Η ραγδαία ενσωμάτωση της Τεχνητής Νοημοσύνης στις τραπεζικές εργασίες φέρνει αναπόφευκτα στο προσκήνιο ζητήματα ασφάλειας, διαφάνειας και κανονιστικής συμμόρφωσης. Ιδιαίτερα οι εφαρμογές γενεσιουργού ΤΝ σε ευαίσθητους τομείς - όπως η αυτόματη αξιολόγηση δανείων ή η παροχή επενδυτικών συμβουλών - περιορίζονται σήμερα από την αβεβαιότητα του ρυθμιστικού πλαισίου και τον κίνδυνο ανακριβών ή μεροληπτικών προτάσεων.
Οι τράπεζες, προκειμένου να καινοτομήσουν υπεύθυνα, οφείλουν να προχωρούν σε ελεγχόμενους πειραματισμούς και ταυτόχρονα να επενδύουν σε ισχυρές δικλείδες διακυβέρνησης για την ΤΝ.
Προς αυτή την κατεύθυνση, πολλές ηγετικές τράπεζες υιοθετούν πλαίσια διακυβέρνησης της AI όπως το AI TRiSM (Trust, Risk C Security Management), που διασφαλίζουν ότι τα μοντέλα και οι
αλγόριθμοι λειτουργούν με αξιοπιστία, δικαιοσύνη, διαφάνεια και ανθεκτικότητα. Το AI TRiSM, για παράδειγμα, εισάγει πρακτικές για αυστηρό έλεγχο μοντέλων και εφαρμογών, μεθόδους επεξηγησιμότητας των αποφάσεων (model transparency), μηχανισμούς ανίχνευσης ανωμαλιών στο παραγόμενο περιεχόμενο, καθώς και εργαλεία προστασίας δεδομένων που χρησιμοποιούνται από τα ΑΙ συστήματα. Με αυτό τον τρόπο, αντιμετωπίζονται οι ανησυχίες περί «μαύρων κουτιών» και μεροληψίας, ενώ παράλληλα ικανοποιούνται οι αυξανόμενες ρυθμιστικές απαιτήσεις για έλεγχο των συστημάτων τεχνητής νοημοσύνης.
Επιπλέον, οι τράπεζες υιοθετούν ένα υβριδικό μοντέλο διακυβέρνησης που συνδυάζει ανθρώπινη εποπτεία με τεχνολογικές λύσεις ελέγχου. Για οργανισμούς που κινούνται με πιο συγκρατημένο ρυθμό στην υιοθέτηση AI, δομές όπως επιτροπές ηθικής και ομάδες ελέγχου κινδύνων AI μπορεί προς το παρόν να επαρκούν για τη διαχείριση των κινδύνων.
Ωστόσο, για τους πρωτοπόρους που επιταχύνουν την ενσωμάτωση δεκάδων εφαρμογών AI, απαιτούνται και αυτοματοποιημένα εργαλεία πραγματικού χρόνου: για παράδειγμα, συστήματα που να επιθεωρούν χιλιάδες AI-παραγόμενες αποφάσεις σε πραγματικό χρόνο ή που να παρακολουθούν διαρκώς το κατά πόσο ένα μοντέλο παραμένει εντός προκαθορισμένων ορίων ασφαλείας. Η τάση στον κλάδο υποστηρίζει ότι η αποτελεσματική διακυβέρνηση της ΤΝ απαιτεί συνέργεια ανθρώπων και τεχνολογίας: στελέχη, επιτροπές και κανόνες από τη μία, προηγμένα συστήματα παρακολούθησης και ελέγχου από την άλλη, ώστε η καινοτομία να γίνεται με ασφάλεια και συμμόρφωση.
Δεν πρέπει να ξεχνάμε ότι και το κανονιστικό τοπίο βρίσκεται υπό διαμόρφωση. Ο νέος Ευρωπαϊκός Κανονισμός για την Τεχνητή Νοημοσύνη αναμένεται να επιβάλει σαφείς απαιτήσεις διαφάνειας, διαχείρισης ρίσκου και τεκμηρίωσης για τα συστήματα AI. Αυτό ήδη ωθεί τις τράπεζες να επενδύουν προληπτικά τόσο σε εξειδικευμένο ανθρώπινο δυναμικό (π.χ. υπεύθυνους AI compliance, data privacy officers) όσο και σε τεχνολογίες που θα διασφαλίζουν ότι κάθε αλγόριθμος μπορεί να εξηγηθεί και να ελεγχθεί ως προς την συμμόρφωση.
