Umetna inteligenca danes v finančnem sektorju ni več futuristična zamisel, temveč postaja ključno operativno orodje, ki preoblikuje kreditne procese, upravljanje tveganj in celotno uporabniško izkušnjo. Kljub temu je med medijskim entuziazmom in dejanskim poslovnim vplivom pomembna razlika: resnični napredek izhaja iz konkretnih primerov uporabe ter merljivo ustvarjenega donosa na investicijo (ROI).
V intervjuju za Bloomberg Adria Damir Vukotić, partner v Deloitte Central Europe South, pojasnjuje, kako banke in fintech podjetja v regiji vse hitreje prehajajo od eksperimentiranja k sistematični implementaciji. Opozarja na tehnologije, ki že ustvarjajo poslovno vrednost, ter na področja, kjer bo umetna inteligenca v prihodnjih treh do petih letih najmočneje preoblikovala finančne storitve.
Kateri so najbolj dodelani primeri uporabe umetne inteligence, ki jih trenutno uvajate v bankah klastra CE South (npr. prevare/AML, izterjava terjatev, sistemi zgodnjega opozarjanja, podporne funkcije IFRS9/IRB, podnebni scenariji tveganj)? Kakšni so skupni vzorci projektov, ki že dokazujejo merljive koristi v P&L ali zmanjšanje RWA?
V bankah regije se najzrelejši primeri uporabe AI razvijajo na križišču tradicionalnih tveganih funkcij in napredne analitike vedenjskih vzorcev. Največji napredek opažamo pri spremljanju transakcij in na področju AML, kjer modeli, kot sta Peer Group Outlier Detection in Anomaly Detection, učinkovito zmanjšujejo delež lažno pozitivnih opozoril ter bistveno pospešujejo obravnavo primerov. V kreditnih procesih AI agenti avtomatizirajo segmente KYC, preverjajo negativne medijske objave ter podpirajo pripravo kreditne dokumentacije. Pri vedenjskem točkovanju in sistemih zgodnjega opozarjanja omogočajo prejšo, natančnejšo identifikacijo tveganj v portfelju.
Najhitreje merljive koristi izvirajo iz operativnih in stroškovnih učinkov – od občutnega zmanjšanja ročnih preverjanj do boljše prioritizacije primerov ter skrajšanja celotnega cikla od opozorila do odločitve. V praksi se to odrazi kot stabilno izboljšanje P&L v srednjem roku. Uspešni AI projekti se opirajo na tri ključne elemente: močnega poslovnega sponzorja, kakovostno podatkovno infrastrukturo ter iterativen pristop, ki mora svojo vrednost dokazati v 3–6 mesecih. Ko projekti zastanejo, je glavni razlog praviloma pomanjkljivo razvita podatkovna platforma ali nejasno določeno lastništvo procesov in odgovornosti znotraj banke.
A tehnologija sama ne zadostuje. Ključno je tudi znanje ljudi, ki jo uporabljajo. Najbolj napredne banke kombinirajo pristopa »human-in-the-loop« in »human-over-the-loop«, pri čemer modeli podpirajo, ne zamenjujejo strokovne presoje. Razvijajo kulturo, v kateri se podatki, AI modeli in človeška ekspertiza dopolnjujejo. Koncept »zanesljive umetne inteligence« bo postopoma prevzemal vse več rutinskih nalog, vendar bosta človeška presoja in etični okvir ostala temelj kakovostnih odločitev ter dolgoročnega zaupanja strank.
Večina projektov zastane pri podatkih in operativizaciji modelov. Kako rešujete podatkovne temelje (kakovost, lineage, kontrolni okviri) ter MLOps (monitoring, drift, ponovno učenje modelov)? Kdaj priporočate hyperscaler orodja v primerjavi z »lažjimi« platformami za manjše institucije?
