Sztuczna Inteligencja w Sektorze Bankowym: Rekomendacje, Charakterystyka Danych i Definicje

Szczegóły: Opublikowano: 18. April 2026

Na poziomie Unii Europejskiej prowadzone są intensywne prace nad sfinalizowaniem projektu Aktu w sprawie sztucznej inteligencji (opublikowanego 21 kwietnia 2021 r.), którego jednym z założeń jest wprowadzenie rozbudowanych wymogów dla systemów sztucznej inteligencji wysokiego ryzyka, do których zaliczają się m.in. systemy oceny zdolności kredytowej dla osób fizycznych, ale również inne systemy, które mogą być stosowane w sektorze bankowym. Projekt zakłada też wprowadzenie pewnych wymagań w odniesieniu do systemów o podwyższonym ryzyku. Ostateczny kształt przepisów nie jest jeszcze przesądzony, jednak wyraźnie widać, że jest to jeden z priorytetów dla Unii Europejskiej.

Na poziomie krajowym od 2020 r. realizowana jest Polityka rozwoju sztucznej inteligencji dla Polski, w ramach której powołano m.in. grupę ds. sztucznej inteligencji w sektorze finansowym. Jednocześnie Urząd Komisji Nadzoru Finansowego podejmuje działania zmierzające do poprawy efektywności nadzoru poprzez m.in. zastosowanie sztucznej inteligencji.

Definicja i Pojęcie Sztucznej Inteligencji

Jednym z kluczowych pojęć mających znaczenie dla dalszej analizy jest „sztuczna inteligencja” czy też - uprzedzając dalsze wnioski - systemy sztucznej inteligencji. Kwalifikacja określonych rozwiązań jako będących częścią tzw. sztucznej inteligencji będzie bowiem determinowała zastosowanie (lub brak obowiązku stosowania) określonych aktów prawnych i regulacji, toteż właściwa kwalifikacja stanowi punkt wyjścia dla dalszej oceny. Jest to szczególnie istotne w kontekście rozwoju równoległego trendu rozwoju tzw.

Pojęcie sztucznej inteligencji jest rozumiane niejednolicie i ewoluuje ono wraz z rozwojem różnych technik i podejść opartych m.in. o uczenie maszynowe, uczenie głębokie czy przetwarzanie języka naturalnego, które pozwalają m.in. na tłumaczenie tekstów, kierowanie dronami czy przygotowywanie dokumentów prawnych.

Obecny stan nauki i rozwoju inżynierii oprogramowania (oraz dziedzin pokrewnych) nie pozwala na jednoznaczne określenie kierunku zmian dla sztucznej inteligencji, w tym możliwości stworzenia tzw. General Artificial Intelligence, czyli sztucznej inteligencji odwzorowującej - przynajmniej w pewnym stopniu - działanie ludzkiego umysłu. Sama tematyka wykracza jednak daleko poza zakres przedmiotowy niniejszego opracowania i w praktyce nie ma większego znaczenia dla dalszych rozważań. Z tego względu akcent zostanie położony na koncepcję tzw. systemów sztucznej inteligencji wykorzystujących zróżnicowane podejścia i techniki, jak np.

Przeczytaj także: Metody Wspólnej Filtracji Danych

Systemy Sztucznej Inteligencji

Pojęcie systemów sztucznej inteligencji pojawiło się już kilka lat temu w opracowaniach organizacji międzynarodowych, jak OECD czy UNESCO, a jako propozycja definicji legalnej po raz pierwszy pojawiła się we wniosku Komisji - projekcie rozporządzenia Parlamentu Europejskiego i Rady (UE) ustanawiającego zharmonizowane przepisy dotyczące sztucznej inteligencji (Akt w sprawie sztucznej inteligencji) i zmieniającego niektóre akty ustawodawcze Unii („AIA”), gdzie wskazano, że:

„Systemem sztucznej inteligencji jest oprogramowanie opracowane przy użyciu co najmniej jednej spośród technik i podejść wymienionych w załączniku I [obejmuje on m.in. uczenie maszynowe, głębokie, ale także metody statystyczne - przyp. autora], które może - dla danego zestawu celów określonych przez człowieka - generować wyniki, takie jak treści, przewidywania, zalecenia lub decyzje wpływające na środowiska, z którymi wchodzi w interakcję” (art.

