A BCG és az OpenAI közös riportja konkrét bevezetési útmutatót ad a lakossági (retail) bankoknak. Az iparági adatok azt mutatják: a technológia megvan, de a szervezeti képesség viszont hiányzik a legtöbb banknál. Mire van szükség ahhoz, hogy az AI-ügynökök ne csak pilotokban, hanem éles üzemben is jól működjenek?
A riport lényege: nem chatbot, hanem munkafolyamat-vezérlő
A BCG és az OpenAI 2026. márciusban publikálta a How Retail Banks Can Put AI Agents to Work elemzést. A szerzők nem az AI általános bankszektorra gyakorolt hatásáról írnak. Ehelyett két konkrét területet járnak körbe: a front-office ügyfél-onboardingot és a back-office kockázatértékelést, és mindkettőre implementációs keretrendszert adnak.
A kiindulópont egyszerű: a bankok az elmúlt évtizedekben digitalizálták a rendszereiket, de a rendszerek közötti koordináció – adatok összegyűjtése, összevetése, összefoglalása, döntésre előkészítése – továbbra is emberi kézi munkával történik.
Az AI-ügynökök ezt a koordinációs réteget célozzák.
Nem chatbotok: olyan rendszerek, amelyek önállóan végigviszik a munkafolyamatot, majd strukturált összefoglalót adnak emberi döntéshozónak.
A végső döntés – hitelelbírálás, kockázatértékelés, ügyfélbesorolás – továbbra is emberi.
A számok: amit ígérnek, és amit a valóság mutat
A BCG becslése szerint
az AI-ügynökök 2030-ra 30 százalékkal növelhetik a retail bankok profitabilitását, és 30-40 százalékkal csökkenthetik a működési költségeket.
Az iparági valóság ugyanakkor józanítóbb. Az MIT egyik 2025-ös, széles körben hivatkozott elemzése szerint a vállalati AI-pilotok 95 százaléka kudarcot vall.
A Deloitte 2026-os Tech Trends riportja szerint mindössze a szervezetek 11 százalékánál működik agentic AI éles üzemben, 35 százaléknak pedig egyáltalán nincs stratégiája erre. Az EY dokumentálta, hogy a bankok 60-70 százaléka nem tudja replikálni az AI-megoldásait az izolált pilotprogramokon túl.
A BCG saját adatai szerint a világ bankjainak csupán negyede használja aktívan az AI-t versenyelőny szerzésére.
A két adatsor nem mond egymásnak ellent – pont azt a szakadékot mutatja, amelyet az iparágnak át kell hidálnia.
A potenciál létezik, de az oda vezető út nem technológiai, hanem szervezeti.
Fogyasztási hitelezés: egy konkrét alkalmazási példa lépésről lépésre
A riport legrészletesebben a fogyasztási hitel befogadási folyamatát (onboarding) dolgozza ki. A jelenlegi helyzet: a személyazonosság-ellenőrzés, a szankciólistás szűrés, a csalásjelzések és a hiteladatok lekérdezése nagyrészt automatizált, de az eredmények összevetése és döntésre előkészítése kézi munka.
Nem azért lassú a folyamat, mert az egyes rendszerek nem működnek, hanem azért, mert az ember köti össze őket.
Az AI-ügynök feladata ebben a modellben az, hogy a személyazonosság-ellenőrzés, a szankciólistás szűrés, a csalási kockázati pontszám és a hitelreferencia-adatok alapján strukturált kockázati összefoglalót készítsen az elemzőnek.
Az AI-ügynök nem helyettesíti a meglévő kontrollokat – ugyanazokat a rendszereket használja, amelyeket a bank ma is üzemeltet.
A különbség az, hogy a koordinációs és összesítési lépés automatikus, auditálható, és visszakövethető.
A hitelelbírálás maga – jóváhagyás, elutasítás vagy ajánlatmódosítás – továbbra is emberi döntés.
Planning failure: amikor minden lépés helyes, de a végeredmény rossz
A riport kockázatelemzési része vezeti be a planning failure (tervezési hiba) fogalmát. Ez azt jelenti, hogy az AI-ügynök a megfelelő eszközöket használja, minden egyes lépést technikai értelemben helyesen hajt végre, mégis hibás következtetésre jut – mert a feladat felbontása, a lépések sorrendje vagy a súlyozása hibás.