Večina AI projektov se ne ustavi zaradi modelov, temveč zaradi podatkov in zahtevne operativne implementacije. Zato kot prvi korak vedno naslovimo podatkovne temelje; natančno opredelimo podatkovne vire, vzpostavimo standarde kakovosti, sledenje podatkom (lineage), določimo podatkovne lastnike ter implementiramo ustrezne kontrolne okvire skladno s standardi BCBS 239 in RDARR. Čeprav je BCBS 239 uveljavljen že od leta 2013, regulatorji danes temu področju znova posvečajo več pozornosti.
Drugi ključni korak je vzpostavitev celovitega MLOps okvira – sistemov za spremljanje delovanja modelov, zaznavanje drifta ter redno ponovno učenje. V večjih institucijah so uveljavljena orodja, kot sta Azure ML in Databricks, medtem ko manjše banke pogosto zadostijo z bolj »lahkimi«, odprtokodnimi rešitvami. Bistveno je, da so modeli dejansko vtkani v poslovne procese in ustvarjajo operativne sprožilce, denimo pri izterjavi ali AML opozorilih.
Hyperscaler rešitve priporočamo, ko ima banka večje število produkcijskih modelov, ambicijo hitrega skaliranja ali visoke zahteve po revizijski sledljivosti ter naprednem AI upravljanju, kar postaja še pomembnejše z implementacijo evropskega AI Acta. V drugih primerih je primernejši postopni razvoj po načelu »start small, scale fast« ter grajenje kompetenc skozi ciljno izbrane primere uporabe.
Kaj GenAI realno spreminja v funkcijah tveganj v kratkem roku (12–18 mesecev) in kje so meje – pristranost, halucinacije, tveganje modela, intelektualna lastnina, varstvo podatkov? Kateri primer uporabe ima danes najbolj dokazljiv ROI v front- ali back-officeu?
V kratkem roku GenAI ne bo bistveno spremenil temeljnih modelov tveganj, bo pa močno preoblikoval način dela tveganih ekip. Največji napredek je pri avtomatizaciji dokumentacije, analitičnih poročil in pripravi nadzorniških gradiv, kjer GenAI že deluje kot učinkovit »kopilot«. Najbolj razvite uporabe so na področjih AML in KYC, kjer pospešuje povzemanje dosjejev, razvrščanje primerov in pripravo odgovorov, ter v izterjavi, kjer pomaga pri personalizaciji strategij in oblikovanju priporočil.
Meje uporabe, pristranost modelov, halucinacije, tveganje napačnih interpretacij, zaščita podatkov in vprašanja intelektualne lastnine, ostajajo ključni izzivi. Zato se rešitve implementirajo v varnih, regulativno skladnih okoljih ter z doslednim nadzorom po principu »human-in-the-loop«.
Če bi izpostavil primer z najjasnejšim ROI, bi bil to AI podprt sistem zgodnjega opozarjanja in orkestracije izterjave. Takšne rešitve omogočajo hitrejšo identifikacijo tveganj, inteligentno razvrščanje primerov, bolj personalizirane ukrepe ter posledično višjo stopnjo okrevanja, krajši odzivni čas in nižje kreditne izgube.
A resnična vrednost GenAI sega dlje od operativne učinkovitosti, omogoča namreč preoblikovanje celotne paradigme upravljanja tveganj. Umetna inteligenca omogoča prehod iz reaktivnega v proaktivno, prediktivno in strateško upravljanje, ki tveganja ne le meri, temveč jih predvideva, simulira in upravlja skoraj v realnem času. To predstavlja naslednjo generacijo upravljanja tveganj, v kateri tehnologija deluje kot pospeševalec, strateško razumevanje tveganj pa kot ključna konkurenčna prednost.
Pogovor o inovacijah in transformaciji bančništva z naprednimi digitalnimi tehnologijami se nadaljuje na Regionalni konferenci o upravljanju tveganj – »Bančništvo v dobi umetne inteligence«, ki bo 28. novembra v Sarajevu.
.webp){kind=icon}
