Techniki cyfrowe i AI w sektorze finansowym

Getty Images

Sztuczna inteligencja (Artyfical Inetligence, AI) związana z transformacją cyfrową i rozwojem sektora informatycznego IT, stała się nieodłącznym elementem naszego życia codziennego. W szerokim zrozumieniu pojęcie sztucznej inteligencji odnosi się do maszyn, które są w stanie myśleć, uczyć się i podejmować decyzje tak jak ludzie. Należy zauważyć, że pojęcie AI jest szerokie i zmienia się w czasie, wraz z postępem technologicznym. Obecnie pod terminem AI kryje się wiele znaczeń m.in. sieci neuronowe, robotyka, uczenie maszynowe, głębokie uczenie maszynowe. Rozróżnia się również terminy: sztuczna inteligencja, generatywna sztuczna inteligencja oraz systemy sztucznej inteligencji.  Szybki rozwój sztucznej inteligencji następuje dzięki nowoczesnym narzędziom służącym do przechowywania ogromnych ilości danych w postaci chmury obliczeniowej (ang. cloud computing), a także zdolności ich przetwarzania, dzięki zwiększeniu mocy procesorów komputerowych oraz procesorów graficznych związanych z sektorem IT.

Zobacz również:

Nowe technologie w sektorze finansowym

Mimo, że AI rozwijała się już od dziesięcioleci, ale dopiero wprowadzenie produktu ChatGPT pod koniec 2022 r. spowodowało, że stała się ona publicznie dostępna i wzrosło zainteresowanie nią wśród przedsiębiorstw, w tym instytucji finansowych. Branża usług finansowych jest jednym z głównych nabywców usług technologicznych (IT) na całym świecie. Nie jest to nowa tendencja, już od dłuższego czasu  przedsiębiorstwa finansowe stały się największym nabywcą usług IT i tę pozycję utrzymują do dziś.

Technologie cyfrowe w sektorze finansowym

Sektor finansowy zmienia się w bardzo szybkim tempie, na co zasadniczy wpływ ma rozwój technik cyfrowych. W celu utrzymania swojej pozycji na rynku, tradycyjne banki, oferujące dotychczas swoje usługi tylko w fizycznych oddziałach, wdrażają nowoczesne technologie informatyczne (IT) i BigData oraz wykorzystują narzędzia AI. Taka transformacja pobudza wzrost inwestycji sektora bankowego w IT, co umożliwia pośrednikom finansowym oferowanie zindywidualizowanych usług dla klientów banków. Można zatem stwierdzić, że jest to relacja dwustronna. Z jednej strony technologie cyfrowe umożliwiają rozwój usług finansowych. Z drugiej strony banki i inni pośrednicy finansowi inwestują w rozwój nowoczesnych technologii, a to powoduje dalszy postęp. Pojęcie, powstałe dzięki relacjom sektora finansowego z IT, określa się jako FinTech.

Przedsiębiorstwa FinTech wypełniły istniejące luki występujące w potrzebach użytkowników usług finansowych, których wcześniej nie spełniały tradycyjne banki (tj. szybkość realizacji usługi, niższe koszty, dostępność). Należy zauważyć, że nazwy sektorów czy branż gospodarki wykorzystujących techniki cyfrowe, także w finansach zawierają końcówkę „Tech” określającą „technologie, technikę” (ang. tech). Sektory gospodarki w ramach „Tech” wykorzystują m.in. rozwiązania Big data oraz sztucznej inteligencji. Wśród sektorów/branż związanych z nowymi technikami na rynku finansowym można wymienić pojęcia BankTech i InsurTech, które już przyjęły się na rynku finansowym. Do BankTechów zalicza się banki udostępniające swoje produkty i usługi za pośrednictwem internetu, czyli neobanki. InsurTech to jeden z działów branży nowych technik cyfrowych, poświęcony nowym rozwiązaniom technologicznym w ubezpieczeniach. Przedsiębiorstwo z sektora InsurTech, wykorzystuje w ramach swoich usług wirtualnych asystentów oraz cyfrowe produkty ubezpieczeniowe.

