Papp Bence innovációs menedzser (MBH Bank) és Vargha Dániel solution architect (PeakX) azt mutatták meg, hogyan lehet valódi, működő AI-megoldásokat bevezetni egy több millió ügyfelet kiszolgáló, szigorúan szabályozott nagybanki környezetben – hype helyett üzleti eredményekre fókuszálva.
MBH Bank: sikeres fúzió, komplex IT-valóság
Papp azzal indította az előadást, hogy honnan is indult ez a történet. Az MBH Bank ma Magyarország egyik legnagyobb bankja, körülbelül 8 ezer munkatárssal és közel 2 millió ügyféllel. A sztori papíron nagyon szépen fest: 2023-ban a Budapest Bank, az MKB és a Takarék Csoport egyesüléséből egy erős, országos univerzális bank jött létre. A valóságban azonban ez minden IT-s rémálma is lehetne, hiszen három különböző core banki rendszer, eltérő folyamatok, párhuzamos back-office működés és egymástól különböző szervezeti kultúrák találkoztak egyetlen szervezetben.
Miközben a fúzió önmagában is óriási erőforrást kötött le, a piaci verseny közben nem lassult: a fintech startupok, neobankok és big tech vállalatok folyamatosan emelik az ügyfélélmény és a hatékonyság szintjét. Az MBH erre részben azzal reagált, hogy létrehozta az MBH Efin Technologies nevű leányvállalatát, amely egy 100 százalékban a bank tulajdonában lévő technológiai és innovációs kompetenciaközpont. Az Efin feladata, hogy a bankon belül „startup-sebességgel”, ugyanakkor nagybanki felelősséggel fejlesszen digitális megoldásokat – és ebbe a logikába illeszkedik az AI-stratégia is.
„A fúzió után nemcsak három bank rendszereit, hanem három teljesen eltérő működési logikát, szokásrendszert és technológiai örökséget kellett összehangolnunk. Ez papíron jól hangzik, de a valóságban rengeteg inkompatibilis folyamatot és olyan rétegeket találtunk, amelyek önmagukban is túl bonyolultak voltak. Ezeket úgy kellett egységessé tenni, hogy közben a bank minden nap teljes kapacitással működjön.”
Az ötlettemető problémája: miért nem elég egy sima „AI-csatorna”?
Az előadás egyik fontos üzenete az volt, hogy a nagyvállalati AI-bevezetések többsége ugyanazon a ponton vérzik el: a „POC graveyardban”, vagyis az ötlettemetőben. Rengeteg jó kezdeményezés, pilot és hackathon-projekt születik, majd szépen elhal, mert nincs elég kapacitás az éles bevezetésre, nincs valódi üzleti tulajdonos a megoldás mögött, nem épül be a mindennapi működésbe, vagy egyszerűen nem mérik a hatását.
„Nagyon sok ötlet születik, de a legtöbb a klasszikus ötlettemetőben végzi. A 90 százalékukból nem lesz valódi eredmény… mindenki azt gondolja, hogy lesz majd egy csatorna, ahová beírunk valamit, az AI meg elvégzi helyettünk, de a folyamatokhoz nem nyúlunk hozzá.” – emeli ki Papp.
A valóság ezzel szemben az, hogy egy nagybanknál minden témához szabályozás, kockázatkezelés, audit és IT-biztonság kapcsolódik, miközben az üzleti oldal „már tegnapra” szeretne kézzelfogható eredményt. A kollégákat pedig be kell vonni, meg kell nyerni, és mindezt többezres szervezetben, legacy rendszerek mellett kell megoldani. Ehhez kellett egy olyan partner, aki egyszerre érti a technológiát, a banki folyamatokat és a szervezeti kultúrát – itt jött be a képbe a PeakX.
PeakX: AI-agentek, nem „varázsdobozok”
Vargha oldaláról a történet ott kezdődött, hogy a legtöbb nagyvállalat ma ugyanabba a csapdába sétál bele: fog egy nagy nyelvi modellt, rátesz egy chatfelületet, majd mint aki jól végezte dolgát hátradől, hogy kész az AI-stratégia. Ezek a modellek azonban önmagukban nem bankra optimalizáltak, nincs köréjük építve governance, nehezen kontrollálhatók, és maguktól nem illeszkednek a komplex, többlépcsős banki folyamatokba.
