Jak sztuczna inteligencja zmienia proces przyznawania kredytów?

Jak-sztuczna-inteligencja-zmienia-proces-przyznawania-kredytow

W polskich bankach technologia już wspiera decyzje kredytowe i obsługę klientów. PKO BP wykorzystuje algorytmy przy ponad 80% decyzji, Alior obsługuje rozmowy przez voicebota, a Santander ma chatbota dostęnego 24/7. Te przykłady pokazują, że automatyzacja skraca czas oczekiwania i poprawia dostęp do usług.

Prawo i regulacje — od art. 105a po AI Act i CCD2 — wymagają nadzoru człowieka, rejestrów i wyjaśnień dla osób. To sprawia, że tempo innowacji łączy się z potrzebą jawności i ochrony praw.

Efekt dla klientów jest prosty: szybciej, wygodniej i częściej z możliwością kontaktu z ekspertem przy sprawach złożonych. Banki równocześnie zwiększają efektywność back-office i monitorują ryzyko, aby model działania był rzetelny i bezpieczny.

Kluczowe wnioski

• Banki w Polsce już korzystają z rozwiązań opartych na danych, co przyspiesza decyzje.
• Regulacje wymagają przejrzystości, nadzoru człowieka i rejestracji zdarzeń.
• Rozwiązania cyfrowe poprawiają doświadczenie klientów, zwłaszcza młodszych.
• Automatyzacja działa w front- i back-office, zwiększając efektywność operacyjną.
• Ostateczny model łączy technologię z governance, by budować zaufanie i dostęp.

Czytaj także: Technologie, które usprawniają uzyskanie kredytu

Kontekst trendu: gdzie dziś jest AI w kredytach i finansach w Polsce

W polskich instytucjach finansowych narzędzia oparte na sztucznej inteligencji są już elementem codziennej pracy. Modele wspierają decyzje kredytowe, automatyzują dokumenty i prowadzą konwersacje z klientami.

Przykłady pokazują skalę: PKO BP używa algorytmów przy ponad 80% decyzji, Pekao wdraża hiperautomatyzację z tysiącami zadań dziennie, a Alior automatyzuje większość zapytań głosowych.

Rola danych jest kluczowa. Modele ML korzystają z różnych źródeł, by oceniać ryzyko i personalizować oferty. To skraca czas obsługi i zwiększa precyzję decyzji.

Oczekiwania klientów zmieniają się razem z rozwojem kanałów cyfrowych. Młodsze osoby chętniej korzystają z chatbotów i kalkulatorów zdolności, choć przy hipotekach nadal większość potrzebuje eksperta.

• Front: chatboci i voiceboci usprawniają kontakt 24/7.
• Back-office: OCR, RPA i modele monitorują portfel.
• Efekt: szybsze usługi, niższe koszty i lepsze dopasowanie ofert.

Jak sztuczna inteligencja zmienia proces przyznawania kredytów

Coraz częściej decyzje o finansowaniu zapadają dzięki modelom, które analizują setki sygnałów w kilka chwil.

Od manualnych procedur do zautomatyzowanych decyzji i scoringu

Ręczne oceny ustępują miejsca algorytmom. Dzięki nim czas decyzji skraca się z dni do minut, a scoring wykorzystuje setki zmiennych.

PKO BP łączy dane transakcyjne, zewnętrzne i behawioralne, co podnosi akceptację wniosków o ok. 2 pp.

Rola danych i personalizacji ofert na etapie wnioskowania

Dane pozwalają lepiej ocenić zdolności kredytowej i znaleźć wiarygodnych klientów dotąd pomijanych.

• Personalizacja opiera się na sposobie łączenia sygnałów, co zwiększa trafność ofert.
• VeloBank tworzy wnioski z obrazu etykiety — wniosek powstaje w kilka minut.
• Prawo (art. 105a) pozwala na automatyzację, ale osoby mają prawo do wyjaśnień i interwencji człowieka.