Εν ολίγοις, η εμπιστοσύνη στην τεχνητή νοημοσύνη γίνεται ανταγωνιστικό πλεονέκτημα: οι οργανισμοί που θα καταφέρουν να συνδυάσουν καινοτόμες λύσεις AI με υψηλά πρότυπα ασφάλειας και ηθικής χρήσης, θα κερδίσουν τόσο τους ρυθμιστές όσο και τους πελάτες τους.
Μελλοντικές Τάσεις: Autonomous Banking και Machine Customers
Κοιτάζοντας μπροστά, ως στέλεχος του κλάδου διαβλέπω την έλευση του "autonomous banking" , μιας νέας εποχής όπου η τραπεζική λειτουργία καθίσταται σε μεγάλο βαθμό αυτόνομη και οι πελάτες δεν θα είναι μόνο άνθρωποι αλλά και μηχανές. Η Gartner περιγράφει την εμφάνιση ενός αυτόνομου επιχειρηματικού μοντέλου, όπου machine customers, έξυπνοι AI πράκτορες και η προγραμματιζόμενη οικονομία (programmable economy) θα αναμορφώσουν ριζικά τη ζήτηση για τραπεζικές υπηρεσίες.
Σε αυτό το περιβάλλον, αυτόνομες δραστηριότητες θα διεισδύσουν στις ζωές τόσο των καταναλωτών όσο και των επιχειρήσεων. Οι πελάτες - είτε είναι άνθρωποι που χρησιμοποιούν AI agents, είτε αυτόνομες μηχανές οι ίδιες - θα έχουν πρόσβαση στην κατάλληλη πληροφορία την κατάλληλη στιγμή (right-time insights), φτάνοντας να γνωρίζουν όσο και η ίδια η τράπεζα (ή και περισσότερα) σχετικά με τις διαθέσιμες επιλογές προϊόντων και υπηρεσιών.
Αυτό πρακτικά εξισώνει το πληροφοριακό πλεονέκτημα που ιστορικά είχαν οι τράπεζες έναντι των πελατών και αμφισβητεί τα υφιστάμενα επιχειρηματικά μοντέλα του κλάδου. Με καλύτερη πληροφόρηση και αυτοματοποιημένη λήψη αποφάσεων, οι πελάτες/μηχανές θα μπορούν να επιτυγχάνουν βέλτιστες οικονομικές αποφάσεις χωρίς την παραδοσιακή διαμεσολάβηση της τράπεζας.
Αυτές οι μεταβολές σαφώς συνιστούν υπαρξιακή πρόκληση αλλά και ευκαιρία. Οι τράπεζες που θα κινηθούν πρώτες και γρήγορα θα μπορέσουν να αξιοποιήσουν νέες πηγές αξίας. Αντίθετα, όσες μείνουν πίσω κινδυνεύουν να περιθωριοποιηθούν.
Είναι χαρακτηριστικό ότι οι «μηχανικοί πελάτες» δεν θα ανταποκρίνονται στο κλασικό μάρκετινγκ ούτε θα επιδεικνύουν την ανθρώπινη πίστη/συναίσθημα στη σχέση με μια τράπεζα - οι αποφάσεις τους θα είναι αμιγώς ορθολογικές και βασισμένες σε δεδομένα, καθώς θα αναλύουν τεράστιο όγκο πληροφορίας για λογαριασμό των ανθρώπων/επιχειρήσεων που τους ανήκουν. Αυτό σημαίνει ότι οι τράπεζες, για να παραμείνουν σχετικές, θα χρειαστεί να υιοθετήσουν πολλά από τα χαρακτηριστικά του autonomous banking.
Με άλλα λόγια, να μπορέσουν νασυνεργαστούν αποτελεσματικά με αυτούς τους AI agents και machine customers, προσφέροντας αξία που θα μετριέται σε επίπεδο data και αλγορίθμων - όχι μόνο μέσω παραδοσιακών καναλιών. Οι Διευθύνσεις Πληροφορικής καλούνται να χαράξουν τις κατάλληλες τεχνολογικές στρατηγικές που θα υποστηρίξουν αυτή τη μετάβαση προς τις αυτόνομες τραπεζικές δυνατότητες.
