Hlavní strana -> AI a Business Intelligence Banky a finanční organizace -> Bez dobře připravených dat to nepůjde
AI a Business Intelligence Banky a finanční organizace

Bez dobře připravených dat to nepůjde

Neviditelná práce, bez které AI asistent v bankovnictví nefunguje

Mike Crosby

Většina bank při zavádění AI agentů, zejména pro účely front-endového využití v internetovém nebo mobilním bankovnictví, zjišťuje, že 70–80 % úsilí nespočívá ve vývoji samotného AI modelu, ale v úpravě datové infrastruktury. Samotné ukázky agentní AI často působí jednoduše: uživatel položí dotaz, asistent odpoví a následně provede požadovanou akci. V bankovních aplikacích ale zpravidla není největším problémem model. Skutečnou výzvou jsou data.


Právě tady se nejvíc ukazuje rozdíl mezi teorií a praxí. Organizace dnes sice hlásí vysokou aktivitu v oblasti AI, jen omezeně ji ale dokážou propojit s reálným finančním dopadem. Ve studii společnosti McKinsey o stavu AI v roce 2025 uvedlo 64 % respondentů, že AI podporuje inovace. Pouze 39 % z nich však zmínilo i konkrétní přínos pro EBITDU.

V produkci rozhoduje kvalita dat

Samotná data banky mají. V tom problém netkví. Problémem však bývá jejich struktura, vlastnictví, aktuálnost a způsob řízení.
Abychom byli konkrétnější: produktové podmínky často zůstávají uzamčené v PDF dokumentech. Aktualizace předpisů leží na sdílených discích bez jasného verzování. Praktické znalosti z poboček a call center jsou rozptýlené v poznámkách, tiketech nebo záznamech chatů. To představuje zásadní riziko. Pokud totiž AI asistent pracuje s nesprávnými daty, téměř s jistotou poskytne nepřesnou odpověď. A právě to velmi rychle podkopává důvěru zákazníků i interních uživatelů.
Pro produkční nasazení je proto nezbytná spravovaná znalostní báze založená na několika principech:
  • jasně definovaný zdroj pravdy,
  • odpovědnost za jednotlivé oblasti,
  • datum revize a platnosti,
  • metadata – například produkt, jurisdikce, typ zákazníka nebo datum účinnosti,
  • řízený proces změn.

Odpovědi podložené zdroji: RAG

Generování s podporou vyhledávání, tedy RAG, znamená, že asistent nejprve vyhledá schválené interní pasáže a teprve poté na jejich základě vytvoří odpověď. V praxi jde o princip „odpověď plus zdroj“.
Na první pohled může RAG působit jako jediná funkce, ale ve skutečnosti je to navazující proces, který zahrnuje několik kroků pro práci s daty: načíst, vyčistit, rozdělit na části, označit metadaty, indexovat, vyhledat a seřadit. Každý z těchto kroků představuje potenciální slabé místo. Chybné rozdělení na části přeruší klíčovou větu a vyhledávání ztratí její význam. Nesprávná metadata mohou vést k záměně pravidel pro různé trhy a opožděná indexace znamená, že systém bude odpovídat podle pravidel, která už měsíc neplatí.
Přehled adopce AI společnosti IBM z roku 2025 ukazuje, jak časté tyto potíže jsou. Celkem 45 % respondentů uvedlo obavy z přesnosti nebo zaujatosti dat a 42 % zároveň přiznalo, že nemají dostatek vlastních dat pro přizpůsobení modelů.

Kontrola přístupu musí být součástí samotného vyhledávání

V bankovnictví může na stejnou otázku existovat více správných odpovědí podle toho, kdo ji pokládá. Například zákazník samozřejmě nemá vidět interní bankovní materiály. Pracovník podpory by měl získat přístup jen k informacím odpovídajícím jeho roli podle pravidla „need-to-know“. Asistent tak musí tyto hranice respektovat už ve fázi vyhledávání, nikoli až dodatečně.
Řízení přístupu určuje, jaké informace může asistent číst, tedy jaké znalosti a jaký kontext účtu má k dispozici, a zároveň jaké akce může vykonávat, tedy k jakým nástrojům a akcím má oprávnění. Microsoft Entra ID poskytuje nástroje, které umožňují tato oprávnění přesně definovat a zajišťují, aby uživatelé měli přístup pouze k tomu, co skutečně potřebují.
RAG se stará o to, aby asistent pracoval s důvěryhodnými zdroji místo toho, aby si odpovědi domýšlel nebo přímo halucinoval. Jak jsme už ale konstatovali, nejde o jednu izolovanou funkci, nýbrž o řetězec kroků. 
Jakmile se přeruší jediný článek tohoto řetězce, začne se rozpadat celý proces. Špatné rozdělení zakryje klíčová témata. Chybějící metadata vedou k míchání různých jurisdikcí. Pomalá obnova způsobí, že asistent odpovídá, jako by stále platilo minulé čtvrtletí. K tomu všemu platí navíc pravidla GDPR, která musí být dodržena vždy a bez výjimky.

Multiagentní orchestrace: rozdělit práci a omezit riziko

Agentní AI funguje lépe ve chvíli, kdy jeden bot nedělá všechno. Multiagentní koordinace rozděluje odpovědnosti mezi specializované agenty s jasně definovanými nástroji a pravomocemi. V bankovnictví může taková praktická sestava vypadat například takto:
  • vyhledávací agent najde a ocituje relevantní obsah v režimu RAG
  • agent pravidel ověřuje omezení, například podle lokality, účastníků nebo požadavků compliance
  • akční agent provádí operace, jako je vytvoření případu, návrh zprávy nebo spuštění workflow
  • konverzační agent řídí dialog, pracuje s kontextem i tónem komunikace a v případě potřeby předá úkol člověku
Takové rozdělení omezuje dopad případných chyb a zároveň usnadňuje jejich řešení, protože každý agent má jasně vymezenou roli.
 