Automatyzacja wymaga stałego nadzoru. Modele uczą się na aktualnych danych i muszą być monitorowane, by uniknąć dryfu. Wciąż jednak doradca pozostaje kluczowy przy produktach o większym ciężarze finansowym.

AI w polskich bankach: studia przypadków i liczby

Dane operacyjne ujawniają konkretne efekty technologii w codziennym działaniu banków. Poniżej opisujemy kluczowe wdrożenia i mierniki, które obrazują skalę zmian.

PKO Bank Polski

Ponad 80% decyzji kredytowych wspieranych modelami. Modele łączą setki zmiennych, co daje ~2 pp wzrostu akceptacji.

Bank stosuje też monitoring spłat i portfela, a lojalni klienci zyskują automatyczne decyzje „od ręki”.

Bank Pekao S.A.

Pekao używa RPA do ~15 000 zadań dziennie i wykonuje >5 mln operacji rocznie.

Platformy Empatia, przeczytAI i zapytAI przetwarzają opinie, dokumenty (>1,5 mln/kwartał) i udostępniają wiedzę pracownikom.

Alior Bank

Voicebot InfoNina obsługuje niemal wszystkie połączenia i automatyzuje ~55% spraw.

Skrócenie średniego czasu obsługi (AHT) o 15% poprawiło dostępność usług dla klientów.

Santander

Santi działa 24/7: ~135 tys. rozmów i 341 tys. pytań rocznie, z eskalacją do doradcy na poziomie ~1%.

VeloBank

GenAI (GPT‑4 Turbo) plus analiza obrazu pozwala na wniosek z zdjęcia etykiety cenowej. Decyzja zapada w kilka minut.

„Skalowanie technologii w instytucjach przekłada się na szybsze decyzje i lepszą jakość analizy danych.”

• Wnioski: technologie wspierają front- i back-office oraz standardyzują procesy.
• Rozwiązania są replikowalne — mniejsze banku mogą adaptować podobne modele.

Głos klientów: AI jako wsparcie, doradca jako gwarancja bezpieczeństwa

Preferencje klientów łączą samoobsługę z potrzebą rozmowy przy ważnych decyzjach. 72% ankietowanych uważa kontakt z ekspertem za bardzo ważny przy wyborze oferty hipotecznej, a 73% na etapie finalizacji.

Rola eksperta pozostaje kluczowa. Ponad 70% hipotek w 2022 r. udzielono przy wsparciu pośredników. To dowód, że usługi relacyjne uzupełniają narzędzia cyfrowe.

• Na wczesnym etapie klienci wybierają porównywarki (44%) i inteligentne kalkulatory (39%) jako sposób samoobsługi.
• 28% chętnie skorzystałoby z chatbota; w grupie 18–24 lata odsetek rośnie do 45%.

Hybryda „bot + doradca” działa najlepiej: bot odpowiada na szybkie pytania i daje wstępne odpowiedzi, a doradca wchodzi przy złożonych decyzjach. Banki powinny dostroić ścieżki obsługi do preferencji osób, oferując elastyczny wybór kanałów.

„Doświadczenie klientów musi łączyć przejrzystość, bezpieczeństwo i komfort życia finansowego.”

Proces kredytowy z AI: etapy, w których technologia już realnie pomaga

Nowe narzędzia cyfrowe wprowadzają wymierne usprawnienia od momentu onboardingu aż po finalizację umowy.

Onboarding i KYC: OCR i automatyzacja dokumentów

OCR i klasyfikacja dokumentów pozwalają na szybkie przechwytywanie danych z faktur, dowodów i załączników. Bank Pekao przetwarza >1,5 mln dokumentów kwartalnie przez przeczytAI, co znacząco zmniejsza ręczną pracę.

