Néhány hét alatt egymásra licitáltak a nagybankok az Agentic AI bejelentéseikkel. A „copilot” korszaka után most az autonóm feladatvégzésre képes, több lépésben tervező és végrehajtó AI ügynökök lépnek színre, amelyek képesek mérhető eredményeket is felmutatni. A trend már nem elméleti, és a legnagyobb bankok, mint a Wells Fargo, BBVA, Citi, Goldman Sachs, Santander már szervezeti szinten készítik elő a következő lépéseket. Megnéztük a legfontosabb fejleményeket, konkrét példákat és a kibontakozó trendeket.
Definíciók: Agentic AI, AI-ügynök, Nagy Nyelvi Modellek (LLM)
1. Mi az Agentic AI?
Az Agentic AI a mesterséges intelligencia következő fejlődési fázisa: olyan rendszerek, amelyek önállóan tudnak cselekedni, célokat lebontani, döntéseket hozni és végrehajtani. Nem csak válaszolnak, hanem terveznek, koordinálnak és tanulnak a tapasztalatokból.
2. Mi az AI-ügynök?
Az AI-ügynök az Agentic AI egyik megvalósulási formája.
- Ez egy olyan szoftveres „szereplő”, amely feladatot kap, majd autonóm módon végigviszi azt: például információt keres, számításokat végez, más rendszerekkel kommunikál, vagy workflow-kat automatizál.
- AI-ügynökök gyakran több eszközt is használnak (pl. API-k, adatbázisok, más ügynökök).
- Lehetnek egyediek (egy konkrét feladatra fókuszálnak, pl. ügyfélszolgálati chatbot) vagy összetettek (komplex döntéshozatal és hosszú távú problémamegoldás).
A LLM (pl. GPT, Claude, Gemini) az a „motor”, amely az emberi nyelvet érti, feldolgozza és generálja. Agentic AI és AI-ügynökök erre a motorra épülnek, de túl is lépnek rajta:
- Az LLM „csak” szöveget ad (válaszokat, kódot, összefoglalót).
- Az Agentic AI célokat, memóriát, döntési logikát és cselekvést ad az LLM köré.
- Példa: míg egy LLM meg tud írni egy SQL-lekérdezést, egy AI-ügynök képes lefuttatni, majd a kapott adatokat elemezni, grafikonon ábrázolni és döntési javaslatot adni.
A pilotkorszak véget ér: bank szintű ügynökbevezetések
A nyár talán legnagyobb híre az Agentic (önálló cselekvésre képes) AI rendszerekkel kapcsolatban, hogy a Wells Fargo a Google Cloud Agentspace platformjára építve vállalatszinten tesz elérhetővé AI ügynököket. A lépés nemcsak irodai produktivitási eszközöket (pl. NotebookLM), hanem testre szabott banki ügynököket is jelent, amelyek belső tartalmakból dolgozva kutatnak, összegzenek és támogatják az ügyfél-, fióki és befektetési banki folyamatokat.
A bank és a Google közös közleménye „meghatározó pillanatnak” nevezi az Agentic AI bevezetését a pénzügyi iparágban.
A Goldman Sachs ezzel párhuzamosan vállalatszinten, több tízezer dolgozója számára tette elérhetővé a GS AI Assistant megoldását, amely dokumentumok összegzésétől elemzési feladatokig segíti a mindennapi munkát. A Goldman Sachs a lépést a szélesebb AI integráció kulcselemének tekinti.
A kép egyértelmű:
a generatív AI kísérletek után 2025 nyara a bank szintű skálázás rajtja — szigorú „human in the loop” kontrollokkal és szervezeti szintű irányitási (governance) modellekkel.
Ha az AI képes autót vezetni… tudna bankot is vezetni?
Mitől lesz valóban AI-natív egy bank?
„Az intelligencia nem csupán digitalizáció. – Hogyan lép túl a bank a digitális csatornák világán? Mi kell az adatvezérelt, automatizált, AI-alapú működéshez?
