Hogyan méri a bank az AI megtérülését, és miért nehéz?

A megtérülés (angol rövidítéssel ROI) köznapi értelemben egyszerű kérdés: többet hozott-e valami, mint amennyibe került. A bankoknál ez azért nehéz, mert az AI ritkán önálló termék. Beépül egy meglévő folyamatba, és ott a hatása összekeveredik minden más egyidejű változással.

Ezért a mérés nem egyetlen szám, hanem egy hatelemű keret, és ha bármelyik eleme hiányzik, az eredmény nem értelmezhető.

1. Kell kiindulási alapérték (baseline), vagyis annak rögzítése, hol tartott a folyamat a bevezetés előtt.
2. Kell mérhető teljesítménymutató, amelyhez a cél kötve van.
3. Kell a teljes költségoldal, amelybe a modellhasználati díjon túl az integráció, az adat-előkészítés, az emberi ellenőrzés és a megfelelési munka is beletartozik.
4. Kell összehasonlítási alap, mert közben a piac és a szabályozás is változik.
5. Kell visszamérési ritmus és felelős.
6. Végül kell leállítási küszöb, vagyis annak előre kimondása, milyen eredménynél ismerjük el, hogy nem érte meg.

Ez a hat elem nem szerkesztőségi konstrukció. A Magyar Nemzeti Bank 13/2025. számú ajánlása előírja, hogy a hitelintézet a célkitűzéseket előre meghatározott mérföldkövekhez és mérhető fő teljesítménymutatókhoz igazítsa, és hogy a tervek visszaméréséről évente beszámolót küldjön a jegybanknak.

Jó gyakorlatnak tartja továbbá az AI-rendszerek teljesítményének folyamatos értékelését, valamint a szakaszos, visszaméréssel kísért bevezetést.¹ A nemzetközi keretrendszerek ugyanide jutnak: az amerikai szabványügyi hivatal AI-kockázatkezelési keretének „mérés” funkciója és az ISO/IEC 42001 szabvány teljesítményértékelési fejezete egyaránt a mutatók előzetes rögzítését és rendszeres visszamérését írja elő.

A mérés öt fokozata

A gyakorlatban a mutatók létrát alkotnak. Minél feljebb lép egy intézmény, annál nehezebb a mérés, és annál értékesebb az eredmény.

1. Az első fok a használati mutató: hányan férnek hozzá az eszközhöz, hányan nyitják meg. Ez a legkönnyebben előállítható szám, és a legkevesebbet mondja.
2. A második fok a tevékenységi mutató: hány lekérdezés, hány generált dokumentum, hány létrehozott ügynök. A szingapúri DBS-nél pár hónap alatt 26 ezer AI-ügynököt hoztak létre, és a bank ezek köré szervez teljes munkafolyamatokat. A darabszám valós és ellenőrizhető, de önmagában nem mondja meg, mennyi értéket termeltek.
3. A harmadik fok a folyamatmutató: átfutási idő, hibaarány, újranyitott ügyek száma. A Deutsche Bank közlése szerint egyes banki informatikai projektek ideje két évről három-hat hónapra rövidült. Ez már a folyamat viselkedéséről szól, de még mindig nem pénz.
4. A negyedik fok az üzleti kimenet: bevétel, költség, kockázati költség. A Santander 200 millió eurós üzleti értéket vár az AI-tól 2026-ra (2026. júniusi állapot szerinti közlés). Fontos különbség azonban, hogy ez várakozás, nem visszamért eredmény.
5. Az ötödik fok az auditált hatás, amely a pénzügyi kimutatásokban is megjelenik, és külső ellenőrzést is kiáll. Erre nyilvános európai banki példa 2026. augusztusi állapot szerint nem ismert.

A megtérülés mérése nem egyetlen szervezeti egység feladata, és a szereplőtípusok érdekei eltérnek.

1. Az üzleti területek állítják elő a hasznot, mert náluk jelentkezik a folyamatjavulás.
2. A pénzügyi és kontrolling terület hitelesíti a számot, vagyis eldönti, hogy a megtakarítás megjelenik-e a költségvetésben.
3. A belső ellenőrzés és a modellvalidáció azt vizsgálja, hogy a rendszer úgy működik-e, ahogy állítják.
4. A könyvvizsgáló és a számviteli szabály dönti el, hogy a ráfordítás milyen formában látszik a beszámolóban.
5. Az AI-modell- és platformszolgáltatók, valamint az adat- és infrastruktúra-szolgáltatók a költségoldal másik végén állnak.
6. A felügyeletek követelményt támasztanak és adatot gyűjtenek, a szabványalkotók adják a mérés közös nyelvét. Végül az ügyfél az, akinél a kimenet megjelenik vagy elmarad.

A hazai felügyeleti réteg szerepe erős: az MNB ajánlása a felelős AI-használat kereteit rögzíti, és a nemzetközi ajánlásokkal is összhangban áll, ahogy arról korábban írtunk.

Az értéklánc kulcskérdése, hogy ki birtokolja a mérőszámot. Ha ugyanaz a terület állítja elő a hasznot, amelyik a mutatót is meghatározza, a szám hitelessége szerkezetileg gyenge.