Przyjęcie powyższej definicji jako punktu wyjścia ma to znaczenie, że AIA zakłada poddanie wybranych systemów (m.in. odpowiedzialnych za ocenę zdolności kredytowej) specyficznym wymaganiom w zakresie m.in.

Jednocześnie należy zwrócić uwagę, że w sektorze finansowym nie w każdym przypadku stosowane jest pojęcie sztucznej inteligencji. Przykładowo Europejski Urząd Nadzoru Bankowego („EUNB”) w swoich opracowaniach posługuje się raczej pojęciem „zaawansowanej analityki danych” czy po prostu „uczeniem maszynowym” jako lepiej oddających specyfikę stosowanych rozwiązań. Również Turing Institute, który przygotował obszerny raport nt.

Na koniec warto wskazać, że jedną z metod klasyfikacji modeli sztucznej inteligencji - jakkolwiek byśmy ich nie definiowali - jest podział na modele oparte o techniki uczenia się przez dany system i modele oparte o rozwiązania pozbawione tego elementu, np. proste drzewa decyzyjne. W tym drugim przypadku powstają wątpliwości czy rzeczywiście powinny być one traktowane w kategoriach tzw. sztucznej inteligencji. Ma to praktyczne znaczenie w kontekście m.in.

Przeczytaj także: Charakterystyka danych AI

AIA wprowadza pojęcie „systemów sztucznej inteligencji”, mające znaczenie dla ewentualnego stosowania przepisów tego rozporządzenia w sektorze bankowym. Jak już wskazano wyżej, projektowane rozporządzenie w art.

Systemami sztucznej inteligencji mogą być zatem modele stosowane w bankowości, np. na potrzeby oceny ryzyka i określenia kwoty kapitału do pokrycia ekspozycji, jednakże nie musi to - przynajmniej w kontekście projektowanego rozporządzenia - automatycznie rodzić obowiązku spełnienia szeregu dodatkowych wymogów prawnych tam określonych. Takie obowiązki mogłyby powstać w przypadku systemów sztucznej inteligencji wysokiego ryzyka, które zostały zdefiniowane w art. 6 projektowanego rozporządzenia, a które należy rozumieć m.in.

Jak zostało to podkreślone, kategoria systemów sztucznej inteligencji może mieć bardzo szeroki zakres. Załącznik I do AIA zawierający listę technik i podejść z zakresu sztucznej inteligencji wydaje się być listą zamkniętą, jednak rozwój technologiczny szybko może doprowadzić do powstania nowych technik i podejść, które będą zaliczane do szeroko rozumianej sztucznej inteligencji.

Niemiecki organ nadzoru nad rynkiem finansowym w jednym ze swoich opracowań wskazał, że sama sztuczna inteligencja to nic innego jak połączenie tzw.

Uczenie Maszynowe

Uczenie maszynowe można definiować na wiele sposobów, choć pewne elementy pozostają aktualnie niezależnie od przyjętego kierunku. Za J. Alzubim (i in.) można przyjąć, że uczenie maszynowe jest kategorią „sztucznej inteligencji”, które umożliwia komputerom „myśleć” i „uczyć” we własnym zakresie.

Przeczytaj także: Definicja i pomiar filtracji kłębuszkowej

Zasadniczo wyróżnia się kilka modeli uczenia maszynowego, które w znacznej mierze różnią się poziomem zaangażowania człowieka w proces uczenia:

Uczenie nadzorowane (supervised learning) polega na pozyskiwaniu przez algorytm „wiedzy” pochodzącej z konkretnych przykładów, które zostają uprzednio opisywane przez specjalistów. Na bazie danych wejściowych algorytm uczenia nadzorowanego „trenuje” dostrzegając pewne zależności (korelacje), które następnie wykorzystuje przy kolejnych przykładach. Uczenie nadzorowane jest obecne m.in.
Uczenie nienadzorowane (unsupervised learning) jest rozwiązaniem przeciwnym do uczenia nadzorowanego.
Uczenie częściowo nadzorowane (semi-supervised learning) można sprowadzić do połączenia obu powyższych modeli, co oznacza, że dane wejściowe są częściowo opisane i przyporządkowane (np. do danej kategorii), a częściowo nie.
Uczenie ze wzmocnieniem (reinforcement learning) jest modelem uczenia maszynowego, który można określić jako uczenie metodą prób i błędów. Algorytm nie otrzymuje klucza, według którego mógłby przyporządkować określone dane, ale zestaw pewnych reguł i oczekiwanych rezultatów. Algorytm taki podejmuje więc działania w celu znalezienia „poprawnej odpowiedzi”, czyli osiągniecia pożądanego celu.

