Kitől veszi a bank az AI-t?

Amikor egy bank mesterséges intelligenciát „vesz”, a háttérben ritkán áll egyetlen szállító. A Pénzügyi Stabilitási Tanács (FSB), a G20-országok pénzügyi stabilitási testülete 2025. októberi jelentésében öt rétegre bontja az AI-ellátási láncot, vagyis azoknak a szolgáltatásoknak a sorát, amelyekből egy működő banki AI-alkalmazás összeáll.¹

1. Chipek. A modellek tanításához és futtatásához különleges számítási chipek kellenek. Az FSB értékelése szerint ma ez az ellátási lánc legkoncentráltabb piaca.
2. Felhő- és számítási infrastruktúra. A korszerű modellek fejlesztése és elérése jellemzően felhőszolgáltatáson keresztül történik. Ezt a réteget néhány globális technológiai cég adja; a magas belépési költség és a felhasználók jelentős szolgáltatóváltási költsége miatt a pozíciójuk tartós.
3. Tanítóadat. A modellek betanításához hatalmas adatmennyiség kell, amelynek nagy része nem nyilvános, hanem adatgazdáknál és aggregátoroknál van. Akinek sok adata van, annak jobb lesz a szolgáltatása, ami még több felhasználót és adatot vonz – ez a hurok tovább erősíti a nagy szereplőket.
4. Előtanított alapmodellek. Az alapmodell (foundation model) nagy méretű, előre betanított AI-modell – ilyen technológia áll a ChatGPT-hez hasonló rendszerek mögött -, amelyet a bank készen vesz, mert a saját fejlesztés költsége és szakemberigénye a legtöbb intézmény számára elérhetetlen.
5. Felhasználói alkalmazások. Az a réteg, amellyel a bank munkatársa vagy ügyfele ténylegesen találkozik: ügyfélszolgálati asszisztens, csalásszűrő, dokumentumfeldolgozó, fejlesztői eszköz.

Az FSB megfogalmazása szerint a pénzügyi intézmények számára a választás gyakran nem a saját fejlesztés és a készen vett modell között áll, hanem a készen vett modell használata és az AI mellőzése között.¹

A lánc két szerkezeti sajátossága teszi a kérdést beszerzési döntésnél súlyosabbá.

1. Az egyik a vertikális integráció: a nagy technológiai cégek egyszerre több rétegben vannak jelen, chipet, felhőt és modellt együtt kínálnak. Ez kényelmes és gyors bevezetést ad, cserébe a függőséget egyetlen szereplőbe sűríti.
2. A másik, hogy a bank sokszor nem is a modellszolgáltatóval szerződik: a modellhez a felhőszolgáltató platformján keresztül jut hozzá, így a tényleges kitettsége egy úgynevezett negyedik félnél keletkezik – olyan szereplőnél, amellyel nincs közvetlen szerződéses kapcsolata.

Az ellenirány is létezik. A nyílt súlyú modellek – amelyeknek a belső paraméterei nyilvánosak, ezért saját infrastruktúrán is futtathatók – és a kisebb nyelvi modellek csökkenthetik az egyes szolgáltatóktól való függést.¹

A gyakorlatban 2026 nyarán még a zárt, szolgáltatói modellek dominálnak.

Magát a technológiát – mi az AI-ügynök, és milyen építőelemekből áll – a FinTechZone külön alapozója mutatja be; az ott leírt öt építőelem mindegyike mögött az itt tárgyalt szállítói rétegek valamelyike áll.

Az AI-beszerzés térképén nyolc szereplőtípus rajzolódik ki. A cégnevek változhatnak, a szereptípusok maradnak.

1. Chipgyártók: a lánc alján, a bank számára jellemzően láthatatlanul, de minden réteg tőlük függ.
2. Felhő- és infrastruktúra-szolgáltatók: a modellek futtatási környezete; sok banknál egyben a modellhez vezető szerződéses út is.
3. Adatgazdák és adataggregátorok: tanító- és kiegészítő adatokat szállítanak; pénzügyi adatszolgáltatóként a felügyelt kritikus szolgáltatók listáján is megjelennek.
4. Alapmodell-szolgáltatók: az AI-cégek, amelyek a nagy nyelvi modelleket (LLM) fejlesztik és kínálják.
5. Alkalmazásszállítók, alaprendszer-szállítók és integrátorok: ők illesztik a modellt a banki folyamatokba – a bank legtöbbször velük szerződik. Az FIS 2026 májusában az Anthropickal közösen kezdett banki AI-ügynök-infrastruktúrát építeni, vagyis az alaprendszer-szállító már csomagban hozza a modellszolgáltatót.
6. A bank mint beszerző és mint felelős: a bank nem tűnik el a láncból, és a szerepét szervezeti döntésekkel maga is alakíthatja. A Crédit Agricole 2026 nyarán önálló AI-vállalatot jelentett be, 150 fős egységgel, hogy a csoport AI-fejlesztéseit közös, házon belüli platformra szervezze.
7. Felügyeletek és szabályozók: az európai felügyeleti hatóságok a kritikus szolgáltatókat közvetlenül felügyelik, itthon az MNB az AI-alkalmazás kereteit ajánlásban rögzíti.
8. Független auditorok és tanúsítók: a külső AI-rendszerek ellenőrzésének kialakulóban lévő szereplői; az MNB kifejezetten jó gyakorlatnak nevezi a harmadik féltől beszerzett AI-rendszerek független auditját.⁸

1. A külső szállítótól vett AI tipikus belépési pontja a munkavállalói termelékenység: keresés, összegzés, szövegvázlat. Erre épül a szoftverfejlesztés támogatása, az ügyfélszolgálati előszűrés, a csalásmegelőzés, valamint a kockázatkezelési és hitelbírálati folyamatok támogatása.
2. Kevésbé látványos, de a napi működés szempontjából súlyos területek a megfelelés és a szabályozási jelentésszolgálat, az ügyfél-átvilágítás, továbbá a treasury és a likviditáskezelés – az MNB ajánlása éppen ezekre a területekre várja el a kockázatkezelési ellenőrzések automatizálási terveit.⁸
3. Ügyféloldali, éles AI-termék a sor végén áll, és jellemzően a legszigorúbb belső kontrollokkal indul.

