Η τεχνητή νοημοσύνη εντάσσεται σταδιακά σε περισσότερες καθημερινές εργασίες των τραπεζών, από την αξιολόγηση ενός δανείου και το άνοιγμα λογαριασμού έως την ανίχνευση μιας συναλλαγής που θεωρείται ύποπτη.
Η επόμενη φάση υπερβαίνει ένα βελτιωμένο chatbot ή έναν ψηφιακό βοηθό που δίνει απαντήσεις στους πελάτες. Πρόκειται για συστήματα τεχνητής νοημοσύνης που μπορούν να αναλάβουν επιμέρους στάδια μιας τραπεζικής διαδικασίας: να συλλέγουν και να ελέγχουν δικαιολογητικά, να αναζητούν δεδομένα, να εντοπίζουν ενδεχόμενη απάτη, να προετοιμάζουν φάκελο δανείου ή να παραπέμπουν μια σύνθετη υπόθεση στον κατάλληλο υπάλληλο.
Δεν σημαίνει, όμως, ότι η τεχνητή νοημοσύνη θα αποφασίζει χωρίς έλεγχο ποιος δικαιούται δάνειο ούτε ότι καταργείται η ανθρώπινη συμμετοχή. Το μοντέλο που παρουσιάζουν στην ανάλυσή τους οι Ajay Rawal και Δρ. Κωστής Χλουβεράκης της EY στηρίζεται σε μικρότερα και εξειδικευμένα συστήματα, τους αποκαλούμενους AI agents, που εκτελούν καθορισμένες εργασίες εντός προκαθορισμένων ορίων και υπό ανθρώπινη εποπτεία.
Πώς επηρεάζεται στην πράξη ο τραπεζικός πελάτης;
Μια διαδικασία που σήμερα προϋποθέτει πολλαπλούς ελέγχους, διαβίβαση στοιχείων μεταξύ συστημάτων και τη συμμετοχή πολλών εργαζομένων θα μπορούσε να διεκπεραιώνεται πιο γρήγορα. Ενδεικτικά, κατά το άνοιγμα λογαριασμού, ένας AI agent θα μπορούσε να συλλέγει τα αναγκαία έγγραφα, ένας άλλος να διενεργεί ελέγχους ταυτοποίησης, ένας τρίτος να αξιολογεί αν τηρούνται οι πολιτικές της τράπεζας και ένας επιπλέον να αναγνωρίζει τις υποθέσεις που χρειάζονται παραπομπή σε άνθρωπο.
Το συγκεκριμένο μοντέλο είναι δυνατό να αξιοποιηθεί για την αξιολόγηση δανείων, τις αμφισβητήσεις συναλλαγών, την αντιμετώπιση της απάτης, τις εισπράξεις, την κανονιστική συμμόρφωση και την εξυπηρέτηση πελατών. Η ουσιαστική μεταβολή έγκειται στο ότι η τεχνητή νοημοσύνη παύει προοδευτικά να λειτουργεί ως μεμονωμένο εργαλείο δίπλα στον εργαζόμενο και γίνεται μέρος της ίδιας της ροής εργασίας.
Η μετάβαση από τα πειράματα στην καθημερινή τραπεζική λειτουργία
Έως σήμερα, πολλές τράπεζες διεθνώς έχουν τοποθετήσει επενδύσεις σε επιμέρους χρήσεις AI, όπως έναν ψηφιακό βοηθό, ένα σύστημα αυτοματοποίησης ή ένα πιλοτικό πρόγραμμα παραγωγικής τεχνητής νοημοσύνης. Οι εφαρμογές αυτές μπορούν να ενισχύσουν την παραγωγικότητα μιας ομάδας, αλλά, κατά την ανάλυση, δύσκολα αλλάζουν συνολικά το κόστος και την αποτελεσματικότητα της τράπεζας όταν η υπόλοιπη διαδικασία δεν μεταβάλλεται. Έτσι, το ερώτημα μετακινείται από το «πού μπορούμε να χρησιμοποιήσουμε AI;» στο «ποιες τραπεζικές διαδικασίες μπορούμε να επανασχεδιάσουμε με τη βοήθεια της AI;».
Παρά ταύτα, εξακολουθεί να υπάρχει σημαντική απόσταση ανάμεσα στον πειραματισμό και τη γενικευμένη εφαρμογή. Σε έρευνα της EY για το 2025, την οποία επικαλούνται οι συντάκτες, το 52% των τραπεζών είχε υλοποιήσει πιλοτικές εφαρμογές agentic AI, ενώ μόνο το 16% είχε περάσει στην πλήρη ανάπτυξη τέτοιων εφαρμογών.
Τα όρια της αυτονομίας στις τραπεζικές αποφάσεις
Η εξέλιξη των AI agents δεν συνεπάγεται ότι οι τράπεζες οδεύουν άμεσα σε ένα μοντέλο όπου οι κρίσιμες αποφάσεις θα λαμβάνονται μόνο από μηχανές. Κοινή έρευνα της Τράπεζας της Αγγλίας και της Financial Conduct Authority το 2024 έδειξε ότι το 75% των χρηματοπιστωτικών επιχειρήσεων χρησιμοποιούσε ήδη AI, ενώ ένα ακόμη 10% σχεδίαζε να την αξιοποιήσει στην επόμενη τριετία. Παρ’ όλα αυτά, πλήρως αυτόνομη λήψη αποφάσεων αφορούσε μόλις το 2% των περιπτώσεων χρήσης.
