Jak banki mogą dogonić fintechy w rozwoju sztucznej inteligencji

Najnowsze trendy AI w bankowości opowiadają jasną historię: sztuczna inteligencja, a szczególnie agentic AI, zmienia sposób, w jaki instytucje finansowe zarabiają pieniądze i je zatrzymują. Ale ta zmiana nie dzieje się równomiernie. Przeanalizowaliśmy ponad 600 projektów AI w ramach około 30 grup tematycznych, żeby zobaczyć, jak wygląda sytuacja w praktyce. Śledziliśmy inicjatywy uruchomione po premierze ChatGPT pod koniec 2022 roku do połowy 2025, porównując to, co budują fintechy, z tym, co faktycznie wdrażają tradycyjne banki i firmy płatnicze. Luka jest realna. Fintechy nie eksperymentują szybciej. One wdrażają na skalę, podczas gdy wiele tradycyjnych banków wciąż utknęło w fazie pilotażu. Według analizy McKinsey, rynek AI w bankowości ma osiągnąć 315,5 miliarda dolarów do 2033 roku, rosnąc w tempie 31,83% rocznie. To ogromna szansa. Banki, które nie ruszą się teraz, ryzykują całkowite przegapienie tego momentu. Rozłożymy to na czynniki: co działa, co nie działa i co banki muszą zrobić, żeby zamknąć lukę względem konkurencji fintechowej.

Tradycyjne banki wciąż daleko zostają w tyle za fintechami, jeśli chodzi o wdrażanie AI z mierzalnym wpływem na biznes. Obraz z naszego zbioru danych robi to oczywistym: przyjrzeliśmy się około 4000 największych fintechów pod względem przychodów i wyceny. Mimo że fintechy stanowią tylko 40% zbioru danych, odpowiadają za blisko 70% wszystkich inicjatyw AI. Uderzające, ale nie zaskakujące, jeśli obserwowałeś, jak te dwie grupy funkcjonują. Fintechy działają szybko, bo mogą. Nie dźwigają dziesięcioleci długu technologicznego. Ich zespoły są mniejsze, bardziej płaskie, zbudowane wokół dostarczania produktów zamiast zarządzania komitetami. Kiedy fintech chce przetestować model scoringu kredytowego wspierany przez AI, czas od decyzji do wdrożenia mierzy się w tygodniach. W dużym banku ta sama decyzja może zająć miesiące tylko na wewnętrzne zatwierdzenia.

Dlaczego banki pozostają w tyle w AI w bankowości

Banki stoją przed potrójnym ograniczeniem, którego fintechy w dużej mierze unikają:

• Nadmiar regulacyjny. Każdy model AI, który dotyka danych klientów, wymaga przeglądu zgodności, dokumentacji wyjaśnialności i ścieżek audytowych. Europejska Ustawa o AI, która wchodzi w pełną życie dla systemów bankowych o wysokim ryzyku w sierpniu 2026, dodaje kolejną warstwę. Scoring kredytowy, monitoring AML i zautomatyzowane narzędzia pożyczkowe muszą teraz spełniać surowe wymogi dotyczące transparentności i nadzoru człowieka, z karami sięgającymi do 7% globalnego rocznego obrotu.
• Pofragmentowane stosy technologiczne. Większość dużych banków działa na mozaice systemów dziedziczonych, niektórych sięgających lat 90. lub wcześniejszych. Integrowanie modeli uczenia maszynowego z rdzennymi platformami bankowymi opartymi na COBOL jest trudne i kosztowne. Transformacja cyfrowa wymaga middleware, warstw API i często pełnej migracji do chmury, zanim jakikolwiek model AI może uzyskać dostęp do danych produkcyjnych.
• Bezwład organizacyjny. Banki są z natury hierarchiczne. Uzyskanie zgody działów ryzyka, zgodności, IT i biznesu na jedną inicjatywę AI wymaga kapitału politycznego, którego większość sponsorów projektów po prostu nie ma.
• Wąskie gardła w danych. Systemy dziedziczone przechowują dane w formatach, które wymagają znacznej obróbki, zanim modele ML będą mogły ich użyć.

