Wdrażanie AI w polskich bankach: strategie dla pracowników

Wdrażanie AI w polskich bankach oznacza przede wszystkim dobór modelu, w którym narzędzia sztucznej inteligencji trafiają do pracowników i klientów w kontrolowany sposób. Różnice między instytucjami dotyczą głównie tego, kto ma dostęp, jakie dane są wykorzystywane i na jakich zasadach.

Dlaczego banki w Polsce potrzebują uporządkowanego podejścia do AI?

Polska wypada w porównaniach europejskich słabo, jeśli patrzeć na skalę wykorzystania technologii w firmach. Według danych Eurostatu z 2025 roku AI stosuje 8,4% polskich przedsiębiorstw, co daje przedostatnie miejsce w Unii Europejskiej. Z innego badania, raportu EY, wynika natomiast, że 77% firm wdrożyło lub wdraża AI. Ta rozbieżność pokazuje, że deklaracje o wdrożeniach często wyprzedzają realne, dojrzałe zastosowania.

Dla sektora bankowego znaczenie ma zarówno tempo, jak i jakość. Bank operuje na danych wrażliwych, podlega nadzorowi i odpowiada za decyzje kredytowe, dlatego każde narzędzie musi przejść przez procedury bezpieczeństwa.

Wskaźnik	Wartość	Źródło
Przedsiębiorstwa korzystające z AI w Polsce	8,4%	Eurostat 2025
Firmy, które wdrożyły lub wdrażają AI	77%	raport EY
Organizacje, w których większość pracowników ma szeroki dostęp do AI	62%	raport EY

Jak banki udostępniają AI pracownikom?

Najprostszy podział to dwa podejścia: szeroki dostęp dla większości zespołu albo ograniczony, kontrolowany dostęp w zamkniętym środowisku. Raport EY wskazuje, że w 62% organizacji większość pracowników ma już szeroki dostęp do AI, co oznacza, że dla wielu firm pytanie nie brzmi już „czy”, lecz „jak”.

Model Nest Banku: kreatywność w bezpiecznym środowisku

Nest Bank opiera strategię na kreatywności własnych pracowników, ale w ramach modelu bezpiecznego wsparcia. Pierwszy wiceprezes zarządu Janusz Mieloszyk podkreśla, że rozwiązania działają w zamkniętym środowisku. Bank rozwija projekty Puchacz, Nest Store oraz AI Asystent Doradcy, dostępne wyłącznie dla pracowników. Dodatkowo udostępnia dedykowaną platformę, na której zespoły mogą samodzielnie budować rozwiązania AI. Według Mieloszyka inne banki zaczynają inspirować się jego wdrożeniami.

Model PKO BP: zespoły, dane i stanowisko CDO

PKO Bank Polski idzie w stronę zorganizowanej struktury. Bank tworzy dedykowane zespoły oraz stanowisko dyrektora ds. danych (CDO), odpowiedzialnego za jakość danych, bez których modele AI nie zadziałają poprawnie. Prezes zarządu Szymon Midera wskazuje aplikację PKO Prosto, która pozwala tworzyć proste treści dla klientów. Bank rozwija też zaawansowane wyszukiwarki semantyczne w dokumentach, AI w scoringu, kredytach i wykrywaniu nadużyć, a także automatyzację wytwarzania oprogramowania i inteligentne testowanie IT.

W tym modelu widać zależność: im szerszy zakres zastosowań, tym większa potrzeba nadzoru nad danymi. Warto zauważyć, że PKO BP pracuje również nad protokołami agentic AI oraz agentic commerce, czyli rozwiązaniami, w których system działa bardziej samodzielnie.

Czym grozi shadow AI i jak mu przeciwdziałać?

Shadow AI to zjawisko, w którym pracownicy sięgają po zewnętrzne narzędzia poza architekturą banku, bez wymogów bezpieczeństwa. Problem nie wynika ze złej woli, lecz z braku sprawdzonej alternatywy. Jeżeli oficjalne narzędzia są trudne w użyciu lub niedostępne, zespoły szukają rozwiązań we własnym zakresie.

Skuteczne przeciwdziałanie opiera się na trzech krokach:

1. Zapewnić pracownikom zatwierdzone narzędzia, które realnie ułatwiają pracę.
2. Ustalić jasne zasady, jakie dane mogą trafiać do systemów zewnętrznych.
3. Monitorować użycie i szkolić zespoły z zasad bezpieczeństwa.

Modele Nest Banku i PKO BP pokazują, że kontrolowany dostęp może być jednocześnie wygodny dla pracowników i bezpieczny dla organizacji.

Co pokazuje przykład Klarny?

Szwedzka firma Klarna stała się często cytowanym przykładem wdrożenia AI w obsłudze klienta. W lutym 2024 roku jej asystent oparty na technologii OpenAI obsłużył 2,3 mln konwersacji w pierwszym miesiącu i odpowiadał pracy 700 pełnoetatowych agentów. Czas rozwiązywania spraw skrócił się z 11 do poniżej 2 minut, a szacowany dodatkowy zysk w 2024 roku wyniósł 40 mln dolarów. Przy założeniu kursu około 4 zł za dolara daje to orientacyjnie 160 mln zł.

Parametr Klarny	Wartość
Konwersacje w pierwszym miesiącu (luty 2024)	2,3 mln
Odpowiednik pracy pełnoetatowych agentów	700
Czas rozwiązania sprawy przed wdrożeniem	11 minut
Czas rozwiązania sprawy po wdrożeniu	poniżej 2 minut
Szacowany dodatkowy zysk (2024)	40 mln dolarów

Ten przykład ma jednak drugą stronę. W maju 2025 roku Klarna ponownie zaczęła rekrutować pracowników obsługi. Rzeczniczka firmy Clare Nordstrom wskazała, że w sprawach złożonych potrzebna jest ludzka empatia. Dyrektor generalny Sebastian Siemiątkowski, cytowany przez Bloomberg, zwrócił uwagę, że redukcja kosztów obniżyła jakość obsługi. Wniosek dla banków jest prosty: automatyzacja sprawdza się w prostych zapytaniach, a przy trudnych sprawach kluczowa pozostaje rola człowieka.

Co to oznacza dla Ciebie?

Jeśli pracujesz w banku, w firmie finansowej albo w zespole odpowiedzialnym za wdrożenia technologii, najważniejsze jest rozróżnienie między dostępem do AI a jego bezpiecznym wykorzystaniem. Warto sprawdzić, jakie narzędzia są zatwierdzone w Twojej organizacji, i nie wprowadzać danych klientów do rozwiązań spoza tej listy. Jeśli dopiero planujesz wdrożenie, zacznij od jakości danych, zamkniętego środowiska testowego i jasnych reguł odpowiedzialności, a dopiero potem skaluj rozwiązania na cały zespół.