A két napos konferencián, 2025. szeptember 15-16. között 360 fokban körbejárjuk, mit hozhat az AI-natív korszak a bankok, pénzügyi szolgáltatók számára.
Górcső alá vesszük, mit jelenthet az AI-natív bank a gyakorlatban, és eljátszunk azzal a gondolattal is, képes lehet-e az ágens-alapú AI technológia önállóan működtetni egy univerzális bankot. Ha az AI képes autót vezetni, hogyan irányítana egy bankot?
További részletek: Digitálisból intelligens 360 fokban
Nyolc konkrét példa: AI-ügynökök a kódolástól a KYC‑ig
1. Wells Fargo – ügynökök „mindenkinek”
A Wells Fargo a Google Cloud Agentspace környezetére támaszkodva olyan AI‑ügynököket vezet be, amelyek konkrét, mindennapi feladatokat vesznek le a kollégák válláról. Példák:
- Devizaügyletek utófeldolgozása (post‑trade): a felmerülő kérdéseket és kivételeket automatikusan osztályozzák, majd a megfelelő back‑office csapathoz továbbítják (pl. elszámolási eltérés, visszaigazolás).
- Belső szabályzatok és eljárások: segítenek a releváns dokumentumok gyors megtalálásában és összefoglalásában, hogy a munkatársak percek alatt választ kapjanak.
- Szerződéskeresés nagy tömegben: a százezres nagyságrendű szerződésállományban rákeresnek konkrét záradékokra, dátumokra vagy kötelezettségekre.
A cél, hogy ezek az ügynökök ne csak kísérleti környezetben, hanem a fiókhálózat, a vállalati bank és az ügyfélkapcsolati/operációs területek napi munkájában is rutinszerűen működjenek — emberi jóváhagyással („human in the loop”), naplózott és korlátozott jogosultságokkal.
2. Citi – fejlesztői ügynök 40 000 fejlesztőnek
A Citi a Cognition Devin AI fejlesztői ügynökét vezeti be 40 000 fejlesztő számára az SDLC (szoftverfejlesztési életciklus) gyorsítására. Példák:
- Frissítések és patchek: függőségek azonosítása, javítási javaslatok és pull request‑vázlatok készítése.
- Tesztelés és minőség: unit/integrációs tesztek generálása, statikus analízis megállapításainak kezelése.
- Ticket‑ és backlog‑munka: feladatok triázsa, priorizálás és javasolt lépéssor a gyors átfutásért.
A cél, hogy az ügynök a CI/CD‑kapukkal és kódreview‑val integrált fejlesztői rutinba simuljon — ember a hurokban jóváhagyással, auditált futtatással, korlátozott jogosultságokkal.
3. BBVA – „people + platform”: kötelező AI‑képzés és Gemini
A BBVA a Google Workspace with Gemini és a NotebookLM eszközöket a teljes szervezetnek adja, miközben Agentspace‑ben belső ügynököket épít; hozzáférést kötelező AI‑képzés (AI Express) után kapnak a dolgozók. Példák:
- Policy‑ és tudásnavigáció: belső eljárások, termékleírások gyors keresése és összefoglalása.
- Irodai produktivitás: meeting‑összefoglalók, akciólisták, dokumentum‑/e‑mail‑vázlatok a banki standardok szerint.
- Belső ügynökök (Agentspace): ismétlődő információgyűjtési, kutatási és összegzési feladatok tehermentesítése.
A cél, hogy a gen/ügynöki eszközök a front‑ és back‑office mindennapjainak részévé váljanak — jóváhagyási pontokkal, teljes naplózással, szerepkör‑alapú hozzáféréssel.
4. BNY Mellon – „digitális dolgozók” vállalati belépővel
A BNY Mellonnál több tucat „digitális dolgozó” fut vállalati belépővel; a modell IAM‑szinten (Identity & Access Management) kezeli az ügynököket (az AI‑ügynökök ugyanúgy azonosított, szabályozott és auditált vállalati „felhasználók”, mint az emberek), és tervben van a saját e‑mail‑cím is. Példák:
- Fizetési utasítások: beérkező kérések validálása és előszűrése a megfelelőségi ellenőrzőlisták szerint.
