Η Τεχνητή Νοημοσύνη αρχίζει να ενσωματώνεται σε ολοένα περισσότερες καθημερινές λειτουργίες των τραπεζών, από την εξέταση ενός δανείου και το άνοιγμα ενός λογαριασμού έως τον εντοπισμό ύποπτων συναλλαγών και την εξυπηρέτηση των πελατών.
Το επόμενο βήμα δεν αφορά μόνο καλύτερα chatbots ή ψηφιακούς βοηθούς. Πρόκειται για συστήματα AI που μπορούν να αναλαμβάνουν συγκεκριμένα στάδια μιας τραπεζικής διαδικασίας, όπως τη συγκέντρωση και τον έλεγχο δικαιολογητικών, την αναζήτηση πληροφοριών, τον εντοπισμό πιθανής απάτης, την προετοιμασία φακέλου δανείου ή την παραπομπή μιας σύνθετης υπόθεσης σε αρμόδιο υπάλληλο.
Όπως επισημαίνουν σε ανάλυσή τους οι Ajay Rawal και Δρ. Κωστής Χλουβεράκης της EY, αυτό δεν σημαίνει ότι η AI θα αποφασίζει ανεξέλεγκτα ποιος θα λάβει δάνειο ή ότι ο ανθρώπινος παράγοντας θα εξαφανιστεί.
Αντίθετα, το μοντέλο βασίζεται σε μικρότερα και εξειδικευμένα συστήματα, τους λεγόμενους AI agents, τα οποία αναλαμβάνουν συγκεκριμένες εργασίες μέσα σε προκαθορισμένα όρια και υπό ανθρώπινη εποπτεία.
Τι αλλάζει για τον πελάτη
Μια διαδικασία που σήμερα απαιτεί πολλαπλούς ελέγχους, μεταφορά στοιχείων από σύστημα σε σύστημα και παρέμβαση πολλών εργαζομένων θα μπορούσε να ολοκληρώνεται ταχύτερα.
Στο άνοιγμα ενός λογαριασμού, για παράδειγμα, ένας AI agent θα μπορούσε να συγκεντρώνει τα απαραίτητα έγγραφα, ένας δεύτερος να πραγματοποιεί ελέγχους ταυτότητας, ένας τρίτος να εξετάζει αν πληρούνται οι πολιτικές της τράπεζας και ένας ακόμη να εντοπίζει τις περιπτώσεις που πρέπει να παραπεμφθούν σε άνθρωπο.
Το ίδιο μοντέλο μπορεί να εφαρμοστεί στην αξιολόγηση δανείων, τις αμφισβητήσεις συναλλαγών, την αντιμετώπιση της απάτης, τις εισπράξεις, την κανονιστική συμμόρφωση και την εξυπηρέτηση πελατών.
Η βασική αλλαγή είναι ότι η τεχνητή νοημοσύνη παύει σταδιακά να αποτελεί ένα μεμονωμένο εργαλείο δίπλα στον εργαζόμενο και ενσωματώνεται στην ίδια τη ροή μιας εργασίας.
Από τα πιλοτικά προγράμματα στην καθημερινή λειτουργία
Πολλές τράπεζες διεθνώς έχουν ήδη επενδύσει σε μεμονωμένες εφαρμογές AI, όπως ψηφιακούς βοηθούς, συστήματα αυτοματοποίησης ή πιλοτικά προγράμματα παραγωγικής τεχνητής νοημοσύνης.
Οι εφαρμογές αυτές μπορούν να αυξήσουν την παραγωγικότητα μιας ομάδας. Ωστόσο, σύμφωνα με την ανάλυση, δύσκολα αλλάζουν συνολικά το κόστος και την αποτελεσματικότητα μιας τράπεζας εάν η υπόλοιπη διαδικασία παραμένει ίδια.
Έτσι, το ερώτημα μετατοπίζεται από το «πού μπορούμε να χρησιμοποιήσουμε AI;» στο «ποιες τραπεζικές διαδικασίες μπορούμε να επανασχεδιάσουμε με τη βοήθεια της AI;».
Η απόσταση, πάντως, μεταξύ πειραματισμού και ευρείας εφαρμογής παραμένει σημαντική. Σύμφωνα με έρευνα της EY για το 2025, που επικαλούνται οι συντάκτες, το 52% των τραπεζών είχε πραγματοποιήσει πιλοτικές εφαρμογές agentic AI, αλλά μόλις 16% είχε προχωρήσει σε πλήρη ανάπτυξη σχετικών εφαρμογών.
Πόσο αυτόνομη μπορεί να γίνει μια τράπεζα
Η ανάπτυξη των AI agents δεν σημαίνει ότι οι τράπεζες κατευθύνονται άμεσα σε ένα μοντέλο όπου οι σημαντικές αποφάσεις θα λαμβάνονται αποκλειστικά από μηχανές.
Σε κοινή έρευνα της Τράπεζας της Αγγλίας και της Financial Conduct Authority το 2024, το 75% των χρηματοπιστωτικών επιχειρήσεων δήλωνε ότι χρησιμοποιούσε ήδη AI, ενώ ένα επιπλέον 10% σχεδίαζε να τη χρησιμοποιήσει μέσα στην επόμενη τριετία.