Rozwój technologii przetwarzania danych

Rozwój sektora finansowego przebiegał zawsze równolegle do ewolucji technologii przetwarzania informacji. Dlatego, aby zrozumieć wpływ sztucznej inteligencji na sektor finansowy, dobrze jest zrozumieć historię rozwoju pieniądza i finansów. Sektor finansowy (w szczególności bankowy) był jednym z pierwszych, który zaczął korzystać z komputerów np. IBM 650. Wprowadzony na rynek w 1954 r., stał się popularny m.in. ze względu na wykorzystanie jego możliwości w sektorze finansowym. Pierwszy bankomat (ang. Automated Teller Machine, ATM), który został uruchomiony w 1967 r., jest uważany za prekursora wykorzystania AI w bankowości. Kolejnym przykładem jest wynalazek jednoukładowego mikroprocesora Intel w 1971 r., który spowodował możliwość konstrukcji komputerów personalnych PC „Personal Computer” oraz przyczynił się do powstania sieci lokalnych w latach 80. XX w. (por. m.in. Schlechtendahl, Keinert, Kretschmer, Lechler & Verl, 2015, Nayernia, Bahemia, Papagiannidis, 2022). Ponadto, wykorzystanie po raz pierwszy w 1990 r. sieci Internet do celów komercyjnych przyczyniło się do powstania bankowości elektronicznej. Impulsem rozwoju dla nowych technologii było wprowadzenie pierwszego iPhone’a w 2007 r., co stanowiło przełom w dziedzinie telekomunikacji i technologii mobilnych. Kolejnym zwrotem było wprowadzenie kryptowaluty „Bitcoin” elektronicznego system gotówkowego z wyłączeniem sektora bankowego w 2009 r. (Nicoletti, 2017).

Zobacz również:

Big Techy rozwijają, ale też hamują postęp innowacji

Wzajemne powiązania między finansami a rozwojem nowych technologii mają zatem już długą historię, którą można opisać na przestrzeni ostatnich lat. Rozwój finansów i rozwój nowych technik cyfrowych od dawna są ze sobą powiązane, wzajemnie się wzmacniając. Ostanie kryzysy – globalny kryzys finansowy z 2008 r., kryzys pandemiczny i obecny kryzy geopolityczny – spowodowały jednak kolejne impulsy i stały się punktami zwrotnymi w rozwoju technologii cyfrowych. Ich zastosowanie w finansach znacząco przyśpieszyło, co spowodowało rozwój przedsiębiorstw FinTech. Ta przyśpieszona ewolucja stwarza wyzwania zarówno dla organów regulacyjnych, jak i uczestników rynku, w szczególności w zakresie równoważenia potencjalnych korzyści z nowych rozwiązań z potencjalnymi zagrożeniami.

Narodziny sztucznej inteligencji

Pojęcie AI również ma długą historię, którą można prześledzić już od końca lat 50. XX w., gdy Marvin Lee Minsky skonstruował pierwszą sieć neuronową w 1950 r., przyczyniając się do rozwoju „sztucznej inteligencji”, a nawet od lat 30. XX w., gdy powstały pierwsze prace z logiki matematycznej Alana Turinga oraz Kurta Godela (Turing, 1936, Godel, 1931). Z kolei w 1955 r., John McCarthy, wprowadził do nauki termin sztuczna inteligencja, definiując ją jako „naukę i inżynierię tworzenia inteligentnych maszyn”. Rok później w 1956 r., zorganizował konferencję naukową w Dartmouth pt. „Dartmouth Summer Research Project on Artificial Intelligence”. Wydarzenie to, jest uznane w świecie naukowym za miejsce narodzin dziedziny nauki zwanej „sztuczna inteligencja” (por. IAPP, 2023).

Kolejnym impulsem dla rozwoju AI było pojawianie się tzw. dużych modeli językowych (ang. large language model, LLM) w latach 90. XX w., gdy położono podwaliny pod obecną generację modeli AI tzw. generatywną sztuczną inteligencję GenAI. LLM to zaawansowana aplikacja w szeroko pojętej dziedzinie przetwarzania języka naturalnego (ang. natural language processing, NLP), która ma bardzo dobre mechanizmy uczenia się i dlatego mogą zapewnić dokładniejsze przewidywania niż tradycyjne modele parametryczne. Przetwarzanie języka naturalnego (ang. natural language processing, NLP) sprawia, że język ludzki jest zrozumiały dla maszyn, a widzenie komputerowe CV (ang. computer vision) dotyczy przetwarzania i zrozumienia cyfrowych obrazów i filmów. Obecne modele LLM, mają jednak jeszcze pewne niedoskonałości i cierpią na tzw. problem halucynacji (BIS, 2024). Dlatego rosnąca dostępność danych odgrywa kluczową rolę w szkoleniu i trenowaniu modeli sztucznej inteligencji (im więcej danych jest dostępnych, tym model AI jest lepszy i się nie myli).