Modele uczenia maszynowego wykorzystują dwa rodzaje danych - dane wejściowe i wyjściowe, a proces uczenia nazywany jest trenowaniem, którego efektem jest powstanie modelu uwzględniającego analizę danych w procesie trenowania. Jakość i efektywność modeli uczenia maszynowego zależy od wielu czynników, w tym przede wszystkim dostępności danych o określonej jakości oraz ilości, choć znaczna ilość danych niekoniecznie musi być gwarantem skuteczności danego modelu.

Uczenie głębokie (deep learning) jest swoistą podkategorią uczenia maszynowego, która wykorzystuje jednak nieco inne techniki niż klasyczne uczenie maszynowe. Obecne są tutaj bowiem tzw. sieci neuronowe składające się z połączonych ze sobą warstw (wejściowych, wyjściowych i ukrytych), które przekazują sobie informacje wykorzystywane przykładowo do predykcji. W tym typie uczenia maszynowego funkcjonowanie całego mechanizmu ma w znacznej mierze odtworzyć schemat działania ludzkiego mózgu.

Metody statystyczne są często wyodrębniane z katalogu szeroko rozumianej sztucznej inteligencji i najczęściej znajdują zastosowanie w ekonometrii. Zasadniczo można przyjąć, że modele statystyczne są sposobem układu pewnych hipotez wyrażonych w konkretnej formule matematycznej. Metody i modele statystyczne pozwalają więc na wykrywanie pewnych korelacji czy dokonywanie predykcji, ale bez komponentu uczenia, jak ma to miejsce w przypadku uczenia maszynowego.

Wyżej wskazane techniki i podejścia z szeroko rozumianego obszaru sztucznej inteligencji nie stanowią wszystkich dostępnych i wykorzystywanych rozwiązań. Warto zwrócić uwagę, że Europejski Urząd Nadzoru Bankowego w jednym ze swoich opracowań wskazał, że całokształt rozwiązań wykorzystujących dane w sposób „autonomiczny” lub „półautonomiczny”, do których zaliczają się wskazane wyżej rozwiązania, stanowią większy podzbiór zaawansowanej analityki (advanced analytics) wykorzystującej często tzw. duże zbiory danych (Big Data). Poza uczeniem maszynowym EUNB wyróżnia tutaj m.in.

W sektorze finansowym, w tym bankowym, najczęściej wykorzystywane są metody statystyczne oraz uczenie maszynowe, a także procesy typu RPA, które nie należą do zbioru sztucznej inteligencji. Warto w tym miejscu zwrócić uwagę, że utożsamiane powyższych procesów zautomatyzowanej robotyzacji ze „sztuczną inteligencją” może prowadzić do tworzenia mylnego obrazu zaawansowania sektora bankowego w zakresie wykorzystania nowych technologii.

Wykorzystanie rozwiązań określanych mianem sztucznej inteligencji jest w sektorze bankowym nadal na relatywnie niskim poziomie, choć wyraźne przyspieszenie można dostrzec na całym świecie, szczególnie w związku z pandemią Covid-Sars-19.

Z raportu Europejskiego Urzędu Nadzoru Bankowego w zakresie wykorzystania rozwiązań typu RegTech (Regulatory Technology) wynika, że wykorzystanie uczenia maszynowego i głębokiego, przetwarzania języka naturalnego, a także analityki predykcyjnej, stanowi istotną część nowoczesnych rozwiązań stosowanych w takich obszarach jak przeciwdziałanie praniu pieniędzy, wykrywania transakcji oszukańczych (fraudowych), raportowanie nadzorcze, bezpieczeństwo ICT czy ocena zdolności kredytowej, ale także w relacji z klientami, zarówno w kontekście personalizacji produktów, jak i obsługi bezpośredniej, np.

Warto podkreślić, że w jednym z badań przeprowadzonych w 2021 r. wykazano, że w Polsce nadal niewiele firm zajmuje się rozwojem sztucznej inteligencji (102), a firm z obszaru Fintech-AI jest jeszcze mniej - zaledwie 11.