Ocena zdolności i ryzyka: modele ML i monitoring portfela

Modele ML poprawiają trafność oceny zdolności kredytowej i redukują zmienność decyzji. PKO BP używa ich do monitorowania portfela i wczesnego wykrywania sygnałów ryzyka.

Decyzja i finalizacja: z dni do minut

W praktyce proste wnioski mogą być zatwierdzane automatycznie, a złożone sprawy szybko eskalowane do eksperta. VeloBank pokazuje, że wniosek z obrazu etykiety może zakończyć się decyzją w kilka minut.

• Konwersacyjne narzędzia redukują tarcie na etapie pytań i przyspieszają finalizację.
• Integracja systemu z danymi wewnętrznymi i zewnętrznymi podnosi jakość decyzji i ogranicza błędy.
• Orkiestracja usług i walidacja danych determinują skuteczność całego łańcucha.

Regulacje “tu i teraz”: Prawo bankowe art. 105a a zautomatyzowane decyzje

W praktyce bank musi pogodzić szybkość decyzji z obowiązkiem zapewnienia praw osób i przejrzystości. Art. 105a Prawa bankowego dopuszcza wyłącznie zautomatyzowane rozstrzygnięcia, także profilowanie, pod warunkiem że klient otrzyma jasne wyjaśnienia i możliwość interwencji człowieka.

Prawa klientów: wyjaśnienia, interwencja ludzka, ponowna ocena

Bank ma obowiązek przygotować pisemne wyjaśnienia dotyczące sposobu działania systemu i podstaw decyzji. Klient powinien uzyskać informację o prawie do żądania ponownej oceny i eskalacji do pracownika.

Outsourcing i chmura: wymogi UKNF i konsekwencje dla wdrożeń

Powierzanie usług zewnętrznym dostawcom podlega przepisom art. 6a–6dc PrBank. Umowy muszą zawierać mechanizmy kontroli, audytu i dostęp do danych dla nadzoru.

W przypadku chmury publicznej lub hybrydowej bank odpowiada za zgodność z Komunikatem UKNF z 23.01.2020 r. Należy wykonać ocenę ryzyka, określić lokalizację danych i zakotwiczyć odpowiedzialność za system.

• Rejestracja procesów automatycznych i matryce odpowiedzialności.
• Jasne ścieżki odwołań dla klientów i procedury ponownej oceny.
• Ocena dostawców, testy bezpieczeństwa i nadzór operacyjny.

AI Act: kredytowe systemy wysokiego ryzyka i nowe obowiązki banków

Nowe regulacje unijne stawiają jasne wymagania wobec systemu decydującego o przyznaniu finansowania.

AI Act klasyfikuje scoring i ocenę zdolności jako systemy wysokiego ryzyka (art. 6). To oznacza, że instytucje muszą dowieść, iż wdrożenie respektuje prawa podstawowe i minimalizuje ryzyko dla klientów.

Wymogi użytkownika systemu (art. 26)

Użytkownik odpowiada za adekwatność i reprezentatywność danych. Konieczne jest prowadzenie rejestrów zdarzeń, nadzór człowieka oraz monitorowanie i raportowanie problemów do dostawcy i organu nadzoru.

Ocena skutków dla praw podstawowych (art. 27)

Przed wdrożeniem trzeba wykonać ocenę skutków dla praw podstawowych. Dokument musi opisać zakres stosowania, kategorie osób, mechanizmy nadzoru człowieka i środki ograniczające ryzyko. Wyniki przekazuje się nadzorcy.

Timeline i konsekwencje dla korzystanie

Akt wszedł w życie 1 sierpnia 2024 roku. Organizacje mają trzy lata na pełną stosowalność przepisów high-risk.

W praktyce brak zgodności może wymusić zawieszenie korzystania z systemu i rodzić ryzyko regulacyjne. Dlatego sztuczna inteligencja powinna być projektowana z procedurami, kontrolami i jasnym governance.