Zpráva Deloitte o podnikové AI pro rok 2026 ukazuje, že firmy stále vnímají hlavní přínosy AI především v oblasti efektivity. Celkem 66 % respondentů uvedlo, že už díky AI dosahují vyšších výkonů. Současně však 74 % doufalo, že jim AI pomůže zvýšit příjmy, a jen 20 % uvedlo, že se to zatím skutečně děje. Tato mezera často souvisí s opakovatelnými provozními kontrolami, tedy s připraveností dat, nastavením oprávnění a auditovatelností. Znalostní základna je přirozeně rozdělena do domén. To usnadňuje testování, kontrolu kvality i řešení compliance otázek. Zároveň se tím snižuje riziko halucinací, které jsou v silně regulovaných odvětvích, jako je bankovnictví, nepřijatelné.
Jde o paralelu, kterou dobře známe i z lidských organizací. Vedle generalistů s širokým, ale mělčím přehledem vždy existují specialisté s hlubokou expertizou v konkrétní oblasti. Stačí srovnat osobní poradce na pobočkách s experty na komoditní investice. Obě role jsou pro kvalitní obsluhu klientů důležité, každá ale v jiném kontextu.
Rozložením jednoho komplexního agenta na orchestraci rojů agentů, subagentů a dovedností, tedy na AI obdobu dnešní mikroservisní architektury, získávají AI nástroje vyšší flexibilitu, lepší kontrolu, vyšší úroveň dohledu a zároveň se vyhýbají vzniku nové generace monolitů. Další výhodou je, že i monitoring, řízení a audit lze do určité míry automatizovat pomocí jiného typu agentů a to těch, kteří dohlížejí na jiné agenty.

Auditní stopa je nutnost

Stejně jako každý lidský pracovník banky potřebuje i AI asistent auditní stopu pro každý významný krok. Musí být dohledatelné:
  • co uživatel požadoval,
  • jaké zdroje systém vyhledal,
  • jak model reagoval,
  • jaké akce se pokusil provést,
  • jaké kontrolní mechanismy byly uplatněny.
Pokud se oddělení compliance zeptá „Proč se stalo právě to a to?“, systém musí být schopen své chování přesně vysvětlit na základě dat, nikoli pouze domněnek.

Mobilní UX: přehlednější vstupy a bezpečnější akce

Volný text je často nejednoznačný. Mobilní aplikace to mohou výrazně zlepšit díky strukturovaným vstupům a dostupnosti dat. Když si chce zákazník zkontrolovat zůstatek na účtu, jednoduše ho vidí. Pro další interakce ale zůstává konverzace s klientem klíčová.
Mobilní aplikace s plovoucím tlačítkem chatu a bohatými prvky uživatelského rozhraní, jako jsou karty, výběrová pole nebo formuláře, mohou shromažďovat strukturované vstupy - například výběr účtu, časová období, kategorie reklamace, nahrávání dokumentů nebo potvrzení před provedením akce.
Strukturované zadávání snižuje počet doplňujících dotazů a omezuje situace, kdy asistent musí odhadovat chybějící detaily. Pokud je potřeba, lze zapojit člověka v režimu „human-in-the-loop“.

Biometrické ověření jako další vrstva bezpečnosti

Pokud má asistent možnost iniciovat citlivé akce, například přidání nového příjemce plateb, změnu limitů nebo přímo převod, měla by aplikace rozhodně vyžadovat jednoduché biometrické ověření. Tento krok potvrzuje a legitimizuje záměr zákazníka, aniž by zbytečně komplikoval úkony s nízkým rizikem. Některé akce lze vyřešit přímo v konverzaci, u jiných může být uživatel přesměrován do konkrétní existující funkce aplikace.

Azure poskytuje komponenty, klíčová je ale governance

Azure nabízí nástroje pro práci s daty, orchestraci, správu přístupových údajů, monitoring i logování. Cloudové služby samy o sobě ale nenahrazují řízení. Stále je potřeba mít promyšlenou strategii pro vybudování potřebné znalostní báze, její opakovanou nebo dynamickou aktualizaci, řízení vlastnictví a kontrolních cyklů, nastavení přístupových pravidel vázaných na identitu, sledování kvality, latence a rizikových záměrů a definování procesu řešení incidentů, který zachází se „špatnými odpověďmi“ jako s produkčním nebo compliance rizikem.
Také průzkum PwC z roku 2025 potvrzuje, že firmy spojují odpovědné kontrolní mechanismy nejen s compliance, ale i s obchodními výsledky. Celkem 58 % respondentů uvedlo, že odpovědná AI zlepšuje návratnost investic a efektivitu, a 55 % pak spojilo její přínos s lepší zákaznickou zkušeností a inovacemi.

Shrnutí

AI asistenti v bankovnictví tedy neselhávají proto, že by model nebyl dostatečně „chytrý“. Selhávají ve chvíli, kdy data zůstávají neuspořádaná, přístupová pravidla nejasná a nikdo nedokáže zpětně doložit, co se vlastně stalo. Nejprve je proto nutné odvést práci, která není na první pohled vidět. Teprve poté si AI asistent může získat důvěru i v produkčním prostředí - bez zbytečných překvapení a s menším třením.
 
Mike Crosby
Autor článku je ředitelem pro rozvoj obchodu ve společnosti Avenga. Specializuje se na umělou inteligenci v oblasti bankovnictví a finančních služeb.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.