Négymilliárd dollár, 45 munkakör és egy ikertestvér hangja: a nagy AI-projektek ritkán a modellen buknak el
A TechShow X. második napján Kertay Balázs, a Visa Consulting & Analytics senior menedzsere arról beszélt, miért nem lesz minden banki AI-projektből üzleti eredmény, és mit csinálnak másképp az AI-ban élen járó európai bankok. Négy nyilvánosan ismert kudarcot és négy sikeres példát elemzett.
Az ügyfél már AI-val hasonlítja össze a bankok ajánlatait
Az idézett EY-felmérés szerint a pénzügyekben a legnagyobb a nyitottság az AI-alapú döntéstámogatásra: a válaszadók 84 százaléka nyitott rá, a tényleges használat azonban ennek nagyjából a fele. Aki AI-t használ a pénzügyi döntéseihez, több információhoz jut, jobban összeveti a bankok ajánlatait. A McKinsey-becslés szerint Európában a lakossági betéteken 37 százalékkal, a teljes banki profiton 8 százalékkal csökkenhet a nyereség. A lakáshiteleknél és a privát bankolásnál a becsült hatás jóval kisebb.
A banki AI ma főleg a háttérfolyamatokat javítja
Egy 2025-ös felmérésben a banki vezetők 52 százaléka pilotprojektekről, 16 százaléka éles bevezetésről számolt be az ügynöki AI terén. Az S&P Global elemzése mintegy 550 bank nyilvános közléseit vizsgálta 2022 ősze és 2025 ősze között, és a bejelentett AI-bevezetések 90-95 százalékát belső célúnak találta. A közép-kelet-európai bankok a befektetési célok többségében lemaradnak a fejlettebb piacok mögött, legnagyobb mértékben az ügyfélélmény fejlesztésében; Olaszországban a bankok 94 százaléka fektet be ebbe a területbe. Egy NVIDIA-felmérésben a fintechek 45 százaléka épp az ügyfélélményen érte el a legnagyobb megtérülést. A vezetők 86 százaléka alapvető változást vár 2030-ig, a saját projektjeiben ezt nagyjából az ötödük tapasztalja.
Négy kudarc, amely nem a modellen múlt
Az IBM több mint négymilliárd dollárt költött a Watson Health felvásárlásaira orvosi döntéstámogató rendszer építésére, a rendszert azonban részben tankönyvi, fiktív esetekből tanították, és a cég alábecsülte az egészségügyi adatok töredezettségét. Az IBM 2022-ben nagyjából egymilliárd dollárért adta el az üzletág adat- és elemzési eszközeit. Az ausztrál Commonwealth Bank Bumblebee nevű hangalapú botja jól kezelte a hívásokat, a bank mégis 45 ügyfélszolgálati munkakör megszüntetését kötötte a bevezetéshez 2025 júliusában, majd a visszhang miatt egy hónap múlva visszavonta a döntést. A HSBC hangalapú azonosítását az új technológia avultatta el: egy BBC-riporter számlájába már 2017-ben bejutott az ikertestvére a saját hangjával. A Goldman Sachs Apple Card mögött működő hitelbírálati algoritmusa hasonló adatú házastársaknak akár húszszoros különbségű hitelkeretet adott, az eltérést sem az ügyfelek, sem az ügyfélszolgálat nem tudta megmagyarázni. A New York-i pénzügyi felügyelet 2021-ben nem talált jogellenes megkülönböztetést, de megállapította, hogy az átláthatóság hiánya aláásta az ügyfelek bizalmát.
A sikeres példák eredménye mérhető
A HSBC pénzmosás elleni, dinamikus kockázatértékelő rendszere viselkedési minták alapján rangsorolja a gyanús tranzakciókat: a téves riasztások 60 százalékkal csökkentek, a feltárt pénzügyi bűncselekmények száma pedig kétszeresére-négyszeresére nőtt. A BBVA vállalati AI-asszisztensei több mint százezer aktív felhasználóval heti nagyjából három órát takarítanak meg. A DBS Joy, a szingapúri DBS vállalati ügyfeleket kiszolgáló virtuális bankára 2026 nyarától egyszerű banki feladatokat is elvégez egyetlen beszélgetésen belül. A J.P. Morgan bankárokat támogató AI-ügynökei 30 százalékkal növelik a bankárok termelékenységét, és kétmilliárd dolláros üzleti értéket teremtenek.
Kertay Balázs záró üzenete szerint az ügyfelek már készen állnak az AI-alapú pénzügyekre, a költségmegtakarítás azonban önmagában hosszú távon nem hoz többlethozamot a bankoknak. Az üzleti eredményt nem az AI-modell hozza létre, hanem a megtalált probléma és a rá épített megoldás, amiben az AI katalizátor.