CCD2: co zmieni dla konsumentów ocena zdolności z użyciem AI

CCD2 (Dyrektywa 2023/2225) wprowadza jasne prawa dla klientów, gdy ocena zdolności kredytowej powstaje z użyciem systemów automatycznych. Konsument zyskuje możliwość żądania interwencji ludzkiej, zrozumiałe wyjaśnienia oraz ponowną ocenę i rozpatrzenie decyzji.

Banki i strony procesu muszą zorganizować czytelne ścieżki odwoławcze i mechanizmy eskalacji. To obejmuje udostępnienie informacji, jakie dane i kryteria wpłynęły na decyzję.

Terminy są kluczowe: implementacja do 20.11.2025 r., a stosowanie od 20.11.2026 r. Oznacza to, że w kolejnym roku konsumenci będą korzystać z nowych uprawnień na poziomie krajowym.

CCD2 dotyczy zarówno prostych kredytów konsumenckich, jak i bardziej złożonych spraw. Przepisy współgrają z art. 105a, wzmacniając prawa osób wobec automatycznych decyzji i wymuszając większą przejrzystość usług.

• Korzyść dla klientów: większe zaufanie i niższe ryzyko sporów.
• Obowiązek banku: procedury odwoławcze, wyjaśnienia i możliwość ponownej oceny.

Korzyści biznesowe: szybkość, skala, koszty i dostęp do kredytów

Korzyści wdrożeń widać w metrykach: krótszy czas decyzji, niższe koszty operacyjne i wyższy współczynnik akceptacji.

Skrócenie time-to-yes i wzrost akceptacji wniosków

PKO BP raportuje około 2 pp wzrostu akceptacji dzięki ML. Dla lojalnych klientów banku część decyzji odbywa się automatycznie.

VeloBank pokazuje, że GenAI potrafi skrócić cykl do kilku minut. Alior i Santander redukują obciążenie call center i czas obsługi dzięki botom.

Personalizacja ofert i zwiększenie dostępności finansowania

Dane i modele pozwalają odkryć wiarygodnych klientów dotąd pomijanych przez prosty scoring. To rozszerza dostęp do kredytów i poprawia konwersję.

Przykłady działań: prekwalifikacja, pre-approved offers, automatyczne odnowienia limitów — wszystko to zmniejsza potrzebę rutynowej pracy i skalowalnie obniża koszty.

Zmiany wymagają inwestycji w kompetencje, kulturę danych i zarządzanie ryzyka, by korzyści były trwałe.

Wyzwania i ryzyka: dane, bias, explainability, halucynacje

Niewłaściwe dane i nieczytelne algorytmy mogą podważyć zaufanie klientów.

Jakość danych decyduje o sprawiedliwości decyzji. AI Act wymaga adekwatności i reprezentatywności danych oraz prowadzenia rejestrów zdarzeń. Braki w źródłach lub nierównomierna reprezentacja grup zwiększają ryzyko dyskryminacji.

Transparentność modeli to kolejne wyzwanie. „Czarne skrzynki” utrudniają wyjaśnienia klientom, podczas gdy prawo (art. 105a) nakłada obowiązek przekazania podstaw decyzji i ścieżek odwoławczych.

Generatywne modele niosą ryzyko halucynacji — błędnych lub zmyślonych odpowiedzi. Banki muszą wdrożyć walidację wyników i mechanizmy eskalacji do ekspertów.

„Prowadzenie rejestrów oraz nadzór człowieka to warunek bezpiecznego korzystania z systemu.”

• Zidentyfikować problemy jakości danych i poprawić reprezentatywność.
• Zaprojektować explainability: uproszczone wyjaśnienia dla klientów i szczegółowe raporty dla nadzoru.
• Wprowadzić testy na halucynacje i reguły ręcznej weryfikacji.
• Prowadzić rejestry zdarzeń, audyty i nadzór człowieka zgodnie z AI Act.

