuje bezpieczną infrastrukturę i bazę wiedzy z kontrolą dostępu. Agenci pojawiają się później, w środowisku objętym monitoringiem i audytem.

Trzeba określić ryzyko poszczególnych zastosowań, wskazać odpowiedzialnych za systemy i dokumentować sposób ich wykorzystywania. Akt o sztucznej inteligencji nakłada też obowiązek podejmowania środków zapewniających personelowi wystarczające kompetencje w zakresie AI.

Neutrina rozwija prawną część tego podejścia we współpracy z dr Paulą Skrzypecką, prawniczką specjalizującą się w regulacjach sztucznej inteligencji i ochronie danych: – Governance w praktyce powinien oznaczać: zdecydujmy, jakie działania system w ogóle może wykonać, na jakich danych, w czyim imieniu i gdzie kończy się jego autonomia. To szczególnie ważne przy agentach, bo wtedy zasady organizacyjne przestają być tylko dokumentem i zaczynają być przekładane na konkretne uprawnienia techniczne. W praktyce przed uruchomieniem kolejnego procesu warto więc ustalić jego właściciela, poziom ryzyka, dopuszczalne źródła danych, zakres logowania, punkt obowiązkowej interwencji człowieka i procedurę wyłączenia systemu. Co ciekawe, model on-premise nie „załatwia compliance’u”: ogranicza część ryzyk związanych z transferem danych i dostawcą, ale jednocześnie przenosi więcej odpowiedzialności za konfigurację, dostęp, monitoring i aktualizacje bezpośrednio na bank. Dlatego dojrzałość „AI governance” poznaje się nie po liczbie procedur, lecz po tym, czy organizacja potrafi odpowiedzieć na pytanie: kto może pozwolić agentowi zrobić coś nowego i jaki ślad po tej decyzji zostanie? Dopiero wtedy skalowanie AI nie oznacza równoczesnego skalowania ryzyka.

CO WOLNO AGENTOM, A CO MUSI ZOSTAĆ PRZY CZŁOWIEKU

Zakres działania agenta daje się określić konkretnie. System przygotowuje materiał, zbiera informacje, wskazuje braki lub sygnalizuje ryzyko. Decyzja pozostaje po stronie człowieka, który musi mieć możliwość sprawdzenia wyniku i zakwestionowania go.

Jednym z pierwszych zastosowań jest wewnętrzny asystent wiedzy. Zamiast przeszukiwać procedury, pracownik zadaje pytanie i otrzymuje odpowiedź ze wskazaniem dokumentu źródłowego, który sam weryfikuje. Kolejny obszar to back office: klasyfikowanie korespondencji, projekty odpowiedzi, wsparcie obiegu dokumentów. W przeciwdziałaniu praniu pieniędzy agent może kompletować dokumentację, zestawiać informacje z publicznych rejestrów i wskazywać braki. Ocena ryzyka klienta i decyzje pozostają jednak po stronie analityka. W procesach kredytowych automatyzację można zacząć od kompletowania i analizy dokumentów. Ocena zdolności kredytowej osób fizycznych jest natomiast w świetle aktu o sztucznej inteligencji zastosowaniem wysokiego ryzyka i wymaga ostrożniejszego podejścia. AI może wspierać compliance i raportowanie, np. porównując zmiany regulacyjne z procedurami banku, agregując dane do raportów albo wskazując anomalie. Kolejnym krokiem ma być projekt skoncentrowany właśnie na obszarze KYC i AML: na rynek banków spółdzielczych trafi rozwiązanie przygotowywane wspólnie z jednym z amerykańskich partnerów technologicznych, oparte na AI Boxie i platformie Neutrina Automation Suite.

Pilotaże w Łomiankach i Warszawie pokazują, że wdrożenie AI nie zaczyna się od wyboru modelu. Wcześniej trzeba odpowiedzieć na przyziemne pytania: gdzie będą przetwarzane dane, kto może korzystać z systemu, za co odpowiada człowiek i jak bank to udokumentuje. Dziś to pojedyncze projekty, a ich rozwój pokaże, czy model przyjmie się szerzej w bankowości spółdzielczej.

OnPrem (www.onprem.one) – partner technologiczny projektu AI Box w bankach, Neutrina (www.neutrina.ai) – plat forma agentów AI. Materiał powstał przy współpracy z Mazowieckim Bankiem Spółdzielczym w Łomiankach (www.mbsbank.pl) i Warszawskim Bankiem Spółdzielczym (www.bank-wbs.pl).