AI megtérülésének mérése a banki szektorban – Nehézségek és lehetőségek
Az európai bankok 92%-a alkalmaz mesterséges intelligenciát (AI), ám a rendszerszintű megtérülés mérése terén a nyilvános bizonyítékok hiányosak. A Magyar Nemzeti Bank (MNB) elvárásai szerint a hitelintézeteknek rendszerszintű teljesítménymutatókat kell bevezetniük, de a közelmúlt felmérései túlnyomórészt a kezdeti szakaszokban járnak.
A mérési keret összetevői
A bankok számára az AI megtérülésének mérése nem csupán egy egyszerű számítás, hanem egy komplex hatelemű keretet igényel:
1. Alapérték (baseline): A folyamat kiindulási állapota, amely rögzíti a bevezetés előtti helyzetet.
2. Mérhető teljesítménymutatók: Olyan mutatók, amelyek a célok teljesülését tükrözik.
3. Teljes költségoldal: A költségeket magukban foglalják nem csupán a modellhasználati díjak, hanem az integrációnak, adatelőkészítésnek, emberi ellenőrzésnek és megfelelési munkának is.
4. Összehasonlítási alap: A mérés során fontos figyelembe venni a piaci és szabályozási változásokat.
5. Visszamérési ritmus: A teljesítménymutatók rendszeres felülvizsgálata, felelőssel megállapítva.
6. Leállítási küszöb: Azt rögzíti, hogy milyen eredménynél tekintjük a befektetést megtérültnek.
A Magyar Nemzeti Bank ajánlása
A MNB 13/2025. számú ajánlása szerint a bankoknak kötelességük a célkitűzéseiket mérhető fő teljesítménymutatókhoz igazítaniuk. Ezen kívül javasolja az AI rendszerek teljesítményének folyamatos értékelését és a szakaszos bevezetést, amely visszamérésekkel van kísérve.
Mérési fokozatok és kihívásaik
A mutatók létrát alkotnak, amely a következő fázisokat tartalmazza:
1. Használati mutató: Hányan férnek hozzá az AI-hoz, és hányan használják azt.
2. Tevékenységi mutató: Mekkora a rendszer által generált tevékenységek száma.
3. Folyamatmutató: A folyamat hatékonyságát és minőségét tükrözi, például átfutási idő és hibaarány alapján.
4. Üzleti kimenet: Ide tartoznak a bevételek, költségek és kockázatok, amelyek annyira fontosak, hogy a Santander például 200 millió eurós várható üzleti értéket prognosztizál az AI alkalmazásából 2026-ra.
5. Auditált hatás: A pénzügyi kimutatásokban megjelenő, külső ellenőrzéssel validált hatás.
Kockázatok és torzítások
A mérést kísérő hibák jelentős torzításokhoz vezethetnek. Például:
1. Hamis alapérték: Amikor a kiindulási szintet utólag, a bevezetés utáni eredmények ismeretében választják meg.
2. Kettős beszámítás: Amikor ugyanazt a megtakarítást több projekt is elszámolja.
3. Költségoldal alulmérése: Amikor a rejtett költségeket nem számolják bele.
4. Elfogadottsági mutató: Ez nem valódi kimenet, hanem csak egy előfeltétel.
A jövőbeli irányelvek és forgatókönyvek
A mérés helyzete folyamatosan fejlődik. Az egyik forgatókönyv szerint a visszamérési követelmények egységesítése a mérések nyelvét konszolidálja, míg más lehetőségek a költséget és hatást a pénzügyi kimutatásokban kötelező módon megjelenítik.
Összefoglalva: A banki AI megtérülésének mérése komplex feladat, amely nem csupán adatelemzést, hanem átfogó stratégiai megközelítést igényel. Az AI értéke sok esetben túlságosan elméleti maradt, a szükséges rendszerek és eljárások megfelelő implementálása elengedhetetlen a jövőbeli sikerhez.
