Bankovnictví a fintech patří k největším inovátorům. Modernizují digitální služby, zrychlují platební toky nebo zavádějí pokročilé způsoby ověřování identity, rozvíjejí okamžité platby a využívají AI k detekci podvodů i k personalizaci služeb. Zároveň však pracují s mimořádně citlivými daty, a proto na ně míří nejpřísnější regulace. 

V takovém prostředí totiž i drobná odchylka v datech dokáže způsobit chybná rozhodnutí a zasáhnout klíčové procesy a negativně ovlivnit zákazníky. Předpisy jako rámec BCBS 239 navíc po bankách vyžadují přesná a dohledatelná data pro řízení rizik nebo boj proti praní špinavých peněz. Nároky na kvalitu dat proto v bankovnictví zpomalují i širší nasazení AI – žádná instituce nechce riskovat, že předpisy nedodrží. 

V praxi tak 99 % organizací už AI testuje nebo zavádí. Robustní, plošné nasazení AI je ale stále výsadou jen malého počtu dotazovaných institucí – pouze tři až čtyři procenta ji mají skutečně implementovanou napříč celou organizací, jak ukázal nedávný průzkum americké společnosti Hanover Research.

Proč je kvalita dat pro banky tak tvrdý oříšek? Finanční instituce zpracovávají obrovské objemy informací – transakční záznamy, tržní data, zákaznické profily i údaje z online bankovnictví. Často je ale mají rozptýlené v oddělených, někdy i zastaralých systémech, které spolu nekomunikují. 

Až 26 % respondentů z finančního sektoru označuje právě rozsah a složitost dat za hlavní problém. Bez dostatečné observability – tedy schopnosti v reálném čase vidět, co se s daty děje – zůstávají chyby skryté až do chvíle, kdy už je obvykle pozdě. Navíc 30 % organizací nemá přehled o tom, odkud data pocházejí (data lineage) a jak se v systémech mění. Když se v jednom systému objeví „Jan Novák“ a v jiném „J. Novák“, může to vypadat jako drobnost. Ve skutečnosti ale právě takové nesrovnalosti narušují přesnost a důvěryhodnost celého datového ekosystému.

Banky kvůli tomu nasazují nástroje pro monitoring dat v reálném čase, které umí v klíčových datových sadách odhalit chyby či anomálie dřív, než se promítnou do rozhodnutí. Současně zavádějí detailnější evidenci a sledování životního cyklu dat, aby přesně věděly, odkud každé číslo pochází a jak se během zpracování mění. Roste i význam mezioborových rad pro kvalitu dat, které spojují IT, analytiku, byznys i řízení rizik a dávají odpovědnost za přesnost napříč celou organizací – často až na úroveň vedení.

Vedle toho se rodí zajímavá symbióza mezi umělou inteligencí a správou dat. AI už teď pomáhá s detekcí anomálií, prediktivním čištěním nebo inteligentním párováním datových záznamů – a tím zvyšuje kvalitu samotných dat, na kterých pak sama stojí. AI posiluje kvalitu dat a kvalitní data na oplátku umožňují důvěryhodnější AI. 

Kromě opatření proti praní špinavých peněz (AML) a kapitálových standardů jako Basel III musí instituce ve finančním sektoru plnit také požadavky principu Poznej svého klienta (KYC) nebo nařízení GDPR. Cena za jejich porušení je vysoká, pokuty mohou dosáhnout až 4 % ročních příjmů. Přesto 28 % institucí přiznává potíže s dodržováním aktuálních standardů. Regulace se navíc neustále vyvíjejí – od připravovaného Evropského aktu o umělé inteligenci až po nové standardy Basel – a nutí organizace k průběžné adaptaci interních procesů i technologií.

Mnohé instituce proto compliance začleňují přímo do své datové strategie. Sledování původu dat, transparentnost modelů a kontrola zaujatosti se stávají přirozenou součástí správy dat a řízení rizik. Rostoucí roli hraje také automatizace regulatorního reportingu – AI už dnes pomáhá s generováním výkazů, kontrolou transakcí i interpretací regulatorních textů. Díky tomu se snižují náklady, zvyšuje přesnost a zrychluje odezva na požadavky dohledu. Řada bank navíc aktivně spolupracuje s regulátory prostřednictvím pilotních projektů a regulačních sandboxů, kde testuje nové přístupy v kontrolovaném prostředí. 

 

Finanční sektor má jinak v umělé inteligenci jasno – bez ní ztratí konkurenceschopnost. Více než polovina lídrů má podle našeho průzkumu obavu, že když nebude do AI investovat, přijde o konkurenční výhodu a 38 % respondentů uvedlo, že nechce promeškat nové příležitosti. Největší přínos přitom vidí v zákaznickém servisu (51 %), produktových inovacích (43 %) a řízení rizik (35 %). 

Širšímu škálování AI projektů kromě kvality dat brání také nedostatek talentu. Lidé, kteří by umělou inteligenci dokázali efektivně rozvíjet, jednoduše chybí. Banky a další finanční organizace potřebují u svých zaměstnanců rozvíjet nové dovednosti – od datového inženýrství po MLOps. AI tak často končí v izolovaných projektech několika specialistů.

Kvůli těmto omezením se banky nepokoušejí škálovat AI naráz. Místo toho postupují ve dvou liniích. Menší týmy dodávají rychlé a dobře ohraničené use cases, například v detekci podvodů nebo automatizaci rutinních procesů, zatímco další část organizace buduje základní infrastrukturu, kvalitní data a procesy řízení rizik, bez kterých se širší nasazení umělé inteligence do provozu neobejde. Citlivé oblasti, jako je úvěrové rozhodování, zatím stále zůstávají pod lidským dohledem. Postupně vznikají také centra excelence pro AI, která propojují technologii s byznysem a hlídají, aby rozvoj AI byl v souladu s firemní strategií i požadavky regulátorů.

Z celé analýzy vyplývá, že finanční instituce dnes hledají rovnováhu mezi inovacemi a odpovědností – a že jejich klíčovým kapitálem jsou důvěryhodná data. Firmy, které chtějí zavádět AI bezpečně a v souladu s předpisy, proto posouvají kvalitu dat na úroveň strategické priority, modernizují datovou infrastrukturu a začleňují governance přímo do architektury. Důležitost dat nezůstává jen na papíře, ale dostává se i do vedení firem, které je chápe jako klíčovou složkou firemního úspěchu. Na jedné straně tak instituce investují do nástrojů pro monitoring dat v reálném čase, detekci anomálií a automatizovaných náprav chyb, ale zároveň se do vyššího managementu dostávají odborníci na pozici datových ředitelů, kteří určují celkovou datovou strategii. 

Teprve s daty, která jsou důvěryhodná a vyhovují regulacím, mohou nasadit AI ve větším měřítku. Dalším krokem je rozvoj lidí. Nejen technických odborníků, ale i datově gramotných týmů, které rozumí etice, zaujatosti a dopadům rozhodnutí založených na datech. A nakonec je nutné integrovat důvěru přímo do návrhu AI – zajistit vysvětlitelnost, ochranné mantinely i jednotná pravidla jejího fungování už na startu.

 

V bankovnictví data plní dvě role zároveň. Zajišťují odolnost a shodu s regulacemi, ale zároveň pohánějí inovace a konkurenceschopnost. Kdo zvládne tuto dvojí roli sladit, ten ustojí tlak regulátorů a dokáže z dat udělat to, čím mají být – strategické aktivum, které přinášejí růst.