- DevSecOps‑támogatás: sebezhetőségekhez kapcsolódó javítási javaslatok, váltási lépések előkészítése emberi review‑ra.
- Shared services: ismétlődő üzleti‑ és IT‑kérések összegzése, továbbítása a felelős csoportokhoz.
A cél, hogy az ügynökök „azonosítható munkatársként” illeszkedjenek a bank belső folyamataiba — felelős emberi tulajdonossal, naplózva, szerepkör‑alapú jogosultságokkal.
A BNY Mellon‑példában az, hogy az ügynököket IAM‑szinten kezelik, azt jelenti, hogy az AI‑ügynök nem „névtelen script”, hanem első osztályú vállalati identitás (angolul gyakran non‑person identity).
Gyakorlatban ez így néz ki:
- Egyedi identitás / fiók: az ügynöknek saját vállalati azonosítója (akár e‑mail címe) és „tulajdonosa”/felelőse van.
- Hitelesítés: SSO/MFA‑val vagy szolgáltatás‑kulcsokkal lép be; a titkok rotálása kötelező.
- Jogosultságkezelés: RBAC/ABAC (szerepkör‑/attribútumalapú) jogosultságok, legkisebb szükséges hozzáférés elve, környezetek (dev/test/prod) szétválasztása.
- Jóváhagyási pontok: magas kockázatú akciók (pl. pénzmozgás, kódfeltöltés) emberi jóváhagyáshoz kötve.
- Teljes audit: minden lépés naplózva (promptok, eszközhívások, outputok), így visszakövethető, ki/mi mit tett és mikor.
- Életciklus‑kezelés: ügynök „beléptetése” és „kiléptetése”, időszakos hozzáférés‑felülvizsgálat (recertification).
- Korlátok és vészfék: kvóták, sebességkorlát, kill switch, szabályszegésnél automatikus letiltás/értesítés.
5. ING – 25% termelékenységnövekedés az operációban; jelzálog‑ügynök a láthatáron
Az ING az operációban, a KYC/CDD‑ben és a tranzakció‑monitoringban skáláz AI‑megoldásokat; ahol bevezették, ~25% körüli produktivitásjavulást jeleznek, és 2026‑ra digitális jelzálog‑ügynököt céloznak. Példák:
- KYC/CDD‑előkészítés: ügyfél‑ és dokumentuminformációk összegyűjtése, hiányok jelzése, összefoglalók a döntés‑előkészítéshez.
- Tranzakció‑monitoring: riasztások összegzése, priorizálása és továbbítása a megfelelő elemzői csapatnak.
- Ügyféltámogatás: bejövő kérések triázsa és válaszvázlatok a szabályzatok/termékdokumentáció alapján.
A cél, hogy ezek az ügynökök a műveleti és a hitelezési folyamatok napi rutinjába épüljenek — emberi jóváhagyással, naplózva, korlátozott jogosultságokkal.
6. Morgan Stanley – 280 000 megspórolt fejlesztői óra
A Morgan Stanley házon belüli DevGen.AI megoldása a legacy‑modernizációt és a fejlesztők napi feladatait gyorsítja; eddig ~280 000 munkaórát takarított meg. Példák:
- Kódmegértés és feltérképezés: nagy kódbázisok magyarázata, függőségek és modul‑kapcsolatok feltárása.
- Refaktor és tesztelés: javítási/átírási javaslatok, unit‑/integrációs tesztek és PR‑vázlatok generálása.
- Migráció és verzióváltás: keretrendszer‑/könyvtárfrissítések lépéslistával, ellenőrzőpontokkal, CI/CD‑be illesztve.
A cél, hogy a DevGen.AI a fejlesztői csapatok mindennapjaiba épüljön — emberi code review‑val, engedélyezési kapukkal és auditált futtatással.