Μόλις το 2% των περιπτώσεων χρήσης, ωστόσο, αφορούσε πλήρως αυτόνομη λήψη αποφάσεων.
Οι Rawal και Χλουβεράκης περιγράφουν ουσιαστικά μια κλίμακα πέντε επιπέδων. Στο πρώτο βρίσκεται ο απλός AI assistant, ο οποίος προτείνει, συντάσσει ή συνοψίζει πληροφορίες.
Ακολουθούν συστήματα που μπορούν να εκτελούν εργασίες χαμηλού κινδύνου με έγκριση, οι AI agents που λειτουργούν μέσα σε προκαθορισμένα όρια και τα συστήματα που συντονίζουν περισσότερους agents και διαφορετικές τραπεζικές εφαρμογές.
Στο τελευταίο επίπεδο βρίσκεται η πλήρως αυτόνομη λήψη σημαντικών αποφάσεων, η οποία παραμένει περιορισμένη και ιδιαίτερα ευαίσθητη από κανονιστική άποψη.
Περισσότερη εξατομίκευση, αλλά και περισσότερα δεδομένα
Για τον πελάτη, μια ακόμη αλλαγή μπορεί να είναι η μεγαλύτερη εξατομίκευση των τραπεζικών υπηρεσιών.
Η τράπεζα μπορεί να αξιοποιεί στοιχεία για τις συναλλαγές, το οικονομικό προφίλ, το κανάλι επικοινωνίας ή μια συγκεκριμένη ανάγκη του πελάτη, προκειμένου να παρέχει πιο έγκαιρες ειδοποιήσεις και πιο στοχευμένες υπηρεσίες.
Υπάρχει όμως μια λεπτή γραμμή. Η αξιοποίηση περισσότερων δεδομένων μπορεί να βελτιώσει την εξυπηρέτηση, αλλά μπορεί επίσης να δημιουργήσει την αίσθηση υπερβολικής παρακολούθησης.
Για τον λόγο αυτό, οι συντάκτες διαχωρίζουν το «context-aware banking», δηλαδή μια τραπεζική υπηρεσία που κατανοεί καλύτερα τις συνθήκες και τις ανάγκες του πελάτη, από το «surveillance banking».
Η συναίνεση, η διαφάνεια, η προστασία των προσωπικών δεδομένων και τα σαφή όρια στη χρήση τους αποκτούν έτσι ακόμη μεγαλύτερη σημασία.
Το «μαύρο κουτί» των αποφάσεων της AI
Όσο περισσότερα στάδια μιας τραπεζικής διαδικασίας αναλαμβάνει η τεχνητή νοημοσύνη, τόσο μεγαλύτερη γίνεται και η ανάγκη να μπορεί η τράπεζα να εξηγήσει τι ακριβώς συνέβη.
Η ανάλυση χρησιμοποιεί την έννοια ενός «AI decision flight recorder», ενός είδους «μαύρου κουτιού» των αποφάσεων της AI.
Σε αυτό θα μπορεί να καταγράφεται ποιο μοντέλο χρησιμοποιήθηκε, ποιες πληροφορίες αξιοποιήθηκαν, ποιες πηγές αναζητήθηκαν, ποιοι κανόνες εφαρμόστηκαν, ποιες ενέργειες πραγματοποιήθηκαν και αν υπήρξε έγκριση ή παρέμβαση ανθρώπου.
Το ζητούμενο είναι η εποπτεία της τεχνητής νοημοσύνης να μην περιορίζεται σε γενικούς κανονισμούς και επιτροπές, αλλά οι δικλίδες ασφαλείας να ενσωματώνονται στα ίδια τα συστήματα.
Το επόμενο βήμα για τις τράπεζες
Το βασικό συμπέρασμα των Rawal και Χλουβεράκη είναι ότι η επόμενη φάση του ανταγωνισμού δεν θα κριθεί από το ποια τράπεζα διαθέτει τα περισσότερα μοντέλα τεχνητής νοημοσύνης ή ανακοινώνει τα περισσότερα πιλοτικά προγράμματα.
Το κρίσιμο στοιχείο θα είναι κατά πόσο μπορεί να ενσωματώσει την AI στις πραγματικές τραπεζικές διαδικασίες, διαθέτοντας αξιόπιστα και επικαιροποιημένα δεδομένα και καθορίζοντας με σαφήνεια ποιες εργασίες μπορεί να εκτελεί η τεχνολογία, ποιες αποφάσεις μπορεί απλώς να υποστηρίζει και σε ποια σημεία πρέπει να παρεμβαίνει ο άνθρωπος.
Για τον πελάτη, εφόσον αυτό γίνει με τις απαραίτητες δικλίδες, το αποτέλεσμα θα μπορούσε να σημαίνει ταχύτερες διαδικασίες, λιγότερη γραφειοκρατία, πιο άμεση εξυπηρέτηση και καλύτερο εντοπισμό προβλημάτων και απάτης.
Η μεγάλη αλλαγή, επομένως, δεν είναι απλώς ότι οι τράπεζες θα χρησιμοποιούν περισσότερη τεχνητή νοημοσύνη. Είναι ότι η AI αρχίζει να μετατρέπεται από ένα πρόσθετο εργαλείο σε μέρος του ίδιου του τρόπου λειτουργίας μιας τράπεζας.
Πηγή: ΑΠΕ-ΜΠΕ