Po okresie intensywnych eksperymentów, ogólna stopa adopcji AI w usługach finansowych wypłaszcza się. Wiele zastosowań stało się standardem. Wspierane przez AI konwersacyjne asystenci, automatyzacja zamknięcia finansowego i podstawowe narzędzia do wykrywania fraudów są teraz standardowymi funkcjami, wdrażanymi w przybliżonym tempie jak produkty, które nie są specyficznie nastawione na AI. Ciekawy wzrost dzieje się na obrzeżach.

Gdzie koncentruje się wzrost AI w bankowości

Aplikacje z najszybszymi stopami adopcji to głównie systemy agentic skupione na przychodach:

• Wieloassetowe platformy handlowe oparte na AI, które podejmują decyzje algorytmiczne w czasie rzeczywistym
• Systemy predykcyjnej analityki i zarządzania decyzjami, które stosują uczenie maszynowe i przetwarzanie języka naturalnego do wykrywania trendów i oceny ryzyka
• Autonomiczni agenci obsługi klienta, którzy obsługują kompletne procesy bez przekazania człowiekowi, używając NLP do rozumienia kontekstu i intencji
• Integracje open banking, gdzie modele AI działają na szczycie ekosystemów współdzielonych API, pobierając dane od wielu dostawców, żeby budować bogatsze profile klientów Fintechy dominują w tych kategoriach o wysokim wzroście. W naszym przekonaniu, ta luka wynika z niechęci banków do wypuszczania produktów AI bezpośrednio do klientów. Nasz zbiór danych o premierach związanych z AI obejmuje około 600 premier produktów. To około 3% wszystkich premier produktów i usług w tym samym okresie (od 2022 do połowy 2025). Trzy procent. Ta liczba powinna niepokoić zarządy banków. Oznacza to, że zdecydowana większość innowacji w bankowości cyfrowej wciąż dzieje się bez AI w rdzeniu. Fintechy tymczasem budują wokół tego całe modele biznesowe.

Z tego, co widzimy, wykrywanie fraudów to obszar, gdzie AI w bankowości ma najbardziej udokumentowaną historię sukcesów. A potrzeba wciąż rośnie. Globalny fraud na kartach kredytowych ma osiągnąć 43 miliardy dolarów do końca 2026 roku, według szacunków branżowych. Tradycyjne systemy oparte na regułach nie nadążają za wolumenem ani wyrafinowaniem współczesnych wzorców fraudów.

Jak AI zmienia wykrywanie fraudów

Modele uczenia maszynowego analizują wzorce transakcyjne w czasie rzeczywistym, flagując anomalie, których systemy oparte na regułach przegapiają. Różnica jest znacząca.

• Scoring w czasie rzeczywistym. Modele ML oceniają tysiące zmiennych na transakcję w milisekundach, łapiąc fraudy tożsamości syntetycznej i przejęcia kont, których statyczne reguły nie wykrywają.
• Adaptacyjne uczenie. W przeciwieństwie do systemów opartych na regułach, modele AI ciągle się przeszkolą na nowych wzorcach fraudów. To zmniejsza okno między nowym wektorem ataku a zdolnością systemu do jego wykrycia.
• Redukcja fałszywych pozytywów. To tutaj wpływ finansowy staje się realny. Tradycyjne systemy generują ogromne wolumeny fałszywych pozytywów, z których każdy wymaga ręcznego przeglądu. Banki używające wspieranego przez AI wykrywania fraudów raportują 50-70% redukcję stawek fałszywych pozytywów.