7. Santander – „AI‑native”ként épül tovább, OpenAI‑partnerség
A Santander OpenAI‑partnerségre és ChatGPT Enterprise‑ra építve skálázza a generatív és AI-ügynöki képességeket. Példák:
- Belső Q&A és policy‑navigáció: termék‑ és eljárás‑kérdésekre konkrét válaszokat és forrás‑hivatkozást ad.
- Dokumentum‑ és meeting‑munka: összefoglalók, akciólisták és sablonbeadvány‑vázlatok készítése (belső standardok szerint).
- Ügyfélkommunikáció: levél‑/üzenetvázlatok és disclaimer‑javaslatok előállítása a front‑office csapatoknak.
A cél, hogy a gen/ügynöki eszközök a front‑ és back‑office mindennapi eszköztárába kerüljenek — jóváhagyási pontokkal, teljes naplózással és szerepkör‑alapú hozzáféréssel.
8. UBS – „Red” asszisztens skálázása, AI‑avataros kutatási tartalom
Az UBS a „Red” belső AI‑asszisztenst skálázza (Microsoft/Azure OpenAI + AI Search háttérrel), és kísérletezik AI‑avatarokkal is elemzői tartalmakhoz. Példák:
- Belső tudás és kutatás: pillanatok alatt összefoglalót és hivatkozásokat ad házon belüli anyagokból, szabályzatokból, piaci jelentésekből.
- Tanácsadói előkészítés: ügyféltalálkozó‑briefet állít össze (portfólióesemények, releváns hírek, kockázati megjegyzések).
- AI‑avatarok (kísérlet): elemzői megállapítások videós kivonatát készíti belső/teszt csatornákra.
A cél, hogy a „Red” a tanácsadói, kutatási és operációs csapatok napi rutinjában fusson — emberi jóváhagyással, naplózva, korlátozott jogosultságokkal.
Mit tanulhatunk az úttörő bankok példáiból?
Az ügynök „munkatárs”, nem csupán app. A BNY példája mutatja: az AI‑ügynök identitásként (login, szerepkör, naplózás) él a vállalati infrastruktúrában, felelős „emberei” vannak, és konkrét SLA‑k szerint dolgozik.
Ez új HR–IT–kockázatkezelési együttműködést kíván.
Gyors ROI a „tech‑back office” és az operáció területén. A Morgan Stanley és a Citi fejlesztői ügynökei, illetve az ING műveleti folyamatai jelzik: a legacy‑modernizáció, a kódkarbantartás és a KYC/AML előkészítés az első nyerő mezők — még a komplex front‑office előtt.
Governance és képzés nélkül nincs skálázás. A BBVA és a Santander kifejezetten kötelező tréninghez köti a hozzáférést, az EU AI Act és a belső sztenderdek szerint.
Platformdöntés: build, buy — vagy mindkettő. A Wells Fargo (Google) és a Santander (OpenAI) nagy partnerekre támaszkodnak; a Morgan Stanley házon belüli réteget húz a modellek fölé.
Mire számíthatunk a következő időszakban a hazai bankszektorban?
A nemzetközi példák alapján a hazai pénzintézetek a leggyorsabb „nyereségre” a fejlesztői/IT‑ügynökök és a KYC/operáció területén számíthatnak (ticket‑triázs, patch‑automatizálás, dokumentum‑összegzés, kivétel‑kezelés). Ezt érdemes lehet kötelező tréninggel és guardrail‑csomaggal (szerepkörök, jóváhagyási pontok, teljes naplózás) indítani, miközben a vállalati tudásra építő belső kereső/elemző ügynök horizontálisan szinte minden területet gyorsíthat.
A nemzetközi példák alapján a „kis, fókuszált use case + szigorú kormányzás + partneri platform” trió hozhatja a leggyorsabb, bizonyítható eredményt.
További részletek 2025. szeptember 15-16-án, a FinTechZone 2 napos szakmai konferenciáján, ahol részletesen is feltérképezzük: „Hogyan válhatnak a digitális bankok intelligens, AI-natív bankká?„ – Ha az AI képes autót vezetni… tudna bankot is vezetni?
Kapcsolódó cikkek: