Από την εξέταση ενός δανείου και το άνοιγμα ενός λογαριασμού μέχρι τον εντοπισμό μιας ύποπτης συναλλαγής, η τεχνητή νοημοσύνη αρχίζει να περνά σε ολοένα και περισσότερες καθημερινές λειτουργίες των τραπεζών.
Το επόμενο βήμα δεν είναι απλώς ένα καλύτερο chatbot ή ένας ψηφιακός βοηθός που απαντά στις ερωτήσεις των πελατών. Είναι συστήματα τεχνητής νοημοσύνης που θα μπορούν να αναλαμβάνουν συγκεκριμένα στάδια μιας τραπεζικής διαδικασίας. Να συγκεντρώνουν και να ελέγχουν δικαιολογητικά, να αναζητούν πληροφορίες, να εντοπίζουν πιθανές απάτες, να προετοιμάζουν έναν φάκελο δανείου ή να παραπέμπουν μια δύσκολη περίπτωση στον αρμόδιο υπάλληλο.
Αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη θα αποφασίζει ανεξέλεγκτα ποιος θα πάρει δάνειο ή ότι ο ανθρώπινος παράγοντας εξαφανίζεται. Αντίθετα, το μοντέλο που περιγράφουν σε ανάλυσή τους οι Ajay Rawal και Δρ. Κωστής Χλουβεράκης της EY βασίζεται σε μικρότερα, εξειδικευμένα συστήματα – τους λεγόμενους AI agents – τα οποία αναλαμβάνουν συγκεκριμένες εργασίες μέσα σε προκαθορισμένα όρια και με ανθρώπινη εποπτεία.
Τι σημαίνει αυτό στην πράξη για τον πελάτη;
Μια διαδικασία που σήμερα απαιτεί διαφορετικούς 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 εξέταση δανείων, στις αμφισβητήσεις συναλλαγών, στην αντιμετώπιση της απάτης, στις εισπράξεις, στην κανονιστική συμμόρφωση και στην εξυπηρέτηση των πελατών. Η βασική αλλαγή είναι ότι η τεχνητή νοημοσύνη παύει σταδιακά να λειτουργεί ως ένα μεμονωμένο εργαλείο δίπλα στον εργαζόμενο και ενσωματώνεται στην ίδια τη ροή μιας εργασίας.
Από τα πειράματα στην καθημερινή λειτουργία
Μέχρι σήμερα πολλές τράπεζες σε διεθνές επίπεδο έχουν επενδύσει σε μεμονωμένες εφαρμογές AI: έναν ψηφιακό βοηθό, ένα σύστημα αυτοματοποίησης ή ένα πιλοτικό πρόγραμμα παραγωγικής τεχνητής νοημοσύνης. Τέτοιες εφαρμογές μπορούν να αυξήσουν την παραγωγικότητα μιας ομάδας, όμως, σύμφωνα με την ανάλυση, δύσκολα μεταβάλλουν συνολικά το κόστος και την αποτελεσματικότητα της τράπεζας εάν η υπόλοιπη διαδικασία παραμένει 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 μεταξύ πειραματισμού και ευρείας εφαρμογής παραμένει πάντως 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 το 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 προς ένα μοντέλο στο οποίο 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 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 ουσιαστικά μια κλίμακα πέντε επιπέδων. Στο πρώτο βρίσκεται ο απλός AI assistant που προτείνει, συντάσσει ή συνοψίζει πληροφορίες. Ακολουθούν συστήματα που μπορούν να εκτελούν χαμηλού κινδύνου εργασίες με έγκριση, οι AI agents που ενεργούν 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 μία 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 παρέχει 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 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.
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 εάν 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, 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 με τον οποίο λειτουργεί μια τράπεζα.