Gen AI w bankowości: nowa fala Gen AI w zarządzaniu łańcuchem wartości kredytowej

Sektor bankowy znajduje się obecnie w punkcie zwrotnym. O ile ostatnia dekada była okresem cyfryzacji danych, o tyle kolejna będzie definiowana przez zdolność do interpretowania i zarządzania złożonością treści nieustrukturyzowanych. W ekosystemie, w którym zgodność regulacyjna i szybkość podejmowania decyzji stanowią filary konkurencyjności, generatywna sztuczna inteligencja (GenAI) staje się czynnikiem umożliwiającym głęboką transformację procesów wewnętrznych.

1. Poza automatyzacją: GenAI jako narzędzie syntezy i analizy

Generatywna AI oznacza zmianę paradygmatu w porównaniu z tradycyjnym modelowaniem predykcyjnym. Podczas gdy to drugie doskonale sprawdza się w identyfikowaniu wzorców statystycznych, GenAI wprowadza możliwość interakcji z językiem naturalnym oraz heterogenicznymi bazami wiedzy. Dla instytucji finansowych oznacza to wreszcie możliwość zmierzenia się z tzw. procesami „human-intensive” — działaniami wymagającymi pogłębionej analizy różnorodnych dokumentów, takich jak sprawozdania finansowe, wyceny, noty objaśniające czy umowy.

Wdrożenie dużych modeli językowych (LLM) pozwala na automatyzację „łańcucha wartości dokumentów”, przekształcając statyczne dokumenty w użyteczne przepływy informacji. Efektywność wynika nie tylko z szybkości działania, lecz także ze zdolności systemu do rozumienia związków przyczynowo-skutkowych oraz tworzenia trafnych podsumowań, co znacząco ogranicza nakład pracy ręcznej i ryzyko błędu ludzkiego, pozostawiając operatorowi fundamentalną rolę nadzorcy i ostatecznego walidatora.

2. Przykłady najlepszych praktyk w globalnym sektorze bankowym

Wdrożenie GenAI dynamicznie wkracza do procesów bankowych, przechodząc od teoretycznej hipotezy do ugruntowanej rzeczywistości w niektórych z największych instytucji finansowych na świecie, które zintegrowały ją ze swoimi kluczowymi procesami, aby osiągnąć mierzalne przewagi konkurencyjne:

• JPMorgan Chase: Bank wdrożył pakiet oparty na generatywnej AI, wykorzystywany przez ponad 230 000 pracowników do analizy transkrypcji rozmów, dokumentów firm klientów, porównywania złożonych dokumentów finansowych oraz syntetyzowania ogromnych wolumenów danych. System ten pozwala analitykom zaoszczędzić od 3 do 6 godzin pracy tygodniowo, znacząco przyspieszając etapy researchu i analizy. (Link)
• Morgan Stanley: Instytucja opracowała asystenta opartego na generatywnej AI, wspierającego doradców finansowych w szybkim dostępie do repozytorium obejmującego ponad 100 000 raportów badawczych. Efektywność wyszukiwania dokumentów wzrosła z 20% do 80%, umożliwiając doradcom poświęcenie większej ilości czasu na bezpośrednie relacje z klientami. (Link)
• HSBC: Wykorzystuje GenAI do wspierania analizy kredytowej i przygotowywania raportów, przyspieszając decyzje kredytowe. Ponadto bank wprowadził narzędzia wspomagające tworzenie kodu dla 20 000 programistów, osiągając 15-procentowy wzrost efektywności w zakresie pisania oprogramowania i bezpieczeństwa. (Link)
• Goldman Sachs: Uruchomił „GS AI Assistant” w celu automatyzacji powtarzalnych zadań, takich jak podsumowywanie złożonych dokumentów. Inżynierowie wykorzystują AI do automatycznego pisania i testowania kodu, znacząco skracając time-to-market dla nowych funkcji cyfrowych. (Link)