A riport példája: egy hitelelbírálási folyamatban az ügynök a jövedelemigazolásra koncentrál, miközben a hiteltörténet vizsgálatát kihagyja. Minden API-hívás sikeres, a válasz formailag korrekt, a kockázati összefoglaló strukturált – de a tartalom hiányos, és ez üzleti, illetve szabályozási kockázatot jelent.
Ez a felismerés nem elméleti. A szabályozási és felelősségi kérdések itt a legélesebbek:
ha az ügynök minden auditált lépése rendben van, de a tervezési logika hibás, akkor ki a felelős a téves végeredményért?
A BCG ezért javasolja az evaluation-driven development (értékelésalapú fejlesztés, EDD) módszertant:
ne csak a végeredményt mérjük, hanem a köztes lépéseket is – a visszakeresési pontosságot, a tényalapúságot és a tervezési képességet.
Háttérrendszerek nélkül nincs skálázás
A riport egyik legfontosabb állítása:
a front-office AI-megoldások nem működnek modernizált háttérrendszerek nélkül.
Hiába épít egy bank ügyféloldali AI-asszisztenst, ha a mögöttes dokumentumkezelés, ügyfél-átvilágítási (KYC) folyamatok és auditálási rendszerek töredezettek. A front és back office egyetlen összefüggő, ügynökvezérelt munkafolyamatként kell, hogy működjön.
A skálázáshoz két építőelemet emel ki a riport. Az első az EDD, amelyet a fentiekben tárgyaltunk. A második a middleware réteg (közvetítő szoftverréteg): egy egységes kontrollsík, amelyen keresztül minden AI-alkalmazás a szervezeten belül azonos fejlesztési, biztonsági, jogosultságkezelési és auditálási szabályokat követ.
A middleware feladata, hogy
ne minden csapat saját integrációt építsen, hanem legyen egy központi kapu, amely a naplózástól a döntésnyomok rögzítéséig mindent egységesít.
Ez nem opcionális infrastruktúra – a szerzők szerint ez a feltétele annak, hogy az AI-bevezetés ne maradjon a pilot fázisban.
Miért akadnak el a pilotok? A szervezeti deficit
A legfontosabb akadály nem technológiai. A Deloitte adatai szerint az AI-hoz kötődő kiadások 93 százaléka technológiai infrastruktúrára megy, és mindössze 7 százalék jut a szervezetfejlesztésre, képzésre, változásmenedzsmentre és szabályozási keretrendszerre.
Mi az AI kompetenciaközpont (CoE)?
A BCG-riport javasolja az AI kompetenciaközpont (CoE) felállítását: egy keresztfunkcionális csapatot, amely nem IT-projekt, hanem üzleti és technológiai szakértők közös műhelye. A CoE feladata:
- Egységesített beválasztási folyamat: melyik alkalmazási terület érett az automatizálásra.
- Egységes eszközlánc és értékelési keretrendszer fenntartása.
- A megfelelőségi és kockázatkezelési partnerek bevonása az elejétől.
Mi következik ebből a magyar piac számára?
Az MNB 13/2025-ös számú ajánlása – amely a pénzügyi szervezetek AI-irányítási keretrendszeréről szól, és amelynek első megfelelési határideje 2026. június 30. – éppen azt a szabályozási és irányítási keretet írja elő, amelyet a BCG-riport is a skálázás előfeltételeként nevesít. A szabályozási momentum tehát adott.
A következő lépésként pedig a hazai intézményeknek három dolgot kellene egyszerre megoldani:
modernizálni a háttérrendszereiket, felállítani egy dedikált kompetenciaközpontot, és a közvetítő szoftverréteget úgy kialakítani, hogy az AI-alkalmazások ne szigetszerűen, hanem egységes kontrollkeretben működjenek.
A BCG-riport – és az iparági adatok – azt mutatják, hogy
ez nem technológiai, hanem vezetési és szervezeti kérdés.
Agentic AI éles üzemben – Autonóm pénzügyek szekció, TechShow X. jubileumi konferencia, 2026. október, Várkert Bazár. Részletek és korai regisztráció → TechShow X.