Scoring kredytowy i ocena ryzyka

AI-driven scoring kredytowy to kolejny obszar, gdzie banki zaczynają doganiać. Tradycyjne modele kredytowe opierają się na wąskim zestawie zmiennych: historia płatności, zadłużenie, długość historii kredytowej. Modele uczenia maszynowego mogą pobrać tysiące alternatywnych punktów danych, od rachunków za media po wzorce wydatków, i zbudować dokładniejszy profil ryzyka. Dla banków obsługujących populacje z ubogimi plikami kredytowymi, to ma duże znaczenie. Otwiera całkowicie nowe segmenty klientów, które wcześniej były nieskorowalne.

Jeśli jest jeden obszar, gdzie zwrot z inwestycji w AI w bankowości jest trudny do podważenia, to KYC i zgodność AML. Liczby mówią same za siebie: banki zazwyczaj przeznaczają 10-15% swoich pełnoetatowych pracowników na działania KYC i AML. Pomimo zwiększania wydatków na zgodność o do 10% rocznie, branża finansowa wykrywa tylko około 2% globalnych przepływów przestępczych. Ta niezgodność między inwestycją a wynikiem jest niezwykła.

Problem fałszywych pozytywów

W tradycyjnych procesach AML nawet 95% alertów to fałszywe pozytywy. Zbudowanie jednego raportu o podejrzanej aktywności (SAR) może zająć cztery lub więcej dni. Pomnóż to przez tysiące alertów, które duży bank przetwarza miesięcznie, a masz funkcję zgodności, która pochłania ogromne zasoby, łapiąc przy tym bardzo niewiele faktycznych przestępstw. AI całkowicie zmienia ekonomię tego procesu. Badania Accenture nad agentic AI w bankowości udokumentowały 99% redukcję czasu wprowadzania KYC dla instytucji, które wdrożyły wspierane przez AI analizę dokumentów i weryfikację tożsamości.

Jak wygląda zgodność wspierana przez AI

• Ciągły KYC. Zamiast okresowych przeglądów, AI umożliwia ciągłą ponowną ocenę ryzyka przez cały cykl życia klienta. Wyłapuje zmiany we wzorcach zachowań, których przeglądy punktowe przegapiają.
• Inteligentne przetwarzanie dokumentów. Modele ML wyodrębniają i weryfikują informacje z dokumentów tożsamości i zgłoszeń korporacyjnych w tempie, z jakim żaden zespół ludzki nie może konkurować.
• Analiza sieciowa. Grafowe modele AI mapują sieci transakcyjne, żeby identyfikować wzorce prania pieniędzy obejmujące wiele kont i jurysdykcji. Dla liderów technologii korporacyjnej oceniających, od czego zacząć z AI, automatyzacja zgodności oferuje najjaśniejszą ścieżkę do mierzalnych zwrotów.

Na rynku panuje dużo zamieszania co do tego, co te terminy faktycznie oznaczają, a ta różnica ma znaczenie dla strategii AI w bankowości. AI generatywna produkuje treść. Tworzy maile, podsumowuje dokumenty i generuje kod. W bankowości napędza wsparcie dla programistów, interfejsy rozmawiaj-z-danymi i spersonalizowany marketing. Przydatne, tak, ale to w zasadzie narzędzie produktywności. Pytasz, ona odpowiada. Agentic AI produkuje wyniki. Idzie poza generowanie odpowiedzi: postrzega sytuację, podejmuje decyzję i podejmuje działanie. System agentic AI może zweryfikować wniosek o pożyczkę, skierować go do przetworzenia, przeprowadzić kontrole zgodności i powiadomić klienta bez interwencji człowieka.

Implikacje dla bankowości

Rozważmy praktyczny przykład. Narzędzie AI generatywnej może stworzyć spersonalizowany list zatwierdzenia pożyczki. System agentic AI przetwarza całą pożyczkę: przyjęcie wniosku, underwriting, zatwierdzenie, wypłatę. Przejście od generatywnej do agentic AI to miejsce, gdzie dzieje się prawdziwa transformacja AI w bankowości. Według BCG, około 70% firm z sektora usług finansowych obecnie bada agentic AI, ale tylko 14% wdrożyło ją w pełnej skali. Ta liczba 14% to gdzie tkwi szansa. Banki, które teraz przejdą na produkcyjne systemy agentic, będą miały realną przewagę nad tymi, które wciąż prowadzą eksperymenty z AI generatywną.

Gdzie pasuje każdy typ

Doświadczenie klienta to obszar, gdzie przewaga fintechów jest najbardziej widoczna dla końcowych użytkowników. Fintechy ustawiły poprzeczkę cyfrowej bankowości: natychmiastowe zatwierdzenia, proaktywne spostrzeżenia dotyczące wydatków, powiadomienia w czasie rzeczywistym. Klienci teraz oczekują tego samego doświadczenia od swojego banku.

Wirtualni asystenci i chatboty

Erica Bank of America to najczęściej przytaczany przykład i słusznie. Asystent AI obsłużył ponad 676 milionów interakcji z klientami od momentu uruchomienia. Erica odpowiada na pytania, wysyła alerty, pomaga w budżetowaniu i kieruje złożone problemy do ludzkich doradców. Ale Erica to wyjątek. Większość bankowych chatbotów to rozbudowane strony FAQ, które frustrują klientów bardziej, niż pomagają. Luka między tym, co możliwe, a co większość banków faktycznie dostarcza, jest ogromna.

Personalizacja w skali

AI-driven personalizacja wykracza poza rekomendacje produktów. Nowoczesne systemy analizują wzorce wydatków i przepływy przychodów, żeby dostarczać aktualne, trafne wskazówki finansowe. Discovery Bank w RPA oferuje narzędzie do dobrostanu finansowego przez WhatsApp, gdzie klienci pytają o rzeczy w stylu "Ile wydałem na kawę w zeszłym miesiącu?" i dostają natychmiastowe, spersonalizowane odpowiedzi. Ten rodzaj kontekstowej, konwersacyjnej interakcji to miejsce, gdzie doświadczenie klienta spotyka się z realną wartością biznesową. Banki, które wdrażają to dobrze, widzą mierzalne poprawy w zaangażowaniu i retencji.

Luka w personalizacji

Problem dla większości banków nie leży w technologii AI. To kwestia danych. Dane klientów są zazwyczaj rozproszone na dziesiątkach odizolowanych systemów: konta, karty, kredyty hipoteczne, inwestycje. Zbudowanie ujednoliconego widoku klienta, który zasila silnik personalizacji, wymaga znacznej pracy inżynieryjnej danych, i zazwyczaj inwestycji w oprogramowanie na zamówienie, której większość banków nie chce się podjąć.

Nie brakuje optymistycznych projekcji o potencjalnej wartości AI w bankowości. McKinsey szacuje 200-340 miliardów dolarów rocznego potencjału dla globalnej bankowości z adopcji AI. Ale jakie wyniki instytucje faktycznie widzą dzisiaj?

Zwroty wczesnych adopterów

Dane od firm, które przeszły poza piloty, są zachęcające. Według badań zebranych przez Neurons Lab, wcześni adoptersi agentic AI w usługach finansowych raportują 2,3x zwroty z inwestycji w AI w ciągu 13 miesięcy. Szybki cykl zwrotu dla technologii korporacyjnej, jak na każdą miarę. Kilka konkretnych studiów przypadku dodaje więcej koloru tym liczbom:

• JPMorgan Chase przeznacza około 2 miliardy dolarów na AI z 18-miliardowego budżetu technologicznego. Ponad 150 000 pracowników używa dużych modeli językowych tygodniowo. System LAW banku obsługuje przegląd dokumentów prawnych z 92,9% dokładnością, a asystent EVEE uwolnił setki agentów call center do proaktywnego kontaktu z klientami.
• Asystent AI Klarny obsługuje dwie trzecie wszystkich czatów obsługi klienta w pierwszym miesiącu od uruchomienia, wykonując pracę odpowiadającą 700 pełnoetatowym agentom. Szacowane roczne oszczędności: 40 milionów dolarów.
• Bank of America zobowiązał się do przeznaczenia 4 miliardów dolarów na AI i powiązane inicjatywy, wdrażając Agentforce od Salesforce do 1000 doradców finansowych.

