AI w banku spółdzielczym: od czego zacząć, żeby nie kupić problemu

I to jest właśnie realny problem z wdrażaniem sztucznej inteligencji. Rynek sprzedaje przede wszystkim narzędzia. Bank potrzebuje natomiast zmiany sposobu wykonywania konkretnych czynności: przygotowywania analiz, porządkowania dokumentów, tworzenia pierwszych wersji pism, wyszukiwania informacji czy opracowywania materiałów marketingowych. Licencja daje dostęp do technologii. Dopiero organizacja pracy decyduje, czy technologia przyniesie jakikolwiek efekt ekonomiczny.

W banku spółdzielczym ma to szczególne znaczenie. Zespół jest zwykle mniejszy niż w dużej instytucji finansowej, a ta sama osoba często łączy kilka funkcji. Czas pracownika staje się więc zasobem, który łatwo policzyć organizacyjnie, nawet jeśli trudno jeszcze precyzyjnie wycenić finansowo każdą minutę odzyskaną dzięki automatyzacji.

Najpierw trzeba zobaczyć pracę

Wyobraźmy sobie specjalistę, który przygotowuje materiał dla zarządu. Samo napisanie dokumentu jest tylko częścią zadania. Trzeba znaleźć wcześniejsze opracowania, odszukać dane, porównać kilka wersji dokumentów, sprawdzić nazwy, daty i liczby, a później doprowadzić tekst do postaci nadającej się do wewnętrznego obiegu.

Model językowy może skrócić część tej pracy, ale tylko w granicach dostępu, jaki rzeczywiście otrzyma. Bez podłączonego repozytorium dokumentów nie zna wewnętrznych materiałów banku. Bez wskazanych źródeł nie powinien być traktowany jako narzędzie do ustalania aktualnych faktów. Bez jasno określonej procedury pracownik nie wie również, jakie informacje wolno mu przekazać do systemu.

Pierwszym przedmiotem analizy powinien być więc proces wykonywany przez człowieka.

Warto rozłożyć go na proste czynności: skąd pracownik pobiera informacje, które dokumenty przegląda, co porównuje, co przepisuje, co tworzy od początku, gdzie sprawdza poprawność i kto zatwierdza rezultat. Dopiero wtedy można wskazać miejsca, w których model językowy rzeczywiście skróci pracę.

Takie podejście szybko ujawnia również ograniczenia. Jeżeli pięć minut zajmuje przygotowanie tekstu, a trzy godziny zebranie danych i uzyskanie akceptacji, samo szybsze pisanie niewiele zmieni. Problem organizacyjny pozostanie tam, gdzie był.

Bank nie potrzebuje od razu wielkiego projektu

Pierwsze wdrożenie można ograniczyć do jednego dobrze rozpoznanego zadania.

Dobrym kandydatem jest czynność powtarzalna, pracochłonna i stosunkowo łatwa do zweryfikowania przez pracownika. Może to być przygotowanie roboczej wersji komunikatu, uporządkowanie długiego dokumentu, zestawienie różnic pomiędzy materiałami albo wyszukanie informacji w zatwierdzonym zbiorze dokumentów. Warunek jest prosty: rezultat musi dać się sprawdzić.

Model językowy nie powinien otrzymywać roli arbitra rozstrzygającego, która informacja jest prawdziwa. Może natomiast wskazać różnice pomiędzy dokumentami, przygotować streszczenie albo odnaleźć fragmenty związane z konkretnym pytaniem, jeżeli ma dostęp do właściwego zbioru materiałów. Pracownik ocenia wynik w ramach istniejącej odpowiedzialności służbowej.

To rozróżnienie zmienia sposób liczenia korzyści. Nie trzeba od razu budować wielkiego programu transformacji cyfrowej. Wystarczy sprawdzić, ile pracy wymagała dana czynność przed wdrożeniem, ile wymaga po jego zastosowaniu, jak często wynik trzeba poprawiać i jakie błędy pojawiają się po drodze.

Sam czas nie wystarczy. Narzędzie, które skraca przygotowanie dokumentu, lecz zwiększa liczbę błędów albo wymaga długiej kontroli, może nie dać oczekiwanej poprawy. Ocena powinna obejmować przynajmniej czas pracy, jakość rezultatu, zakres poprawek i ryzyko związane z wykorzystaniem informacji.

Dopiero taki test daje zarządowi materiał do decyzji.

Dane są trudniejszym problemem niż sam model

W wielu dyskusjach o AI największą uwagę poświęca się wyborowi narzędzia. Z punktu widzenia banku równie istotne jest jednak pytanie, do jakich danych system uzyska dostęp.

Publiczny model używany wyłącznie do pracy na niesensytywnych materiałach jest innym przypadkiem niż rozwiązanie połączone z wewnętrznym repozytorium dokumentów. Jeszcze inna sytuacja powstaje wtedy, gdy pracownik chciałby analizować informacje dotyczące konkretnego klienta. Każdy z tych przypadków wymaga osobnej oceny prawnej, bezpieczeństwa informacji i zasad dostępu.

Technologia sama nie rozwiązuje problemu klasyfikacji danych. Bank musi wcześniej określić, które materiały mogą zostać przetworzone w danym środowisku, kto ma prawo z niego korzystać i jakie czynności wymagają dodatkowej kontroli. Dostawca rozwiązania powinien również jasno określić sposób przetwarzania informacji, warunki ich przechowywania oraz konfigurację usługi.

Właśnie w tym miejscu ujawnia się jeszcze jedna rzecz: przygotowanie banku do AI często porządkuje problemy istniejące już wcześniej.

Jeżeli dokumenty są rozproszone, ich wersje trudno odróżnić, dostęp zależy od wiedzy pojedynczych pracowników, a materiały nie mają spójnego sposobu opisywania, system oparty na modelu językowym nie usunie tego bałaganu. Może wręcz szybciej go ujawnić.

Uporządkowane repozytorium, prawa dostępu i zasady zatwierdzania dokumentów mają wartość także bez sztucznej inteligencji. AI zwiększa jedynie presję, żeby te sprawy wreszcie rozwiązać.

Bank może dzięki temu uniknąć częstego błędu: zakupu narzędzia w poszukiwaniu problemu, który dopiero później trzeba będzie dla niego wymyślić.

Sensowna kolejność jest odwrotna. Najpierw wybiera się konkretną pracę, której koszt lub pracochłonność warto ograniczyć. Następnie ustala się dane potrzebne do jej wykonania, warunki dostępu, sposób kontroli wyniku i kryteria oceny. Dopiero na końcu można rozsądnie zdecydować, jaka technologia jest potrzebna.

Dla banku spółdzielczego pierwszym sukcesem wdrożenia AI nie musi być efektowny system widoczny dla klientów. Większą wartość może przynieść mały proces, w którym pracownicy rzeczywiście wykonują mniej pracy ręcznej, wynik zachowuje wymaganą jakość, a bank potrafi wykazać, skąd wzięła się osiągnięta poprawa.

Jeżeli takiego procesu nie można wskazać, zakup technologii warto odłożyć. Jeżeli można go zmierzyć i kontrolować, bank ma już podstawę do następnego wdrożenia – tym razem opartego na własnym doświadczeniu, a nie na obietnicy dostawcy.

Maciej Małek