Mit jelent 26 ezer AI-ügynök egy bankban?

Először azt érdemes tisztázni, hogyan jön ki ez a szám.

Egy ügynök összerakása a DBS-nél nem fejlesztési projekt.

A dolgozó a DBS-GPT nevű belső felületen maga állítja össze, programozás nélkül, néhány lépésben.

Egy ilyen ügynök egyetlen visszatérő feladatot vált ki.

Tan Su Shan, a DBS vezérigazgatója (címlapfotón) például olyan ügynököt használ, amely összegyűjti neki a banki híreket és a nagy bankok vezetőinek nyilvános megszólalásait. A személyes ügynökök többsége ilyen léptékű, napi néhány perc munkát takarít meg a gazdájának.

Innen egyszerű a számítás. A bank körülbelül 40 ezer dolgozójából tízből heten használnak generatív AI-eszközt, vagyis nagyjából 28 ezren.

A 26 ezer ügynök tehát azt jelenti, hogy a generatív AI-t használó munkatársak átlagosan egyet-egyet építettek maguknak.

Ugyanezt a képet adja a használat intenzitása is. A dolgozók havonta 1,8 millió utasítást adnak a generatív AI-eszközöknek kutatáshoz, szövegíráshoz, fordításhoz és összefoglaláshoz, ami fejenként havi 64 megkeresés, munkanaponként nagyjából három.

A DBS emellett három szinten kezeli az ügynököket, és a három élesen elválik. A személyes ügynökök mellett ott vannak a csapatügynökök, amelyek egy munkacsoport visszatérő feladatát viszik. A vállalati ügynökök azok, amelyek éles banki rendszerekhez férnek hozzá.

A személyes és a csapatügynököket a dolgozók maguk állítják össze, és el vannak zárva az éles rendszerektől.

Vállalati ügynököt csak a bank saját fejlesztése készíthet, a szokásos szoftverfejlesztési kontrollok alatt.

Mire bíznak már teljes munkafolyamatokat?

A legmesszebb a vállalati hitelezésben jutottak. Egy nagyvállalati hitel-előterjesztés összeállítása korábban napokig kötötte le a kapcsolattartót. Nimish Panchmatia, a bank adatokért és transzformációért felelős vezetője a Computer Weeklynek úgy írta le a feladatot, hogy

egy 120 oldalas éves jelentést, egy hasonló terjedelmű fenntarthatósági jelentést, az ügyfél pénzügyi kimutatásait és iparági elemzéseket kellett átrágni hozzá.

Ma ezt a munkát 70-80 együttműködő AI-ügynök végzi el, és előre formázott szerkezetben adja át az első tervezetet.

A tervezet nem jóváhagyásra kész. A kapcsolattartó chatfelületen kérdez rá az indoklásra és a bizonyítékokra, a hitelképességről pedig továbbra is ember dönt.

Mennyit hoz ez, és hol a határ?

A bank 2025-ös éves jelentése szerint az adatelemzési és AI-kezdeményezések mintegy 1 milliárd szingapúri dollár, nagyjából 680 millió euró gazdasági értéket termeltek az év során, 2000-nél több modellből és 430-nál több felhasználási területről.

Ez a 2000 modell nem része a 26 ezer ügynöknek. A kettő két külön réteg, és másképp is számolják őket.

A modell egyetlen feladatra betanított összetevő, amely például csalásgyanús tranzakciót jelez vagy hitelkockázatot pontoz. Az ügynök a fölötte lévő réteg, amely célt kap, lépéseket tervez, és ehhez eszközöket hív segítségül, köztük modelleket, adatbázisokat és dokumentumokat.

A vállalati ügynökök jellemzően több modellt is meghívnak. A személyes ügynökök többsége viszont egyet sem, mert nem pontoz és nem osztályoz, csak összegyűjti és összefoglalja az információt.

Panchmatia szerint a modellek közművé válnak, és az lesz a lényeg, mit épít föléjük a bank.

A gazdasági érték azt a többletet jelenti, amennyivel több bevétel vagy kevesebb költség keletkezett ott, ahol AI dolgozott.

A Forrester 2026 januári elemzése szerint a DBS ezt kontrollcsoporthoz méri, vagyis egy hasonló összetételű, AI nélkül kiszolgált ügyfélkörhöz hasonlítja az eredményt.

Panchmatia szerint

az ügynökök képességei nagyjából ötször olyan gyorsan fejlődnek, mint azok az eszközök, amelyekkel felügyelni lehet őket. Egyre többet tud tehát egy ügynök, miközben lassabban javul az, hogy a bank utólag lássa, mit csinált és miért.

Amíg ez a különbség megmarad, a DBS nem enged önálló ügynöki működést, vagyis minden érdemi kimenetet ember néz át.

A bank ezért korlátozza, hány lépést tehet meg egy ügynöki lánc, és a szakaszok közé ellenőrzést épít. Minél hosszabb a lánc, annál nehezebb megtalálni, hol romlott el valami.

A visszakereséshez viszont lista kell. Tan Su Shan szerint a DBS egyetlen nyilvántartásban látja az összes ügynökét, azonosítóval, biztonsági korláttal és rendszeres értékeléssel.

A nyilvántartás azt is rögzíti, meddig mehet el egy ügynök. Alapozó cikkünkben leírtuk, hogy a felhatalmazási szint legalább annyira meghatározza egy AI-ügynök mozgásterét, mint maga a modell.

Ugyanilyen listát kért a hazai bankoktól a felügyelet is. Az MNB 13/2025. (XII. 3.) ajánlása nyomán 2026. június 30-ig AI-alstratégiát kellett beküldeniük, benne az alkalmazott és tervezett rendszerek üzleti céljával, felelőseivel és kockázati besorolásával.

A DBS gyakorlatából két elem ültethető át közvetlenül. Az egyik a szintek szétválasztása, vagyis hogy a dolgozói ügynökök ne érjenek el éles rendszert. A másik maga a nyilvántartás, amelyben minden ügynöknek azonosítója, gazdája és értékelése van.

Enélkül a dolgozók által épített ügynökök nem az AI-leltárban jelennek meg, hanem azon kívül.

Felhasznált források: DBS, CEO Tan Su Shan on how agentic AI is transforming the bank (The Business Times-interjú), 2026. május 19. · Computer Weekly, DBS holds off on letting AI agents run on their own as controls lag capability, 2026. július 28. · DBS Group, 2025-ös éves jelentés, 2026. március 8. · Forbes Asia, DBS Group CEO Tan Su Shan leads Southeast Asia’s largest bank into the AI era, 2026. augusztus 5. · Forrester, DBS Bank’s billion-dollar AI dream – realized, 2026. január 22.