Πώς μπορούμε λοιπόν να προετοιμάσουμε την τράπεζα για την εποχή του autonomous banking; Υιοθετώντας μια στρατηγική τριών βημάτων που προτείνει η Gartner:
Έλεγχος και ανασχεδιασμός των βασικών υποδομών (core systems): Πρέπει να αξιολογήσουμε και να εκσυγχρονίσουμε τα κύρια τραπεζικά μας συστήματα - από τις πλατφόρμες πληρωμών και διαχείρισης κινδύνων, μέχρι τα συστήματα AML, KYC και ταυτοποίησης (IDCV). Η είσοδος των machine-to-machine (M2M) συναλλαγών θα κατακερματίσει τις παραδοσιακές συναλλαγές σε πλήθος μικρο-συναλλαγών, αυξάνοντας δραστικά τον όγκο και την ταχύτητα διεκπεραίωσης.
Αυτό θα θέσει υπό πίεση τις υπάρχουσες υποδομές, απαιτώντας πιο αυτόνομα, αυτοματοποιημένα και επεκτάσιμα συστήματα στο πυρήνα της τράπεζας. Οι εξελίξεις στην programmable economy - όπου έξυπνα συμβόλαια και IoT συσκευές θα συναλλάσσονται αυτόνομα - θα απαιτήσουν τραπεζικές πλατφόρμες σχεδιασμένες για αυτόν τον κατακερματισμό της οικονομικής δραστηριότητας. Με λίγα λόγια, καλούμαστε να χτίσουμε μια αυτόνομη τραπεζική υποδομή ικανή να υποστηρίξει έναν κατακλυσμό από μικρο-συναλλαγές μεταξύ μηχανών.
Ενεργοποίηση αυτόνομης εμπλοκής (engagement) εντός της τράπεζας: Οι τράπεζες πρέπει να κάνουν την AI και τις πρακτορικές δυνατότητες (agentic capabilities) θεμελιώδες κομμάτι της λειτουργίας τους. Αυτό σημαίνει στοχευμένες επενδύσεις σε τεχνολογίες που επιτρέπουν αυτόνομη λήψη αποφάσεων, καινοτομίες στις πληρωμές (π.χ. αυτόματα payments μεταξύ συσκευών) και ανάλυση κινδύνου σε πραγματικό χρόνο. Παράλληλα, θα πρέπει να ενσωματωθούν στις αρχιτεκτονικές IT δεδομένα και συστήματα ειδικά για agentic AI, έτσι ώστε οι ψηφιακοί πράκτορες να γίνουν μέρος του οικοσυστήματός μας και να συνεργάζονται ομαλά με τις ανθρώπινες ομάδες.
Η διακυβέρνηση και οι πολιτικές του οργανισμού θα πρέπει να προσαρμοστούν για να επιτρέψουν την ένταξη "μηχανικών πελατών" στα συστήματα - να μπορούμε δηλαδή να αναγνωρίζουμε, να ταυτοποιούμε και να εξυπηρετούμε έναν AI agent ως πελάτη. Επιπρόσθετα, στο πεδίο της ασφάλειας, θα απαιτηθεί η υιοθέτηση νέων τεχνολογιών (π.χ. προηγμένη ανάλυση συμπεριφοράς) που θα μπορούν να διακρίνουν μεταξύ κακόβουλων αυτοματοποιημένων αιτημάτων και νόμιμων αιτημάτων μηχανών, προστατεύοντας την τράπεζα από νέες μορφές απειλών.
Ανάληψη ηγετικού ρόλου και συνηγορία για την αυτόνομη τραπεζική: Ως ηγετικά στελέχη, οφείλουμε να γίνουμε οι πρέσβεις του autonomous banking εντός και εκτός του οργανισμού. Το τρίτο βήμα αφορά την ανάπτυξη και επικοινωνία ενός σαφούς στρατηγικού αφηγήματος - ενός "storyline δεδομένων" - προς τη διοίκηση και τα ενδιαφερόμενα μέρη, που θα αναδεικνύει τη μετάβαση σε μια νέα εποχή σχεδόν τέλειας πληροφόρησης της αγοράς (near- perfect market data).
Χρειάζεται να τονίσουμε πως οι αποφάσεις θα λαμβάνονται με πρωτοφανή διαφάνεια και πληρότητα δεδομένων, γεγονός που μπορεί να είναι ανταγωνιστικό πλεονέκτημα. Παράλληλα, πρέπει να θέσουμε σε δοκιμασία τις επιχειρησιακές πλατφόρμες μας μέσω σεναρίων προσομοίωσης όπου κυριαρχούν οι machine customers, για να εντοπίσουμε από νωρίς σημεία συμφόρησης ή κινδύνους. Με αυτό τον τρόπο θα προετοιμάσουμε την τράπεζα - και τους συναδέλφους ανώτατους διοικητικούς - για τις ριζικές αλλαγές που θα φέρει το autonomous banking, εξασφαλίζοντας παράλληλα τη δέσμευση όλων προς αυτόν τον στόχο.