Οι Rawal και Χλουβεράκης παρουσιάζουν, στην ουσία, μια διαβάθμιση πέντε επιπέδων. Στην πρώτη βαθμίδα βρίσκεται ο απλός AI assistant, ο οποίος προτείνει, συντάσσει ή συνοψίζει πληροφορίες. Έπονται συστήματα που εκτελούν εργασίες χαμηλού κινδύνου κατόπιν έγκρισης, οι AI agents που δρουν σε προκαθορισμένα όρια και τα συστήματα τα οποία συντονίζουν πολλούς agents και διαφορετικές τραπεζικές εφαρμογές. Η τελευταία βαθμίδα αφορά την πλήρως αυτόνομη λήψη σημαντικών αποφάσεων, η οποία παραμένει περιορισμένη και ιδιαίτερα ευαίσθητη σε κανονιστικό επίπεδο.
Μια επιπλέον μεταβολή για τον πελάτη μπορεί να αφορά την αυξημένη εξατομίκευση των υπηρεσιών. Η τράπεζα δύναται να χρησιμοποιεί δεδομένα σχετικά με τις συναλλαγές, το οικονομικό προφίλ, το κανάλι επικοινωνίας ή μια συγκεκριμένη ανάγκη του πελάτη, παρέχοντας πιο έγκαιρες ειδοποιήσεις και υπηρεσίες περισσότερο σχετικές με την περίπτωσή του.
Υπάρχει, ωστόσο, ένα λεπτό όριο. Η χρήση περισσότερων δεδομένων μπορεί να αναβαθμίσει την εξυπηρέτηση, αλλά ενδέχεται και να δημιουργήσει την εντύπωση υπερβολικής παρακολούθησης. Γι’ αυτό οι συντάκτες διακρίνουν το «context-aware banking», δηλαδή την τραπεζική υπηρεσία που αντιλαμβάνεται καλύτερα τις συνθήκες και τις ανάγκες του πελάτη, από το «surveillance banking». Κατά συνέπεια, η συναίνεση, η διαφάνεια, η προστασία των προσωπικών δεδομένων και τα ξεκάθαρα όρια στη χρήση τους αποκτούν ακόμη μεγαλύτερη βαρύτητα.
Καθώς η τεχνητή νοημοσύνη αναλαμβάνει περισσότερα βήματα σε μια τραπεζική διαδικασία, εντείνεται η απαίτηση η τράπεζα να μπορεί να διευκρινίζει με ακρίβεια όσα συνέβησαν. Η ανάλυση εισάγει την ιδέα του «AI decision flight recorder», δηλαδή ενός «μαύρου κουτιού» για τις αποφάσεις της AI. Σε αυτό θα καταγράφονται το μοντέλο που αξιοποιήθηκε, τα δεδομένα που χρησιμοποιήθηκαν, οι πηγές στις οποίες έγινε αναζήτηση, οι κανόνες που τέθηκαν σε εφαρμογή, οι ενέργειες που εκτελέστηκαν, καθώς και το αν υπήρξε ανθρώπινη έγκριση ή παρέμβαση.
Στόχος είναι ο έλεγχος της τεχνητής νοημοσύνης να μη βασίζεται μόνο σε ευρείς κανονισμούς και επιτροπές, αλλά να ενσωματώνονται οι δικλίδες ασφαλείας απευθείας στα ίδια τα συστήματα.
Η επόμενη φάση για τις τράπεζες και την τεχνητή νοημοσύνη
Οι Rawal και Χλουβεράκη καταλήγουν ότι το επόμενο στάδιο του ανταγωνισμού δεν θα εξαρτηθεί από την τράπεζα που έχει στη διάθεσή της τα περισσότερα μοντέλα τεχνητής νοημοσύνης ή που παρουσιάζει τα περισσότερα πιλοτικά προγράμματα.
Το καθοριστικό θα είναι αν μια τράπεζα μπορεί να εντάξει την AI στις πραγματικές τραπεζικές διαδικασίες, με αξιόπιστα και διαρκώς ενημερωμένα δεδομένα, ενώ θα έχει ορίσει ξεκάθαρα ποιες εργασίες δύναται να διεκπεραιώνει η τεχνολογία, ποιες αποφάσεις μπορεί μόνο να υποστηρίζει και σε ποια σημεία απαιτείται ανθρώπινη παρέμβαση.
Αν αυτό υλοποιηθεί με τις αναγκαίες δικλίδες, για τον πελάτη θα μπορούσε να μεταφραστεί σε γρηγορότερες διαδικασίες, λιγότερη γραφειοκρατία, αμεσότερη εξυπηρέτηση και αποτελεσματικότερο εντοπισμό προβλημάτων και απάτης.
Επομένως, η ουσιαστική μεταβολή δεν περιορίζεται στο ότι οι τράπεζες θα αξιοποιούν περισσότερη τεχνητή νοημοσύνη. Η AI αρχίζει να εξελίσσεται από πρόσθετο εργαλείο σε τμήμα του ίδιου του τρόπου λειτουργίας μιας τράπεζας.