3. Mapowanie procesów o wysokiej wartości dodanej

Zgodnie z analizami przeprowadzonymi przez CRIF, skuteczność GenAI  zauważalna jest  w krytycznych obszarach, w których wolumen dokumentów i złożoność regulacyjna tworzą największe wąskie gardła. Wśród procesów wskazanych przez CRIF jako przynoszących największe korzyści znajdują się:

• Udzielanie kredytu / underwriting: automatyzacja gromadzenia i analizy danych na potrzeby akceptacji.
• Zgodność i przeciwdziałanie nadużyciom: screening reputacyjny oraz weryfikacja dokumentów w zakresie przeciwdziałania praniu pieniędzy.
• Monitorowanie ryzyka: ciągła analiza słabych sygnałów obecnych w dokumentacji korporacyjnej.
• Kontrole drugiego poziomu: systematyczny przegląd jakości portfela oraz zgodności z procedurami.

4. Analiza przypadków użycia i wpływu operacyjnego

Poniżej przedstawiono wybrane przypadki użycia, które CRIF mogło bezpośrednio zweryfikować w praktyce dzięki strategicznym współpracom z różnymi klientami bankowymi, dostarczając konkretnych dowodów skuteczności tych rozwiązań w rzeczywistych kontekstach operacyjnych.

• Automatyzacja kontroli AML i przeciwdziałania nadużyciom. Jednym z największych obciążeń dla działów compliance są ręczne dochodzenia mające na celu rozróżnianie osób o tych samych nazwiskach lub weryfikację alertów reputacyjnych (PEP, sankcje). Rozwiązanie proponowane przez CRIF pozwala skrócić czas analizy przy zachowaniu wysokiej dokładności oraz zapewnieniu monitoring i raportowania.
• Optymalizacja łańcucha wartości dokumentów. Zarządzanie heterogenicznymi dokumentami (paski wynagrodzeń, akty notarialne) często spowalnia obsługę kredytową. Dzięki inteligentnym przepływom pracy możliwe jest przekształcanie plików PDF w informacje ustrukturyzowane. Większość dostarczonych dokumentów może być przetwarzana bez interwencji człowieka przy zachowaniu wysokiego poziomu dokładności.
• Zaawansowana ocena finansowa. Wykorzystanie GenAI umożliwia odtworzenie związków przyczynowo-skutkowych w wynikach przedsiębiorstwa poprzez automatyczną analizę bilansów i not objaśniających, skracając czas przetwarzania.
• Kontrole drugiego poziomu i „Agentic Analyst”. Tradycyjnie zespoły sprawdzają jedynie 0,5% spraw. Wykorzystanie agentów AI pozwala rozszerzyć zakres kontroli do 100% dossiers, oznaczając anomalie względem polityk. Prowadzi to do znaczącej oszczędności czasu oraz poprawy wskaźnika wykrywania ryzyka.
• Spersonalizowane strategie windykacyjne. Dzięki integracji modeli predykcyjnych i GenAI definiowane są spersonalizowane plany działań (raty, ugody), wraz z identyfikacją najlepszego kanału kontaktu. Korzyści obejmują znaczące ograniczenie kosztów operacyjnych.

Podsumowanie: potrzeba strategicznej selekcji

Generatywna sztuczna inteligencja okazuje się potężnym sojusznikiem w usprawnianiu procesów bankowych, zdolnym do znaczącego ograniczania kosztów operacyjnych i czasu reakcji. Aby jednak maksymalizować zwrot z inwestycji (ROI) w tych pionierskich projektach, nie wystarczy wdrażać technologię w sposób nieukierunkowany. Konieczna jest dokładna analiza pozwalająca wskazać procesy najlepiej nadające się do inteligentnej automatyzacji, z zachowaniem równowagi między złożonością techniczną a wpływem biznesowym. Tylko dzięki strategicznej selekcji i odpowiedzialnemu zarządzaniu banki będą w stanie przekształcić potencjał GenAI w konkretną i trwałą przewagę konkurencyjną.