Τράπεζες και τεχνητή νοημοσύνη: τι αλλάζει σε δάνεια, συναλλαγές και εξυπηρέτηση πελατών

Τράπεζες και τεχνητή νοημοσύνη: τι αλλάζει σε δάνεια, συναλλαγές και εξυπηρέτηση πελατών

Από την εξέταση ενός δανείου και το άνοιγμα λογαριασμού μέχρι τον εντοπισμό ύποπτης συναλλαγής, η τεχνητή νοημοσύνη περνά σταδιακά σε όλο και περισσότερες καθημερινές τραπεζικές λειτουργίες. Το επόμενο βήμα δεν είναι μόνο ένα καλύτερο chatbot, αλλά συστήματα που θα αναλαμβάνουν συγκεκριμένα στάδια μιας διαδικασίας, θα συγκεντρώνουν και θα ελέγχουν δικαιολογητικά, θα αναζητούν πληροφορίες, θα εντοπίζουν πιθανές απάτες και θα προετοιμάζουν φακέλους δανείων.

Αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη θα αποφασίζει μόνη της ποιος θα πάρει δάνειο ή ότι ο ανθρώπινος παράγοντας θα εξαφανιστεί. Όπως περιγράφουν σε ανάλυσή τους οι Ajay Rawal και Δρ. Κωστής Χλουβεράκης της EY, το μοντέλο στηρίζεται σε μικρότερα, εξειδικευμένα συστήματα -τους λεγόμενους AI agents– που αναλαμβάνουν συγκεκριμένες εργασίες μέσα σε προκαθορισμένα όρια και με ανθρώπινη εποπτεία.

Τι σημαίνει αυτό στην πράξη για τον πελάτη

Μια διαδικασία που σήμερα απαιτεί διαδοχικούς ελέγχους, μεταφορά στοιχείων από σύστημα σε σύστημα και παρέμβαση πολλών εργαζομένων θα μπορούσε να ολοκληρώνεται πολύ πιο γρήγορα. Στο άνοιγμα ενός λογαριασμού, για παράδειγμα, ένας AI agent θα μπορούσε να συγκεντρώνει τα απαραίτητα έγγραφα, ένας δεύτερος να κάνει ελέγχους ταυτότητας, ένας τρίτος να εξετάζει αν τηρούνται οι πολιτικές της τράπεζας και ένας ακόμη να ξεχωρίζει τις περιπτώσεις που πρέπει να παραπεμφθούν σε άνθρωπο. Το ίδιο μοντέλο μπορεί να εφαρμοστεί στην εξέταση δανείων, στις αμφισβητήσεις συναλλαγών, στην αντιμετώπιση της απάτης, στις εισπράξεις, στην κανονιστική συμμόρφωση και στην εξυπηρέτηση πελατών, με την τεχνητή νοημοσύνη να ενσωματώνεται πλέον στη ροή της εργασίας και όχι να λειτουργεί απλώς δίπλα στον εργαζόμενο.

Από τα πειράματα στην καθημερινή λειτουργία

Μέχρι σήμερα, πολλές τράπεζες διεθνώς έχουν επενδύσει σε μεμονωμένες εφαρμογές AI: έναν ψηφιακό βοηθό, ένα σύστημα αυτοματοποίησης ή ένα πιλοτικό πρόγραμμα παραγωγικής τεχνητής νοημοσύνης. Τέτοιες λύσεις μπορούν να αυξήσουν την παραγωγικότητα μιας ομάδας, όμως, σύμφωνα με την ανάλυση, δύσκολα αλλάζουν συνολικά το κόστος και την αποτελεσματικότητα της τράπεζας αν η υπόλοιπη διαδικασία μείνει ίδια. Γι’ αυτό το ερώτημα μετατοπίζεται πλέον από το «πού μπορούμε να χρησιμοποιήσουμε AI;» στο «ποιες τραπεζικές διαδικασίες μπορούμε να επανασχεδιάσουμε με τη βοήθεια της AI;».

Η απόσταση ανάμεσα στον πειραματισμό και την ευρεία εφαρμογή παραμένει σημαντική. Σύμφωνα με έρευνα της EY για το 2025 που επικαλούνται οι συντάκτες, το 52% των τραπεζών είχε προχωρήσει σε πιλοτικές εφαρμογές agentic AI, αλλά μόλις το 16% είχε περάσει σε πλήρη ανάπτυξη σχετικών εφαρμογών.

Πόσο αυτόνομη μπορεί να γίνει μια τράπεζα;

Η ανάπτυξη των AI agents δεν σημαίνει ότι οι τράπεζες κινούνται άμεσα προς ένα μοντέλο όπου οι σοβαρές 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 ήδη χρησιμοποιούσε AI και ένα επιπλέον 10% ότι σχεδίαζε να τη χρησιμοποιήσει μέσα στην επόμενη τριετία. Ωστόσο, μόλις το 2% των περιπτώσεων χρήσης αφορούσε πλήρως αυτόνομη λήψη αποφάσεων.

Οι Rawal και Χλουβεράκης περιγράφουν μια κλίμακα πέντε επιπέδων. Στο πρώτο βρίσκεται ο απλός AI assistant που προτείνει, συντάσσει ή συνοψίζει πληροφορίες. Ακολουθούν συστήματα που εκτελούν χαμηλού κινδύνου εργασίες με έγκριση, οι AI agents που δρουν 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.

Για τον πελάτη, μια ακόμη αλλαγή μπορεί να είναι η μεγαλύτερη εξατομίκευση των υπηρεσιών. Η τράπεζα μπορεί να αξιοποιεί στοιχεία για τις συναλλαγές, το οικονομικό προφίλ, το κανάλι επικοινωνίας ή μια συγκεκριμένη ανάγκη του πελάτη ώστε να προσφέρει πιο έγκαιρες ειδοποιήσεις και πιο σχετικές 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 ξεχωρίζουν 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.

Όσο περισσότερα στάδια μιας τραπεζικής διαδικασίας αναλαμβάνει η τεχνητή νοημοσύνη, τόσο μεγαλώνει και η ανάγκη η τράπεζα να μπορεί 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 έγιναν 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.

Τι έρχεται στη συνέχεια

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, με αξιόπιστα και επικαιροποιημένα δεδομένα και με σαφή ορισμό για το 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, λοιπόν, δεν είναι μόνο 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 με τον οποίο λειτουργεί μια τράπεζα.

ΦΩΤΟ ΑΡΧΕΙΟΥ

Loading

Play