Az ügyfél már AI-val hasonlít össze

Kertay Balázs a bankok előtt a fogyasztókat vizsgálta: mennyire nyitottak az AI-ra, és mennyire használják a pénzügyi döntéseikhez. Az általa idézett EY-felmérés szerint a pénzügyekben a legnagyobb a nyitottság az AI-alapú döntéstámogatásra: a válaszadók 84 százaléka nyitott rá, a tényleges használat azonban ennek nagyjából a fele.

Aki a pénzügyi döntéseihez AI-t használ, több információhoz jut, jobban összeveti a bankok ajánlatait, és a saját érdekei szerint jobban dönt.

Ez a tájékozottabb választás a bankok nyereségét csökkentheti, mégpedig annál erősebben, minél könnyebben összehasonlítható a termék. A Kertay Balázs által idézett McKinsey-becslés szerint Európában a lakossági betéteken 37 százalékkal, a teljes banki profiton 8 százalékkal csökkenhet a nyereség.

A lakáshiteleknél és a privát bankolásnál, ahol a termék összetettebb, a becsült hatás jóval kisebb.

Az európai bankok az elmúlt tíz évben 10 százalék körülire építették vissza a tőkearányos megtérülésüket, a magyar bankoké ennél is magasabb, idézte Kertay Balázs az Európai Központi Bank adatait.

Ezt a jövedelmezőséget szerinte a fogyasztói oldalról érkező nyomás veszélyeztetheti, ezért a bankoknak figyelniük kell, hogyan hat a nyereségükre az AI-eszközök terjedése az ügyfeleik kezében.

A banki AI ma a háttérfolyamatokat javítja, az ügyfélélményt alig

A bankok többségének ma már van AI-stratégiája, a megvalósítás viszont lassú, a többségük a pilotoknál tart. Egy Kertay Balázs által idézett 2025-ös felmérésben a banki vezetők 52 százaléka pilotprojektekről, 16 százaléka éles bevezetésről számolt be az önállóan feladatokat végrehajtó, úgynevezett ügynöki AI terén.

Egy másik, általa idézett S&P Global-elemzés mintegy 550 bank nyilvános közléseit vizsgálta 2022 ősze és 2025 ősze között, és a bejelentett AI-bevezetések 90-95 százalékát belső célúnak találta.

Ezek a megoldások a háttérműveleteket (back office), az operációt, a kockázatkezelést vagy a termelékenységet javítják, az ügyfél nem találkozik velük.

A Visa megbízásából készült, 17 európai piac 325 banki döntéshozóját megkérdező felmérés szerint a közép-kelet-európai bankok a befektetési célok többségében a fejlettebb piacok mögött járnak.

Egyetlen célban nem maradnak le: az új szereplőkkel való versenyben, amit Kertay Balázs a régióban erősebb neobanki nyomással magyaráz.

A régió lemaradása az ügyfélélmény fejlesztésében a legnagyobb; Olaszországban például a bankok 94 százaléka fektet be ebbe a területbe. A hitelezésben és a biztosításban a közép-kelet-európai bankok az AI alkalmazásában a sor végén állnak.

A fintechek épp az ügyfélélményen nyernek: egy Kertay Balázs által idézett NVIDIA-felmérésben 45 százalékuk ezen a területen érte el a legnagyobb megtérülést.

A banki vezetők várakozása és a projektek valósága közötti különbséget a Visa kutatása mutatja meg. A vezetők 86 százaléka alapvető változást vár 2030-ig, a saját, jelenlegi projektjeiben ezt nagyjából az ötödük tapasztalja.

Kertay Balázs szerint négy év van arra, hogy a bankok ezt a különbséget behozzák.

A közép-kelet-európai bankoknál az akadályok rangsorát az adatbiztonsági aggodalmak vezetik 57 százalékkal, ezt követi a szakemberhiány és a megtérülés bizonytalansága. A pénzhiányt csak a bankok 11 százaléka nevezte akadálynak.

A Kertay Balázs által idézett IDC-felmérés szerint a vezetők 56 százaléka aggódik az AI-modellek és -platformok költsége miatt, az AI-projektek mégis a leginkább védett tételek a költségcsökkentéssel szemben.

A bankok tehát drágának tartják az AI-t, de nem ezen spórolnak.

Kudarc a körítésben

Kertay Balázs négy nyilvánosan ismert kudarcot elemzett, mert a bankok a sikertelen projektjeiket ritkán hozzák nyilvánosságra, a pilotban elbukó kezdeményezésekről legfeljebb anekdoták keringenek.