A tényleges elterjedtség józanabb képet mutat, mint a bejelentések folyama.

A Bank of England és a brit pénzügyi felügyelet (FCA) 2024-es, jelenleg legfrissebb publikált felmérése szerint a brit pénzügyi cégek 75 százaléka használ már AI-t, de az alkalmazások mindössze 2 százaléka működik teljesen autonóm módon; az alapmodellre épülő megoldások az összes felhasználás 17 százalékát adják.²

Az FSB 2025. októberi értékelése szerint a pénzügyi intézmények a generatív AI-t óvatosan, a kritikus funkciókban egyelőre korlátozottan vezetik be.¹

A svájci felügyelet (FINMA) felmérése szerint az AI-t használó intézmények 91 százaléka generatív AI-t is használ,³ az FSB összegzése szerint pedig a kisebb intézmények jelentős része teljes egészében külső szolgáltatóra támaszkodik az AI-alkalmazásaiban.¹

A hírfolyam ugyanakkor felfelé torzít: a bejelentésből hír lesz, az elmaradt vagy visszafogott bevezetésből nem.

A mérleg másik serpenyőjében az áll, hogy

az AI üzleti hatása már a bankok pénzügyi beszámolóiban is megjelenik

– a FinTechZone gyorselemzése szerint a Santandertől a JPMorganig a nagybankok 2026-ban már pénzben mérik és publikálják az AI hatását.

A szállítói kitettség értékelésére az FSB négy szempontot ad:

1. kritikusság (mennyire állna le a bank működése a szolgáltatás kiesésekor),
2. koncentráció (hány intézmény függ ugyanattól a szolgáltatótól),
3. helyettesíthetőség (mennyi idő és költség másik szolgáltatóra váltani),
4. és rendszerszintű jelentőség (egy kiesés hány intézményt érintene egyszerre).¹

Ezek külön-külön kezelhetők; együtt, egy szolgáltatói hiba pillanatában erősítik egymást.

A négy szemponton túl öt kockázat kifejezetten az AI-beszerzés sajátja.

1. A negyedik fél kockázata: a bank a felhőn keresztül használ egy modellt, amelynek szolgáltatójával nincs szerződése, tehát vele szemben követelése sem.
2. Az auditálhatóság: a bank akkor is felel az AI-döntésért, ha a rendszert nem ő fejlesztette – az MNB elvárja, hogy a hitelintézet a harmadik féltől beszerzett modellnél is biztosítsa az eredmények megismételhetőségét, és a bevezetés előtt szerezze be a szállítótól az ehhez szükséges információkat.⁸
3. A jogi átminősülés: az uniós AI-rendelet 25. cikke szerint az a bank, amely egy készen vett rendszert lényegesen módosít vagy a saját neve alatt visz piacra, maga válik a rendszer szolgáltatójává, a szolgáltató teljes kötelezettséglistájával.⁵
4. A piaci korreláció: ha sok intézmény ugyanarra a modellre épít, ugyanazokat a hibákat egyszerre követik el, ami a szektor egészének kockázata.
5. Végül a fogyasztóvédelem: a hitelbírálati és egyes biztosítási AI-alkalmazások az uniós szabályozásban magas kockázatú besorolást kapnak, és az ügyfelekkel szembeni megkülönböztetés tilalma a külső modellre is vonatkozik.

A szállítói függőség az a pont, ahol az AI-szabályozás és a működési ellenállóképesség szabályozása összeér.

1. A DORA rendelet – az EU pénzügyi szektorra szabott digitális működési rezilienciakerete, 2025 januárjától alkalmazandó – minden pénzügyi intézménytől nyilvántartást kér az IKT-szolgáltatói szerződéseiről, a kritikus szolgáltatásoknál pedig kilépési stratégiát: dokumentált tervet arra, hogyan válik le a bank a szolgáltatóról, ha kell.⁴
2. Az AI-oldali keretet az uniós AI-rendelet, az EU AI Act adja, amelynek értéklánc-szabálya a felelősséget osztja el szállító és bank között.⁵ A megfelelési naptár 2026-ban módosult: a hitelbírálati AI magas kockázatú besorolásának határideje 2027. december 2-ára tolódott, az ügyfél-tájékoztatási kötelezettség viszont 2026. augusztus 2-án elindult.⁶
3. A harmadik elem az EU adatrendelete: 2025. szeptember 12. óta a felhőszolgáltatót váltó ügyfélnek szerződéses joga van a váltáshoz és az adatai kiviteléhez, a váltási díjakat pedig a szolgáltatóknak 2027. január 12-ig teljesen ki kell vezetniük.⁷
4. Itthon az MNB 13/2025. (XII. 3.) ajánlása 2026. április 1-jétől várja el, hogy a hitelintézetek MI-alstratégiát készítsenek, és az AI-rendszerek teljes életciklusára – a harmadik féltől történő beszerzést külön nevesítve – belső szabályokat működtessenek.⁸

Az alábbi három forgatókönyv nem előrejelzés, hanem egymástól független tengelyeken mozgó lehetőség, mindegyikhez megfigyelhető jelzőeseménnyel.