Według niektórych szacunków, do 2023 r. potencjalne oszczędności dla globalnego sektora bankowego związane ze stosowaniem sztucznej inteligencji mogą osiągnąć blisko 450 mld dolarów, przy czy realne oszczędności w dużej mierze mogą wymagać istotnych zmian po stronie banków, również w zakresie wewnętrznej organizacji oraz procesów, a także kultury organizacyjnej.

Autorzy przeanalizowali w szczególności ryzyka związane z zastosowaniem sztucznej inteligencji do realizacji kluczowych lub istotnych obszarów działalności banków, a także omówili kwestię odpowiedzialności banku za wykorzystywane rozwiązania z obszaru sztucznej inteligencji.

Relacje i Ryzyka związane ze Sztuczną Inteligencją w Bankowości

Rysunek 1. Relacje banków z innymi bankami, jak również niebankowymi dostawcami usług płatniczych i szerzej - finansowych, np.

W praktyce można także wyodrębnić dodatkową kategorię, tj. relacje pomiędzy bankami a organami regulacyjnymi oraz nadzorczymi, np. z wykorzystaniem tzw.

W jednym z opracowań Organizacji Współpracy Gospodarczej i Rozwoju (OECD) zaproponowano listę przykładowych zastosowań tzw. sztucznej inteligencji w sektorze finansowym, przy czym nie jest to lista wyczerpująca wszystkie dostępne kierunki rozwoju.

Obszary wspierania tzw.

Zauważyć należy, że klasyfikacja do jednej z kategorii, tj.

Jednocześnie rozwiązania oparte o tzw. sztuczną inteligencję mogą w tych relacjach generować zróżnicowane ryzyka, które mogą mieć wpływ zarówno na bank, jak i jego klientów oraz kontrahentów.

Część z tych ryzyk może być trudna do uchwycenia, bowiem ramy prawno-regulacyjne dla systemów sztucznej inteligencji, w tym w sektorze finansowym, są jeszcze na wczesnym etapie projektowania, co utrudnia jednoznaczną klasyfikację jako działań potencjalnie generujących np.

Na wstępie należy zaznaczyć, że niektóre zastosowania systemów sztucznej inteligencji w relacji pomiędzy bankiem a klientem mogą mieć charakter zarówno bezpośredni, jak i pośredni. Przykładowo modele uczenia maszynowego stosowane na potrzeby oceny zdolności kredytowej (w tym zautomatyzowane rozwiązania, o których mowa w art. 105a ust. 1 Prawa bankowego) mogą mieć znaczenie zarówno dla „wyceny” ryzyka kredytowego po stronie instytucji finansowej, jak i samego klienta, np. gdy takie narzędzie jest niejako „wystawiane” klientowi w ramach interaktywnego interfejsu.

Odrębną kategorią są też te rozwiązania, które niejako „towarzyszą” realizacji usług na ...

Ryzyka związane z zastosowaniem sztucznej inteligencji

Zastosowanie sztucznej inteligencji (w praktycznie każdej konfiguracji) do realizacji kluczowych lub istotnych obszarów działalności banków może generować zróżnicowane ryzyka opisane w skrócie w niniejszym dokumencie.

Nowe standardy Unii Europejskiej (nie tylko w obszarze AI, ale i szerzej cyfrowej odporności operacyjnej) będą wiązały się z nie tylko ze znacznymi kosztami implementacji wymogów prawnych, ale także wyzwaniami o charakterze infrastrukturalnym i operacyjnym, a także wyzwaniami w kontekście pozyskania zasobów osobowych.

Projektowany akt w sprawie AI zakłada wprawdzie możliwość „wykorzystania” rozwiązań wynikających już z implementacji pakietu CRD/CRR, jednakże poprawna diagnoza potencjalnego wpływu zarówno rozwoju sztucznej inteligencji, jak i projektowanych przepisów na sektor bankowy, pozwoli na bardziej efektywną transformację oraz implementację.

W praktyce może okazać się, że na bazie już istniejących przepisów pokryta jest część wymogów, które mogą pojawić się w związku z nowymi regulacjami prawnymi.

Na marginesie warto zwrócić uwagę, że Strategia (UE) dla cyfrowych finansów opracowana przez Komisję Europejską zakłada możliwość wydania przez Europejski Urząd Nadzoru Bankowego wytycznych sektorowych dla sztucznej inteligencji.

Takie wytyczne mogą również zostać opracowane na poziomie krajowym, m.in.

tags: #rekomendacje #wspólna #filtracja #charakterystyka #danych #definicja