Technologie napędzające zmiany: od OCR i RPA po generatywną AI

Nowe warstwy technologiczne łączą OCR, RPA i modele ML, by przekształcić papier i obraz w dane gotowe do oceny ryzyka.

ML i scoring: setki zmiennych i integracja danych

PKO BP wykorzystuje modele oparte na setkach zmiennych, łącząc dane transakcyjne i zewnętrzne. To podnosi trafność scoringu i redukuje fałszywe odrzucenia.

Generatywna AI: wnioski z obrazu i tekstu

Rozwiązania takie jak VeloBank używają GenAI (GPT‑4 Turbo) do uzupełniania wniosków z obrazu. Pekao (przeczytAI) automatyzuje OCR i ekstrakcję >1,5 mln dokumentów/kwartał.

Fraud i anomalia: wykrywanie w czasie rzeczywistym

Analiza strumieniowa i reguły detekcji pozwalają identyfikować oszustwa niemal natychmiast. Asystenci głosowi i tekstowi w Aliorze i Santanderze odciążają pracę zespołów, przyspieszając odpowiedzi.

• Fundament: OCR + RPA do automatyzacji dokumentów.
• Skuteczność: modele ML integrują wiele źródeł danych.
• Możliwości: generatywna AI przekształca pytania i obrazy w kompletne wnioski.

Dobór rozwiązań zależy od dojrzałości procesu, dostępności danych i architektury MLOps.

Model hybrydowy: “AI + człowiek” jako złoty standard decyzyjny

Model hybrydowy łączy szybkość automatyki z odpowiedzialnością człowieka i staje się praktycznym standardem w działaniu banku.

Prawo (art. 105a i CCD2) gwarantuje interwencję ludzką i prawo do wyjaśnień. W praktyce banki przyjmują zasadę: sprawy proste — automat, sprawy złożone — eskalacja do doradcy.

Przykłady rynkowe potwierdzają ten schemat. PKO BP daje decyzje „od ręki” dla prostych wniosków. Alior InfoNina i Santi (Santander) obsługują rutynowe sprawy, a doradca wkracza przy wyjątkach.

• Kontrola: definicja progów eskalacji i jasne reguły przejścia między systemem a człowiekiem.
• Rola doradcy: obsługa złożonych wniosków i weryfikacja wyników modeli.
• Komunikacja: sposób przekazywania klienta wyników i dostęp do zrozumiałych wyjaśnień.
• Metryki: pomiar jakości decyzji, liczba eskalacji i satysfakcja klientów.

„Model hybrydowy wzmacnia zaufanie klientów i pozwala bankowi zachować efektywność.”

W praktyce to połączenie daje najlepszy kompromis między tempem a odpowiedzialnością. Taki sposób działania ułatwia zgodność z regulacjami i poprawia doświadczenie osób korzystających z usług banku w tym roku.

Metryki sukcesu: jak mierzyć wpływ AI na kredyty i obsługę klienta

Skuteczność wdrożenia mierzy się liczbami — od czasu decyzji po satysfakcję klienta. Kluczowe KPI łączą metryki operacyjne z oceną doświadczeń klientów i kontroli ryzyka.

• time-to-yes — średni czas decyzji (minuty vs dni).
• acceptance rate i default rate — skuteczność selekcji; PKO BP raportuje ~+2 pp akceptacji.
• koszt na wniosek, AHT (Alior -15%), FCR, CSAT/NPS — operacyjna i klienta jakość.

Analizy danych wspierają cykliczną walidację modeli i procesów. Pekao przetwarza ~5 mln operacji rocznie i >1,5 mln dokumentów/kw., co daje miarę efektywności.

Metryki ryzyka obejmują dryf danych, stabilność wyników i liczbę eskalacji (Santander ~1% eskalacji). Systemy raportowania powinny mierzyć wydajność w czasie i alarmować o odchyleniach.