Należy zauważyć, że dzisiaj definicja sztucznej inteligencji jest bardzo szeroka i mimo prób ujednolicenia, trudno jest AI ściśle zdefiniować, ponieważ pojawiają się cały czas nowe produkty technologiczne i nowe jej zastosowania. OECD (2024) podjęło próbę ujednolicenia definicji AI, opierając się na wymaganiach Unii Europejskiej. W UE definicję AI ujęto w akcie w sprawie sztucznej inteligencji (UE, 2024) AI Act, EU Artificial Intelligence Act, który został przyjęty przez Parlament Europejski 13 marca 2024 r. Rozporządzanie opiera się na zaleceniach OECD. Szybki rozwój sztucznej inteligencji jest zatem napędzany przez postęp w zakresie zwiększenia mocy obliczeniowej komputerów i zwiększenie dostępności danych. Z uwagi na to, że AI cały czas się rozwija, jej definicja rozszerza się w miarą powstania nowych produktów. Ważne jest osiągnięcie wspólnego zrozumienia tego, co obejmuje termin sztuczna inteligencja. Globalny charakter AI i jej międzysektorowy charakter mogą się przekładać na różne podejścia do opisu sztucznej inteligencji przez różne organizacje i państwa.

Szanse i zagrożenia AI

Transformacja cyfrowa związana z wykorzystaniem AI do życia gospodarczego, rodzi nowe szanse, ale powoduje też nowe zagrożenia. Wśród szans w sektorze finansowym wymienia się m.in. zwiększanie efektywności procesów operacyjnych oraz szybkości przeprowadzonych transakcji, wzrost wydajności pracy, usprawnienie dystrybucji informacji, a także poprawę jakości modeli i  zmniejszenie błędów spowodowanych przez człowieka. Główne zagrożenia dotyczą ryzyka operacyjnego i wzrostu cyberprzestępczości, w tym obaw odnośnie do ochrony danych, które przetwarzają technologie cyfrowe związane z AI.

Sztuczna inteligencja może poprawić efektywność procesów operacyjnych instytucji finansowych, ale ryzyko operacyjne może wzrosnąć. Ponadto, w zależności od tego, czy instytucje finansowe mają wewnętrzną zdolność do opracowywania modeli podstawowych AI, może być konieczne nabycie architektury bazowej od zewnętrznych jej dostawców. Kolejne zagrożenie związane z zastosowaniem sztucznej inteligencji w sektorze finansowym dotyczy problemów z wykorzystaniem pracowników  w przyszłości, w miarę rozwoju AI i rosnącej roli chatbotów lub asystentów cyfrowych. Z drugiej strony, te aplikacje uwolniłyby zasoby ludzkie do innych zadań (OECD, 2023, EBC, 2024).

Oprócz tych zagrożeń, zwraca się uwagę na ryzyko koncentracji rynku związane z zachowaniem przedsiębiorstw dominujących, w tym dużych przedsiębiorstw technologicznych BigTech. Rodzi to potencjalne ryzyko dla stabilności finansowej. Postępująca automatyzacja może prowadzić do napięć na rynkach finansowych, może też pogłębić kryzysy płynności czy zwiększyć podatność na zagrożenia ryzykiem zmiany cen aktywów (FSB, 2024).

AI a BigTechy

Należy zauważyć, że na rynek sztucznej inteligencji w całym łańcuchu dostaw rosnący wpływ wywierają tzw. duże przedsiębiorstwa technologiczne BigTechy, mające dostęp do danych, których potrzebują aplikacje sztucznej inteligencji. Przykładami wielkich technologii są: wyszukiwarki online, platformy mediów społecznościowych, platformy e-commerce, platformy przejazdów oraz operatorzy sieci komórkowych. Duże przedsiębiorstwa technologiczne BigTech mają szereg linii biznesowych i oferują również usługi finansowe w ramach swojego znacznie szerszego zestawu działalności (BIS, 2019). Przedsiębiorstwa BigTech świadczą również działalność finansową, tak jak np. Alibaba, Amazon, Facebook, Google i Tencent, konkurując z tradycyjnymi instytucjami finansowymi lub w partnerstwie z tradycyjnymi bankami jako nakładki na produkty lub infrastrukturę.

Działalność przedsiębiorstw BigTech opiera się na wykorzystaniu platform cyfrowych w e-commerce, wyszukiwarkach stron internetowych i mediach społecznościowych (BIS, 2019), zaś ich modele biznesowe polegają na umożliwieniu bezpośrednich interakcji dużej liczbie użytkowników. BigTech mogą udzielać pożyczek klientom detalicznym lub małym i średnim przedsiębiorstwom (MŚP) na swoich platformach handlu elektronicznego. Świadczą również usługi Buy Now Pay Later (BNPL).

Modele biznesowe wielkich przedsiębiorstw technologicznych BigTech, skoncentrowane na internecie, pozwalają na osiągnięcie dominującej pozycji na rynku. Istotną ich cechą jest możliwość wykorzystania danych użytkowników jako danych wejściowych dla szeregu usług wykorzystujących naturalne efekty sieciowe do generowania dalszej aktywności użytkownika. To z kolei

generuje koleją porcję danych.