A PeakX ezzel szemben AI-agentekben gondolkodik: olyan specializált, szabályokkal körülkerített „digitális munkatársakban”, amelyek konkrét feladatot látnak el – például dokumentum-ellenőrzést vagy belső tudás-asszisztenciát –, hozzáférnek a releváns adatokhoz és rendszerekhez, betartják a banki szabályokat és szerepköröket, és mindig emberi jóváhagyás mellett dolgoznak. Ehhez a megközelítéshez két kulcselemre volt szükség az MBH-nál: egy olyan AI-platformra, amelyen nem egyetlen megoldás él, hanem egymásra épülő agentek egész sora működik közös riportinggal, monitoringgal, jogosultságkezeléssel és auditnyomokkal; valamint egy olyan módszertanra, amely hipotézis-alapon indul ki az üzleti fájdalompontokból, kicsi, de mérhető pilotokkal dolgozik, folyamatosan finomhangol, és végig szigorú ROI-fókuszt tart.
Vargha úgy fogalmazott: “Nem az a cél, hogy egy „AI-csodát” szállítsunk, hanem hogy egy AI-ökoszisztémát építsünk, ahol az agentek egymásra épülve egyre több banki folyamatot támogatnak.”
Belső tudásasszisztens, ami tényleg használatban van
Az első bemutatott megoldás egy belső asszisztens agent volt, amely az IT- és back-office csapatok mindennapi tudás- és dokumentumkezelési problémáját célozza. A kiinduló helyzet sokaknak ismerős: hatalmas, széttagolt dokumentáció-tömegben kellene eligazodni, több rendszer, különböző formátumok, gyakran elavult vagy egymásnak ellentmondó anyagok között. Az új kollégák hetekig, akár hónapokig keresgélnek, próbálják megfejteni, melyik dokumentum az aktuális, pontosan mit jelent egy paraméter, és hogyan kell végigvinni egy adott folyamatot. A „kérdezd meg a Pistit, ő tudja” jellegű informális tudás ilyenkor könnyen szűk keresztmetszetté válik.
Erre épült rá az AI-asszisztens, amely természetes nyelvű kérdésekre válaszol, a bank belső dokumentumaiból, szabályzataiból és specifikációiból dolgozik, folyamatosan frissül, ahogy a dokumentáció változik, és auditálható módon naplózza, ki, mikor, mit kérdezett és milyen információhoz fért hozzá. A workshopon elhangzott, hogy a bevezetés óta már több mint 25 ezer kérdést tettek fel rajta keresztül a kollégák, a használatával csökkent a betanulási idő, és érezhetően gyorsult az incidenskezelés, hibajavítás és napi támogatás. Fontos elem, hogy ez nem egy „játszótéri chatbot”, hanem éles, napi használatban lévő eszköz, amely mögé konkrét üzleti mutatókat tudnak tenni, mind a befektetett munka, mind a megspórolt idő oldaláról.
AI a dokumentum-ellenőrzésben: jelzálogtól a mindennapi hitelekig
A második bemutatott megoldás egy dokumentum-összehasonlító és ellenőrző agent volt, amelyet jelzálog- és más komplex hiteltermékek folyamatába építettek be. A kiinduló helyzet itt is tipikusan banki: egy nagyobb hitelügylethez több dokumentumcsomag tartozik – igénylés, szerződés, mellékletek, fedezeti iratok és egyéb kiegészítők –, ezek tele vannak dátumokkal, összegekkel, százalékokkal, személyes adatokkal. A kollégának manuálisan kell végignéznie, hogy minden adat egyezik-e, nincs-e elírás, ellentmondás vagy hiányzó információ. Ez hosszú, repetitív, monoton munka, amelyben könnyű hibázni, és feleslegesen köti le a magasan képzett szakértők idejét.
Az AI-agent ebben a folyamatban úgy viselkedik, mint egy jól betanított junior munkatárs: végigolvassa a dokumentumokat, kiszedi a kulcsadatokat – neveket, címeket, dátumokat, összegeket, futamidőket, kamatokat és egyéb paramétereket –, összeveti ezeket a banki szabályokkal és a többi dokumentumban szereplő adatokkal, majd jelzi az eltéréseket és a kérdéses pontokat. A döntés azonban végig az embernél marad: a kolléga látja, mit talált a rendszer, ő hagyja jóvá, javítja vagy utasítja el az észrevételeket, és az egész folyamat naplózott, visszakövethető. A korábban 30-40 percet igénylő ellenőrzési feladatok ma már 10-15 perc alatt elvégezhetők, a hibaarány csökken, a felszabaduló időt pedig a munkatársak ügyfélkapcsolatra, komplex esetek megoldására tudják fordítani.