„Połączenie KPI operacyjnych z oceną satysfakcji i monitorowaniem ryzyka to warunek trwałego sukcesu.”

Raportowanie i metryki pracy pokazują też przesunięcia w zadaniach zespołów. Monitoruj przeadresowanie kompetencji, liczbę eskalacji i wpływ automatyzacji na jakość obsługi.

Roadmapa wdrożenia w banku: od pilotażu do skalowania w zgodzie z prawem

Każde wdrożenie zaczyna się od wyboru use‑case i jasno zdefiniowanych KPI. Pierwsze kroki to identyfikacja wartości biznesowej i analiza ryzyka prawnego.

Governance modeli, rejestry zdarzeń i nadzór człowieka

Governance obejmuje rejestry zdarzeń, wersjonowanie modeli i matryce odpowiedzialności. Zgodnie z AI Act (1 sierpnia 2024) konieczny jest nadzór człowieka i informowanie organu o kluczowych incydentach.

Testy, walidacja i ciągłe monitorowanie ryzyka modeli

W fazie pilotażu wykonajmy testy bias/fairness, stabilności i explainability. Należy wdrożyć MLOps, automatyczne alerty i procedury eskalacji do eksperta.

• Etapy: identyfikacja, pilotaż, ocena skutków dla praw podstawowych, plan zgodności, skalowanie.
• Usługi chmurowe: zgodność z Komunikatem UKNF, kontrola dostawców i audyty.
• Organizacja: szkolenia, zmiana pracy zespołów i komunikacja wewnętrzna.

„Gotowość na audyty i kamienie milowe w latach regulacyjnych zwiększa odporność banku na ryzyko.”

Horyzont “present” i najbliższe lata: scenariusze rozwoju rynku

W nadchodzących latach czeka nas pogłębiona automatyzacja decyzji oraz rozszerzenie zastosowań frontów konwersacyjnych. GenAI zyska praktyczne miejsce przy wnioskach z obrazów, a prace nad governance będą przyspieszone przez pełną stosowalność AI Act.

Regulacje spowolnią tempo wdrożeń, ale podniosą jakość nadzoru. Instytucje będą stopniowo wdrażać rygorystyczne rejestry zdarzeń i procedury eskalacji.

Banki będą równoważyć oczekiwania klientów — szybkość i samoobsługę — z prawem do interwencji człowieka. To oznacza hybrydowe ścieżki i jasne progi eskalacji.

• Technologie: GenAI, OCR, RPA i modele ML zyskają znaczenie.
• Możliwości: większa personalizacja ofert i skala prewencji ryzyka w portfelu.
• Metryki: konsolidacja platform i standaryzacja KPI ułatwią porównania.

„W kontekście rozwoju rynku kluczowe będzie łączenie szybkości z odpowiedzialnością.”

Wniosek

Polskie banki już wykorzystują sztuczna inteligencja, co widzimy w PKO BP, Pekao, Aliorze, Santanderze i VeloBanku. To przyspiesza sposób decyzji i skraca ścieżkę dla wniosków o kredytów.

Wdrażając rozwiązania opierające się na sztucznej inteligencji, należy równocześnie dbać o prawa klienta. Regulacje (art. 105a, AI Act, CCD2) wymagają przejrzystości, nadzoru człowieka i rejestrów.

W najbliższych latach (AI Act od 1 sierpnia 2024 r., pełna stosowalność high‑risk po trzech latach; CCD2 — implementacja do 20.11.2025, stosowanie od 20.11.2026) zmiany będą pogłębiać dostępność, ale też zwiększać wymogi governance i metryk. Data tych kamieni milowych wymusza pilne przygotowania.

Rekomendacja: rozwijać model hybrydowy „AI + człowiek”, mierzyć zdolności systemów i dbać o doświadczenie klienta. Taki sposób zapewnia równowagę między szybkością a bezpieczeństwem życia finansowego klientów.