Duże przedsiębiorstwa technologiczne BigTech wykorzystują własności samowzmacniającej się pętli, która pojawia się między danymi a siecią, która tworzy tzw. “DNA”  – skrót od trzech pojęć: analizy danych (ang. Data Analytics), efektów sieciowych (ang. Network externalities) oraz przeplatających się działań (ang. interwoven Activities).

Efekty sieciowe występują po stronie popytu, podczas gdy korzyści skali występują po stronie podaży. Duża sieć rozrasta się bardzo szybko, a mała zanika. Duże przedsiębiorstwa BigTech, wykorzystując swoją siłę rynkową na innych rynkach związanych z technologiami cyfrowymi, rozszerzają ją na wschodzące rynki sztucznej inteligencji. Firmy te również intensywnie inwestują w sztuczną inteligencję np. inwestycja Microsoftu w OpenAI (por. Gambacorta i Shreeti, 2025).

Zobacz również:

Fuzje i przejęcia w europejskiej bankowości

Ryzyko koncentracji

Wykorzystanie AI może usprawniać procesy w przedsiębiorstwach finansowych, ale powoduje także nowe zagrożenia, związane m.in. ze strukturą rynku. Przedsiębiorstwa wykorzystujące sztuczną inteligencję mogą być narażone na ryzyka stron trzecich (ang. Third-party dependencies) oraz ryzyko koncentracji rynku z kilkoma dominującymi podmiotami. Na rynek dostarczycieli AI mają wpływ bowiem korzyści skali, efekty sieciowe oraz zachowania przedsiębiorstw dominujących (Varian, 2018). Ryzyko koncentracji mogą tworzyć podmioty, będące potencjalnymi dostawcami, kontrahentami, partnerami, usługodawcami lub innymi organizacjami, z którymi współpracuje przedsiębiorstwo finansowe. Dostęp do danych ma kluczowe znaczenie dla skuteczności działania modeli LLM, a koncentracja dostawców danych np. dużych przedsiębiorstw technologicznych BigTech lub innych platform może stanowić potencjalne ryzyko. Podstawą działania sztucznej inteligencji jest chmura obliczeniowa. Duzi dostawcy przetwarzania danych w chmurze, mogą narzucić swoje warunki wyłączności.

Według Gambacorta i Shreeti (2025) typowa infrastruktura AI od strony technicznej, składa się z kilku kluczowych elementów: sprzętu (ang. hardwer), którym są m.in procesory graficzne, infrastruktury chmurowej, danych szkoleniowych modeli i aplikacji, która umożliwia użytkownikom końcowym interakcję z modelami i może być narażona na ryzyko zakłóceń w łańcuchu dostaw pomiędzy tymi elementami. Dobrym przykładem jest ChatGPT, który jest szkolony dzięki usłudze przetwarzania w chmurze oraz wykorzystaniu wysokiej klasy mikroprocesorów graficznych.

Wśród innych zagrożeń wymienia się ryzyko modelu i jakości danych. Ponadto, ryzyko osób trzecich może dotyczyć zależności od dostawców specjalistycznego sprzętu, usług w chmurze, ale również od programów trenowania modeli AI. Rynek tych produktów i usług finansowych jest wysoce skoncentrowany, co mogłoby narazić instytucje finansowe na ryzyko operacyjne. Zakłócenia dostawców usług, mających wpływ na kluczowe procesy w instytucjach finansowych w konsekwencji mogą prowadzić do ryzyka systemowego.

W dzisiejszym świecie postęp techniczny przebiega coraz szybciej, co powoduje, że pojęcie sztucznej inteligencji stale ewoluuje i się zmienia. Pod terminem AI kryje się zatem wiele pojęć m.in.: uczenie maszynowe (ang. Machine Learning, ML), głębokie uczenie maszynowe (ang. Deep learning), przetwarzanie języka naturalnego, wykrywanie i interpretacja danych wizualnych, rozpoznawanie mowy, inteligentne systemy wspomagania decyzji, inteligentne systemy robotyczne. Warto podkreślić, że naukowcy w dziedzinie informatyki cały czas znajdują nowe innowacyjne rozwiązania, co powoduje, że techniki obliczeniowe uważane niegdyś za sztuczną inteligencję stają się już powszechne i mało nowoczesne. Ponadto, należy mieć jednak nadzieje, że AI przyniesie i społeczeństwu, i instytucjom finansowym więcej korzyści niż zagrożeń.

Autorka wyraża własne opinie , a nie oficjalne stanowisko NBP.

Getty Images

Zamknij pokaz zdjęć