Az első példa nem banki, hanem egészségügyi: az IBM több mint négymilliárd dollárt költött a Watson Health felvásárlásaira, hogy orvosi döntéstámogató rendszert építsen. A rendszert azonban részben tankönyvi, fiktív esetekből tanították, és a cég alábecsülte, mennyire töredezettek és nehezen elérhetők az egészségügyi adatok.

A megoldás nem működött, és az IBM 2022-ben eladta az üzletág adat- és elemzési eszközeit, Kertay Balázs szerint nagyjából egymilliárd dollárért.

A tanulság szerinte az, hogy validált munkafolyamat és működő üzleti modell nélkül a legnagyobb ambíció sem skálázható.

A második példában a technológia hibátlanul működött: az ausztrál Commonwealth Bank Bumblebee nevű hangalapú botja jól kezelte a beérkező hívásokat. A bank ezért 2025 júliusában 45 ügyfélszolgálati munkakör megszüntetését kötötte a bevezetéséhez.

A sajtóvisszhang és a szakszervezeti ellenállás miatt egy hónap múlva visszavonta a döntést, és elismerte, hogy hibázott.

A bot által elterelt hívások száma Kertay Balázs szerint nem azonos a teljes kapacitásigénnyel, a rosszul időzített leépítés pedig hírnévkárt okoz.

A harmadik példa a technológiai elavulásé: a HSBC hangalapú azonosítása (Voice ID) 2016-tól kényelmes és eleinte biztonságos telefonos azonosítást adott az ügyfeleknek.

A technológia azonban továbbfejlődött: ma már néhány másodpercnyi felvételből klónozható egy hang.

Egy BBC-riporter számlájába már 2017-ben bejutott az ikertestvére a saját hangjával, később újságírók AI-val klónozott hanggal is átjutottak brit bankok hangalapú azonosításán.

Kertay Balázs szerint a működő megoldást is rendszeresen felül kell vizsgálni, mert az új AI-fenyegetés elavulttá teheti a korábbi AI-védelmet.

A negyedik példa a magyarázhatóság hiányáé: a Goldman Sachs Apple Card mögött működő hitelbírálati algoritmusa hasonló adatú házastársaknak akár húszszoros különbségű hitelkeretet adott. Kertay Balázs szerint sem az ügyfelek, sem az ügyfélszolgálat nem tudta megmagyarázni az eltérést, az algoritmus fekete dobozként működött.

A New York-i pénzügyi felügyelet 2021-ben nem talált jogellenes megkülönböztetést. Azt viszont megállapította, hogy az ügyfélszolgálati hiányosságok és az átláthatóság hiánya aláásta az ügyfelek bizalmát. A tanulság Kertay Balázs szerint az, hogy a nagy pontosság nem helyettesíti a magyarázhatóságot.

„Nem feltétlenül az AI-jal volt a probléma, inkább a körítéssel.”

A sikeres példák közös vonása, hogy az eredményük mérhető. A HSBC pénzmosás elleni, dinamikus kockázatértékelő rendszere viselkedési minták alapján rangsorolja a gyanús tranzakciókat.

Kertay Balázs szerint a téves riasztások 60 százalékkal csökkentek, a feltárt pénzügyi bűncselekmények száma pedig kétszeresére-négyszeresére nőtt.

A BBVA vállalati AI-asszisztensei a dolgozók mindennapi munkáját támogatják, elmondása szerint több mint százezer aktív felhasználóval, akik heti nagyjából három órát takarítanak meg.

A DBS Joy, a szingapúri DBS vállalati ügyfeleket kiszolgáló virtuális bankára 2026 nyarától egyszerű banki feladatokat is elvégez egyetlen beszélgetésen belül.

A J.P. Morgan bankárokat támogató AI-ügynökei ügyfélkutatást, elemzéseket és ajánlásokat készítenek;

Kertay Balázs szerint 30 százalékkal növelik a bankárok termelékenységét, és kétmilliárd dolláros üzleti értéket teremtenek.

Kertay Balázs záró üzenete szerint az ügyfelek már készen állnak az AI-alapú pénzügyekre. A költségmegtakarítás szerinte fontos, de önmagában hosszú távon nem hoz többlethozamot a bankoknak.

Az AI üzleti értéke már bizonyított, de kevés bank tudta a pilotokon túl skálázni.

Az előadás címében feltett kérdésre a válasza egy mondatban összefért:

„az üzleti eredményt nem az AI-modell hozza létre”. Azt a megtalált probléma és a rá épített megoldás adja, „amiben az AI katalizátor”.