Gdzie zwroty są najsilniejsze

Najwyższe zwroty nie pochodzą od efektownych funkcji skierowanych do klientów. Pochodzą z operacji:

• 30-50% redukcja obciążenia ręcznymi zadaniami jak przetwarzanie dokumentów i przegląd zgodności
• 50-70% mniej fałszywych pozytywów w wykrywaniu fraudów, co bezpośrednio obcina koszty śledztwa
• 99% szybsze wprowadzanie dokumentów KYC w instytucjach używających wspieranego przez AI przetwarzania Dla banków oceniających swoją strategię AI, lekcja jest jasna: zacznij tam, gdzie ból operacyjny jest największy, nie tam, gdzie historia marketingowa jest najbardziej efektowna.

Rozumienie trendów AI w bankowości to jedno. Faktyczne wdrażanie AI w dużej instytucji finansowej to coś innego. Bariery są realne, a ignorowanie ich to powód, dla którego tak wiele bankowych projektów AI zatrzymuje się po fazie pilotażowej.

Modernizacja systemów dziedziczonych

Większość dużych banków prowadzi podstawowe operacje bankowe na systemach mainframe, które mają 20-40 lat. Te systemy działają. Przetwarzają miliony transakcji dziennie. Ale nie były projektowane do integracji z nowoczesnymi modelami AI. Wyciągnięcie danych w czasie rzeczywistym z systemu opartego na COBOL i przesłanie ich do potoku uczenia maszynowego wymaga middleware, API i często strategii migracji do chmury. Koszt transformacji cyfrowej jest znaczący. Ale koszt niemodernizowania rośnie szybciej, bo z każdym rokiem luka między tym, co AI potrafi, a co pozwala infrastruktura dziedziczona, się poszerza.

Jakość danych i zarządzanie danymi

Modele AI są tylko tak dobre, jak dane, na których są trenowane. W bankowości, problemy z jakością danych są powszechne:

• Niespójne formaty między systemami z przejęć. Większość dużych banków zrealizowała wiele fuzji, z których każda wniosła własny schemat danych.
• Brakujące lub niekompletne zapisy w bazach danych klientów.
• Odizolowane przechowywanie, gdzie informacje o kliencie dla kont, kart i pożyczek żyją w osobnych, niepołączonych systemach. Zbudowanie niezawodnej podstawy danych i jasnego frameworku zarządzania danymi nie jest efektowną pracą, ale to warunek wstępny dla każdej kolejnej inicjatywy AI. Bez scentralizowanego zarządzania danymi, nawet najlepsze modele produkują niewiarygodne wyniki.

Zarządzanie i wyjaśnialność

Regulatorzy oczekują, że banki wyjaśnią, jak modele AI podejmują decyzje, szczególnie w przypadku kredytów i określeń fraudów. To oznacza, że modele czarnej skrzynki nie są akceptowalne w wielu kontekstach bankowych. Banki potrzebują frameworków wyjaśnialnego AI i procesów zarządzania ryzykiem modeli, plus ciągłego monitorowania. Według branżowych badań, 48% instytucji finansowych wskazuje zarządzanie jako główną barierę adopcji AI, a 30% martwi się o wyjaśnialność modeli.

Więc co banki powinny faktycznie zrobić? Odpowiedź nie polega na próbie prześcignięcia fintechów pod względem szybkości innowacji. Banki mają strukturalne przewagi, których fintechy nie mają: zaufanie, licencje regulacyjne, istniejące bazy klientów i bilanse. Droga naprzód to połączenie tych przewag z możliwościami AI, które fintechy zapoczątkowały.