Compliance-first AI: nem „hackelgetnek”, hanem banki szinten terveznek
Az előadás egyik visszatérő motívuma az volt, hogy banki környezetben AI-t csak „compliance-first” logikával érdemes bevezetni. Technológiai oldalról ez azt jelenti, hogy az MBH nem saját, on-premise tréningelt nagy nyelvi modellekkel kísérletezik, hanem a Microsoft Azure OpenAI modelljeit használja a bank saját, elkülönített felhő-környezetében, úgy, hogy az ügyféladat nem kerül ki a bank kontrollja alól, és nem válik tréningadattá. Az adatkezelés szempontjából minden kérdés és válasz naplózott, pontosan látszik, ki, mikor, milyen dokumentumhoz fért hozzá, az érzékeny adatokra külön jogosultsági szabályok és szűrők vonatkoznak.
Üzleti oldalról pedig az a lényeg, hogy minden AI-projekt mögött konkrét folyamat, felelős terület és üzleti cél áll; nem az AI kedvéért vezetnek be AI-t, hanem nagyon is földhözragadt, jól azonosítható üzleti problémákat oldanak meg vele. Vargha egy ponton úgy fogalmazott:
“Nem elég egy AI-agentet csinálni – AI-ökoszisztémát kell építeni, ahol az agentek együtt dolgoznak, és ez csak akkor működik, ha az architektúra, a biztonság és a szabályozás az első pillanattól kezdve be van építve a rendszerbe.”
Kulturális kihívások: lelkesek, szkeptikusok és a „mesélhető” sikersztorik
A beszélgetés végén Papp arról is beszélt, hogy a legnagyobb kihívás sokszor nem technológiai, hanem emberi. A bankon belül két véglet él egymás mellett: az ultraoptimisták, akik szerint az AI mindent megold, csak „rá kell engedni a bankra”, és a szkeptikusok, akik úgy érzik, az AI úgyis elront mindent, ezért jobb lenne, ha hozzá sem nyúlna senki. A valóság természetesen valahol a kettő között van, és a tapasztalat az, hogy a legjobban a konkrét, mesélhető történetek működnek.
Ha egy osztálynak megmutatják, hogy van egy kollégájuk, aki korábban 35 percet dolgozott egy visszatérő feladaton, most pedig ugyanazt 10 perc alatt végzi el ugyanakkora biztonsággal, és közben több ideje marad az ügyféllel beszélgetni, akkor sokkal könnyebb bevonni a többieket is. Részlegenként ilyenkor szépen elindul egy pozitív „AI-fertőzés”: az emberek látják, hogy a technológia nem ellenük, hanem velük dolgozik.
Nem véletlen, hogy Papp ezt úgy foglalta össze: nem az számít, hogy készen vagy-e, hanem az, hogy készen állsz-e elkezdeni.
Merre tovább? AI-agent család és banki szintű ökoszisztéma
A workshop végén a jövőképről is szó esett. Az MBH és a PeakX közös célja, hogy az AI-program ne egy-két látványos pilotban merüljön ki, hanem agent-családok jöjjenek létre, amelyek egymásra épülve támogatják az IT-t, az operációt, a compliance-et, a front-office-t és idővel az ügyféloldali folyamatokat is. Ehhez már most megvannak az első elemek: a platform, a módszertan, a compliance-first architektúra, a használatban lévő agentek és – talán a legfontosabb – egy vegyes csapat banki és technológiai szakemberekből, akik közösen gondolkodnak és fejlesztenek tovább.
Mit visz haza a közönség?
A Budapest Fintech Week második napjának nyitó előadása nem arról szólt, hogy „milyen menő az AI”, hanem arról, hogyan lehet egy hagyományos nagybankban lépésről lépésre AI-vezérelt működést építeni. A fúzió utáni komplex IT-valóságból kiindulva, egy belső technológiai kompetenciaközponttal, egy AI-specialista partnerrel, valós use case-ekkel és emberközeli, érthető történetekkel mutatták meg, hogy az AI a gyakorlatban ma még elsősorban hatékonyságot, átláthatóságot és jobb döntéstámogatást jelent – nem pedig varázslatot.
Ha valamit nagyon világosan üzent ez a workshop, az talán az, hogy a jövő AI-vezérelt bankja nem egy kész termék, hanem egy folyamatosan épülő ökoszisztéma, ahol a technológia, az üzlet, a compliance és az emberek együtt tanulnak, és közben minden új agenttel egy kicsit hatékonyabb, átláthatóbb és ügyfélbarátabb lesz a bank.
„Most tesszük le az alapokat ahhoz, hogy később stabil, skálázható AI-megoldásokra építhessünk. Ez nem sprint, hanem hosszú távú építkezés. Ha most nem kezdjük el, évekkel később sokkal nehezebb lesz behozni a lemaradást — ezért mondom mindig, hogy nem készen kell lenni, hanem készen állni.” – fogalmaztott Papp Bence.
(Forrás: fintech.hu)
Szólj hozzá