1. A csalásmegelőzés és a pénzmosás elleni szűrés az, ahol a brit jegybank és a felügyelet közös felmérése szerint a szektor a legnagyobb hasznot érzékeli, és ahol a mérés is a legegyszerűbb, mert a kiszűrt esetek és a téves riasztások száma közvetlenül számolható.²
2. A hitelbírálat az Európai Bankhatóság vizsgálatában szereplő 13 bankból tíznél már AI-támogatott,⁵
3. az ügyfélszolgálat pedig a leggyakoribb belépő terület.⁴
4. A további négy terület a szektor napi működésének része, és éppen a mérhetőségükben térnek el egymástól a leginkább. A megfelelés és a szabályozói jelentésszolgálat nagy, ismétlődő és jól mérhető munkamennyiség.
5. A belső fejlesztés és IT-üzemeltetés hatása a projektidőn látszik.
6. A treasury és a likviditáskezelés kevés, de nagy értékű döntést hoz, ahol egyetlen javulás is sokat számít.
7. A belső tudáskeresés szinte minden munkakörre kihat, viszont a leggyengébben mérhető.

Magyarországon a mérés kérdése szabályozási úton is megérkezett: a hitelintézeteknek 2026. június 30-ig kellett benyújtaniuk AI-alstratégiájukat a jegybankhoz.¹

A hibás mérés rosszabb, mint a mérés hiánya, mert döntést alapoznak rá. Nyolc tipikus torzítás fordul elő.

1. A hamis alapérték akkor keletkezik, ha a kiindulási szintet utólag választják meg, a bevezetés utáni eredmény ismeretében.
2. A kettős beszámítás azt jelenti, hogy ugyanazt a megtakarítást több projekt is elszámolja magának.
3. A költségoldal alulmérése a leggyakoribb: a modellhasználati díj látszik, az adat-előkészítés, az emberi ellenőrzés és a megfelelési munka nem.
4. Az elfogadottsági mutató helyettesítőként való használata a legalattomosabb hiba, mert jóhiszemű. A használat növekedése nem kimenet, hanem előfeltétel.
5. A számviteli torzítás abból ered, hogy az IAS 38 nemzetközi számviteli standard szerint a kutatási szakasz ráfordítását költségként kell elszámolni, míg a fejlesztési szakasz költségei meghatározott feltételek teljesülése esetén immateriális javakként aktiválhatók.⁸ Ugyanaz a ráfordítás tehát a besorolástól függően eltérő eredményhatást mutat, ami a projektek összehasonlítását is megnehezíti.
6. Az auditálhatóság hiánya akkor derül ki, amikor a számot külső félnek kell megvédeni; az MNB ezért várja el az értékelés dokumentálását.¹
7. Az ösztönzési torzítás abból fakad, hogy a mérést végző terület érdekelt a jó eredményben.
8. Végül a felügyeleti kockázat kézzelfogható: mérhető cél nélkül az AI-alstratégia teljesülése nem igazolható.

A költségoldalt a megfelelés is növeli. Az uniós AI-rendelet a hitelképesség-értékelést és a hitelpontozást magas kockázatú alkalmazásnak minősíti,⁵⁷ és bár a hitelbírálati megfelelés határideje tizenhat hónappal kitolódott, a kötelezettség megmaradt.

A brit jegybank és a felügyelet harmadik közös felmérése szerint (2024. november 21-i közlés) a cégek 75 százaléka használ AI-t, további 10 százalék három éven belül tervezi. A felmérés azonban következetesen észlelt hasznot mér, nem számszerűsítettet.

Ugyanitt a cégek 84 százalékánál van kijelölt AI-felelős, de csak 34 százalékuk állítja, hogy teljesen érti az általa használt rendszert.²

Az Európai Bankhatóság 2025. szeptember 25-i helyzetképe szerint az uniós bankok 92 százaléka használ AI-t, 8 százalék kísérleti szakaszban van, és a megkérdezettek 55 százaléka alkalmaz általános célú vagy ügynöki AI-t ügyfélfolyamatban.⁴

A bevezetés tehát széles körű, de ez elterjedtségi és nem megtérülési adat.

A Pénzügyi Stabilitási Tanács 2025. október 10-i jelentése kimondja, hogy

a hatóságok AI-figyelési tevékenysége még korai szakaszban van, és ezt adathézagok, valamint az egységes fogalomrendszer hiánya nehezíti.³

A szervezet 2026. június 10-én konzultációra bocsátotta a felelős AI-alkalmazás bevált gyakorlatairól szóló anyagát; a végleges változat 2026 októberére várható.³

A legjobb elérhető okozati becslés a Nemzetközi Fizetések Bankjának 2026 januári kutatásából származik:

az AI bevezetése 4 százalékkal emeli a munkatermelékenység szintjét.

A vizsgálat azonban több mint 12 ezer nem pénzügyi vállalatra épül, a hatás pedig a szoftver, az adat és a képzés területén végrehajtott kiegészítő beruházásokhoz kötött.⁶

Összefoglalva: 2026. augusztusi állapot szerint

a banki AI-megtérülésre vonatkozó, számszerűsített és külsőleg ellenőrzött nyilvános bizonyíték nem áll rendelkezésre. Ami rendelkezésre áll, az elterjedtségi adat, észlelt haszon és bejelentett cél.

Az alábbiak forgatókönyvek, nem előrejelzések.