Priorytetyzuj aplikacje generujące przychody

Zbyt wiele bankowych projektów AI skupia się na wewnętrznych korzyściach z efektywności. One mają znaczenie, ale nie zamkną luki konkurencyjnej. Banki muszą inwestować w AI skierowane na klienta, które napędza wzrost: spersonalizowane rekomendacje produktów i narzędzia do planowania finansowego wspierane przez AI, plus silniki decyzyjne w czasie rzeczywistym dla pożyczek i ubezpieczeń. Fintechy wygrywające na polu AI w bankowości nie wygrywają, bo mają lepsze modele. One wygrywają, bo wdrażają te modele w produkty, których klienci faktycznie używają.

Zbuduj fundament danych i zarządzania

Nie możesz skalować AI bez niezawodnej infrastruktury danych i jasnego zarządzania. To oznacza inwestowanie w:

• Ujednolicone platformy danych klientów, które pobierają informacje z całej organizacji
• Frameworki zarządzania ryzykiem modeli, które zadowalają regulatorów bez spowalniania wdrożenia do pełzania
• Infrastrukturę chmurową, która wspiera wymogi obliczeniowe nowoczesnych obciążeń ML, w tym platformy chmurowe zbudowane dla usług finansowych
• Potoki danych open banking, które pozwalają modelom AI pobierać z zewnętrznych źródeł, żeby budować bogatsze profile klientów

Rozwijaj możliwości agentic

Przejście od automatyzacji do autonomii to najważniejszy trend AI w bankowości, na który warto zwrócić uwagę. Banki muszą iść poza chatboty odpowiadające na pytania w stronę agentów AI, którzy kompletują procesy. To oznacza budowanie lub nabywanie systemów, które mogą postrzegać kontekst i podejmować decyzje w ramach zdefiniowanych ograniczeń. PayPal Agent Toolkit, uruchomiony w 2025, to dobry przykład, dokąd to zmierza. Narzędzie pozwala programistom budować agenty AI, które mogą inicjować płatności, rozwiązywać spory i zarządzać subskrypcjami bez przekazania człowiekowi. To właśnie ten poziom autonomii będzie definiował przyszłych zwycięzców.

Tabela poniżej rozkłada, jak fintechy i tradycyjne banki wypadają w porównaniu w głównych wymiarach adopcji AI. Obraz nie jest całkowicie jednostronny. Banki mają realne przewagi w zaufaniu i statusie regulacyjnym. Ale przegrywają pod względem szybkości i gotowości do pozwolenia AI kierować kluczowymi decyzjami biznesowymi.

Luka między fintechami a bankami w AI nie zamknie się sama. Każdy kwartał, który banki spędzają w trybie pilotażowym, to kwartał, którego ich konkurenci fintechowi używają do budowania systemów produkcyjnych i nabywania klientów. Ale okno nie jest zamknięte. Banki, które zobowiążą się do jasnej strategii AI, zainwestują w swoje podstawy danych i przejdą od eksperymentów z AI generatywną do systemów agentic AI, wciąż mogą konkurować. Mają aktywa, za które fintechy wiele by dały: licencje regulacyjne i zaufanie klientów wsparte ogromnymi sieciami dystrybucji. Wymagana transformacja cyfrowa nie jest pojedynczym projektem z metą. To trwałe zobowiązanie do przebudowy sposobu funkcjonowania banku, od predykcyjnej analityki w pożyczkach po AI-driven monitoring cyberbezpieczeństwa. Każdy element wzmacnia następny. Banki przyjmą AI. Muszą. Prawdziwe pytanie brzmi, czy zrobią to wystarczająco szybko, żeby mieć znaczenie. W oparciu o trendy AI w bankowości, które śledzimy, odpowiedź zależy od tego, czy przywództwo traktuje AI jako projekt technologiczny czy transformację biznesową. To bardzo różne rzeczy. W naszym doświadczeniu pracy z instytucjami finansowymi, banki, które rozumieją tę różnicę, będą outperformować te, które jej nie rozumieją.