Dlaczego część banków jest rozczarowanych AI?
Zdaniem prelegentki, problem ten wynika nie tyle z ograniczeń technologicznych, ile z nieoptymalnej formuły adopcji rozwiązań AI przez banki. Opinię tę potwierdzają rezultaty najnowszego badania Gartnera; tylko 38% dyrektorów ds. IT w bankach uważa, że inwestycje w ten obszar istotnie przełożą się na wyniki finansowe.
Niespełna co czwarty z nich uważa, że bankowi decydenci dostrzegą ponadprzeciętne efekty optymalizacji kosztowej, dokonanej z użyciem AI, a jedynie 8% liczy na podobne oceny w obszarze generowania przychodów.
Te wyniki, jak podkreślała ekspertka, są „trzeźwiącą konfrontacją z rzeczywistością” i pokazują rosnącą lukę między skalą inwestycji w sztuczną inteligencję a jej realnym wpływem na biznes.
Brak ambitnych pomysłów na AI to codzienność bankowości
Zdaniem Priyanki Shukli rozczarowanie ma dwie zasadnicze przyczyny. Wiele banków ma za sobą pojedyncze wdrożenia AI zakończone powodzeniem, co paradoksalnie zwiększa presję na szybkie dostarczanie kolejnych rezultatów, to zaś nie jest już tak łatwe, ani oczywiste.
Dodatkowo większość instytucji koncentruje się na zastosowaniach sztucznej inteligencji, które z definicji przynoszą jedynie korzyści przyrostowe. Gartner porządkuje je w trzy kategorie: „Defend” (obrona), „Extend” (rozszerzanie) i „Append” (dołączanie).
Dziś dominują projekty z pierwszego koszyka: zadaniowe usprawnienia, współgeneracja treści, automatyczne przetwarzanie dokumentów, rozwiązania pomagające utrzymać konkurencyjną równowagę, ale rzadko tworzące nową wartość biznesową.
Część banków sięga po inicjatywy z kategorii „Extend”, jak lepsze wykrywanie anomalii czy bardziej precyzyjne udzielanie kredytów, które usprawniają istniejące procesy.
Największa luka dotyczy jednak obszaru „Append”, czyli tworzenia całkiem nowych produktów, usług, rynków lub segmentów klientów na bazie AI.
Czytaj także: Krzysztof Gawkowski: jestem fanem AI, z tym zastrzeżeniem…
Według Priyanki Shukli większość banków nawet nie zaczęła poważnie eksperymentować z GenAI.
Przykłady z rynków światowych pokazują, że tam, gdzie banki odważniej wychodzą poza prostą automatyzację, efekty są mierzalne. Mashreq Bank na Bliskim Wschodzie zbudował platformę Eagle Eye, integrującą dane z całej organizacji i wykorzystującą uczenie maszynowe, zaawansowaną analitykę oraz modele LLM do wykrywania przestępczości finansowej. Rozwiązanie to wzmocniło ochronę klientów, generując zarazem wielomilionowe oszczędności w ciągu zaledwie dwóch lat.
W Brazylii bank Bradesco zastosował wieloagentowe rozwiązanie AI do szacowania dochodów klientów pozbawionych formalnej dokumentacji, co 16-krotnie przyspieszyło proces oceny i pozwoliło pozyskać 1,8 mln nowych klientów, zwiększając inkluzywność procesów kredytowych.
W Wietnamie Teccombank wykorzystuje przetwarzanie języka naturalnego i analizę nastrojów w czasie rzeczywistym w call center, dostarczając konsultantom rekomendacje w czasie rzeczywistym. Pozwoliło to zarówno zwiększyć efektywność operacyjną, jak i poprawić doświadczenie klientów.
AI w służbie klienta
Kolejne przykłady dotyczą przebudowy ścieżek obsługi klienta. Emirates NBD wdrożył cyfrowo zintegrowany proces onboardingu MŚP, wspierany przez AI a bazujący na rządowych API i identyfikatorach biometrycznych. Pozwoliło to potroić liczbę pozyskiwanych klientów biznesowych, przyspieszyć otwieranie rachunków i udzielanie kredytów przy poprawie zarządzaniu ryzykiem i zwiększeniu compliance.
China Construction Bank zbudował inteligentnego asystenta AML, który wykorzystuje m.in. LLM do identyfikowania podejrzanych grup i wzorców prania pieniędzy, poprawiając produktywność i trafność raportowania.
W jednym z banków wprowadzono wirtualnego asystenta kredytowego, automatyzującego do 90% procesu aplikowania o pożyczkę. Przełożyło się to na lepszą jakość leadów i szybszą obsługę małych firm.
Priyanka Shukla wskazywała też na przykłady z obszaru doradztwa i relacji z klientem. Hongkońska grupa GF Holdings stworzyła platformę inwestycyjną opartą na GenAI, która analizuje zachowania użytkowników, profil ryzyka i cele inwestycyjne, by dostarczać zindywidualizowane rekomendacje, także klientom spoza segmentu wealth management.
Bank of Baroda rozwinął multimodalnego wirtualnego menedżera relacji Aditi, działającego w wielu językach i kanałach (głos, wideo, tekst, hologram 3D), co przełożyło się na szybsze odpowiadanie na zapytania i większą skuteczność cross-sellingu.
Inny bank zaoferował klientom doradcę finansowego opartego na AI, który łączy analizę nawyków zakupowych z elementami ekonomii behawioralnej i grywalizacji, pomagając systematycznie budować oszczędności i dobre nawyki finansowe.
Kluczem jest właściwa konstrukcja portfela inicjatyw. W ujęciu Gartnera banki mogą wybierać między kilkoma strategiami:
portfelem „FOMO”, nastawionym na szybkie wdrożenia przy ograniczonym zwrocie; portfelem „best return”, w którym dominują projekty z koszyka „Extend” i który zapewnia najlepszy bilans zysku finansowego i różnicowania;
strategią „Disruptor”, budującą przewagę poprzez odważne inicjatywy typu „Append”, ale wymagającą dłuższego horyzontu i wysokiej tolerancji na ryzyko;
oraz portfelem „lean talent”, skoncentrowanym na prostych zastosowaniach defensywnych, przy niskich wymaganiach kadrowych, ale też najniższych zwrotach.
Niezależnie od wybranego podejścia, przełożenie AI na realną wartość biznesową generuje całkiem sporo wyzwań.
Za największe z nich ekspertka uznała nieprecyzyjnie zdefiniowane cele i brak wizji wykorzystania sztucznej inteligencji. A bez jej powiązania z priorytetami biznesowymi nie sposób nawet myśleć o konsekwentnym wsparciu ze strony inwestorów czy skalowaniu pozytywnych efektów implementacji rozwiązań, bazujących na AI.