Ένα κρίσιμο στρατηγικό ερώτημα σε αυτό το νέο τοπίο είναι η στάση που θα κρατήσει η τράπεζα απέναντι στους "μηχανικούς πελάτες". Σε γενικές γραμμές διαφαίνονται δύο εναλλακτικές προσεγγίσεις:
Προσέγγιση "drawbridge down" (κατεβασμένη γέφυρα): Η τράπεζα επιλέγει να ανοίξει τις πύλες και να υποδεχτεί ενεργά τις νέες αυτές κατηγορίες πελατών και AI agents. Αυτό πρακτικά σημαίνει υιοθέτηση μιας "ανοιχτής" στρατηγικής: προσαρμογή της διακυβέρνησης, του μοντέλου ρίσκου και των τεχνολογιών ταυτοποίησης ώστε να αναγνωρίζονται και να εξυπηρετούνται οι μηχανές ως πελάτες.
Προϋποθέτει σημαντικές αλλαγές στις αρχιτεκτονικές δεδομένων (ώστε να διαμοιράζονται με ασφαλή τρόπο μέσω APIs), καθώς και μια ισχυρή στρατηγική ενσωμάτωσης AI πρακτόρων τόσο στο front-office όσο και στο back-office της τράπεζας. Η "drawbridge down" προσέγγιση αγκαλιάζει τα νέα οικοσυστήματα που μπορεί να προκύψουν (π.χ. συνεργασίες με παρόχους IoT, embedded finance σε έξυπνες συσκευές) και στοχεύει να τοποθετήσει την τράπεζα ως αρωγό και πλατφόρμα για κάθε μορφή πελάτη - ανθρώπινη ή μη.
Προσέγγιση "drawbridge up" (σηκωμένη γέφυρα): Η τράπεζα ακολουθεί μια πιο συντηρητική, επιφυλακτική στρατηγική, επιχειρώντας ουσιαστικά να αποκλείσει ή να περιορίσει τις μηχανές και τους AI agents από το να ενεργούν ως πελάτες. Αυτό μπορεί να σημαίνει ανάπτυξη μηχανισμών που ανιχνεύουν και μπλοκάρουν αυτοματοποιημένες συναλλαγές ή proxy agents, επιμένοντας στο παραδοσιακό μοντέλο όπου μόνο ένας επαληθευμένος ανθρώπινος χρήστης έχει πρόσβαση στις υπηρεσίες.
Μια τέτοια «αμυντική» στάση μειώνει βέβαια κάποιους νέους κινδύνους, αλλά ενέχει τον μεγάλο κίνδυνο η τράπεζα να μείνει εκτός των νέων οικοσυστημάτων που θα διαμορφωθούν. Σε έναν κόσμο όπου οι ανταγωνιστές ή fintechs θα συνεργάζονται άμεσα με machine customers, μια τράπεζα που αγνοεί αυτή την εξέλιξη κινδυνεύει να χάσει ένα κομμάτι αγοράς που θα λειτουργεί αυτόνομα, χωρίς ανθρώπινη παρέμβαση.
«Η μετάβαση στο μέλλον της τραπεζικής δεν είναι μόνο τεχνολογική, αλλά και στρατηγική επιλογή. Οι τράπεζες που θα κινηθούν έγκαιρα και με υπευθυνότητα θα είναι εκείνες που θα διαμορφώσουν τον τραπεζικό χάρτη της επόμενης δεκαετίας.»
*Ο Αθανάσιος Τασούδης είναι Chief Executive Officer OneDealer International GmbH. Διαθέτει μια πορεία άνω των 20 ετών στον χώρο των χρηματοοικονομικών υπηρεσιών στην SAP και SAP Fioneer, όπου ηγήθηκε μεγάλων τραπεζικών μετασχηματισμών, ενώ ξεκίνησε την καριέρα του ως τραπεζικός. Παράλληλα, είναι ερευνητής και αυτή την περίοδο ολοκληρώνει τη διδακτορική του διατριβή, με θέμα την τεχνητή νοημοσύνη, την ηγεσία και τη συμπεριφορά οργανισμών.
