mBank wdraża AI. Pięć projektów, które już działają

MBank nie testuje AI. Wdraża ją.

Krzysztof Dąbrowski, COO banku, mówi w rozmowie dla ITwiz wprost: to strategiczna decyzja, nie eksperyment. Efekty? Widać je już teraz — w pięciu działających inicjatywach opartych na Generatywną AI.

Żadna z nich nie jest chatbotem dla klienta. mBank poszedł zupełnie inną drogą.

Talk to Your Data — rozmawiasz z danymi jak z człowiekiem

Pierwsza inicjatywa to Talk to Your Data. W praktyce to narzędzie dla analityków.

Zamiast pisać skomplikowane zapytania SQL — czyli język, którym "rozmawia się" z bazami danych — pracownik banku pisze po prostu: "Pokaż mi transakcje powyżej 10 tysięcy złotych z ostatniego miesiąca". System sam tłumaczy to na kod. I wyciąga dane.

Dla osoby bez wykształcenia technicznego to jak różnica między składaniem mebli z instrukcją w chińskim a powiedzeniem komuś: "Postaw tu szafę". Efekt ten sam. Czas? Znacznie krótszy.

MBank oszczędza godziny pracy analityków. I — co może ważniejsze — otwiera dostęp do danych dla osób, które wcześniej musiały czekać na specjalistów.

mKanon — AI pilnuje jakości dokumentów

Druga inicjatywa: mKanon. Tu AI sprawdza dokumenty wewnętrzne.

Bank ma setki regulaminów, procedur, instrukcji. Ktoś pisze nowy dokument? mKanon analizuje go i porównuje z istniejącymi standardami. Sprawdza, czy język jest spójny, czy nie ma sprzeczności, czy terminologia się zgadza.

To jak redaktor, który zna na pamięć wszystkie wcześniejsze teksty i pilnuje, żebyś nie napisał raz "klient", a raz "użytkownik" w tym samym kontekście.

Efekt? Mniej błędów. Szybsze zatwierdzanie dokumentów. I — co w banku kluczowe — mniejsze ryzyko prawne.

mComplaints — reklamacje bez ręcznego przepisywania

Trzeci projekt to mComplaints. AI analizuje reklamacje klientów.

Wcześniej: pracownik czyta maila, wyciąga kluczowe informacje, kategoryzuje problem, wpisuje do systemu. Teraz: AI robi to automatycznie. Rozpoznaje, czego dotyczy reklamacja, przypisuje do odpowiedniego działu, wyciąga daty i kwoty.

W skali banku obsługującego miliony klientów to setki godzin pracy miesięcznie.

I jeszcze jedno: AI nie ma złego dnia. Nie pomyli numeru konta, bo akurat kończy zmianę. Nie przeoczy detalu, bo dostała trzy reklamacje naraz.

Speech to text — nagrania rozmów zamieniają się w tekst

Czwarta inicjatywa: Speech to text. Tu AI transkrybuje nagrania rozmów z klientami.

MBank — jak każdy bank — nagrywa rozmowy. Dla bezpieczeństwa, dla jakości obsługi. Problem? Żeby znaleźć coś w nagraniu, trzeba go przesłuchać. Albo przesłuchać dziesiątki nagrań.

Teraz AI zamienia mowę na tekst. Automatycznie. I można przeszukiwać rozmowy jak dokumenty tekstowe. Wpisujesz: "klient pytał o kredyt hipoteczny" — i dostajesz listę rozmów, w których padło to słowo.

Dla działu kontroli jakości to przejście z kasety VHS do Netflixa. Wszystko przeszukiwalne. Wszystko dostępne od ręki.

mSmart — asystent dla pracowników

Piąty projekt: mSmart. To wewnętrzny asystent AI dla pracowników banku.

Dąbrowski nie podaje szczegółów, ale z kontekstu wynika: to narzędzie, które pomaga w codziennej pracy. Odpowiada na pytania o procedury, podpowiada rozwiązania, wyciąga informacje z dokumentów.

I nigdy nie ma urlopu.

Dla pracownika to oszczędność czasu. Dla banku — szybsza obsługa klienta. Bo zamiast szukać informacji pół godziny, dostajesz ją w 30 sekund.

Jak mBank wybiera projekty AI?

Dąbrowski mówi o podejściu do wyboru projektów. I tu nie ma miejsca na "bo AI jest modne".

MBank patrzy na konkretny problem. Pyta: czy AI może go rozwiązać lepiej niż dotychczasowe metody? Czy efekt da się zmierzyć? Czy można to wdrożyć w rozsądnym czasie?

Jeśli odpowiedź brzmi "tak" — startują. Jeśli "nie" — szukają innego rozwiązania.

To podejście inżynierskie, nie marketingowe. Nie "zróbmy coś z AI, bo konkurencja robi". Tylko: "mamy problem X, AI rozwiąże go w sposób Y, zmierzymy efekt przez Z".

I to właśnie odróżnia eksperymenty od strategii.

Szybkie dostosowywanie modeli LLM

Jeszcze jedna rzecz, o której mówi COO: szybkie dostosowywanie modeli LLM — czyli "mózgu" AI takiego jak ChatGPT — do aktualnych potrzeb.

MBank nie czeka, aż ktoś z zewnątrz zrobi dla nich idealny model. Biorą istniejący (np. GPT-4o, Claude czy inny) i douczają go na własnych danych. Dodają kontekst bankowy, terminologię, specyfikę procesów.

Szybciej niż uczyć od zera.

Efekt? Model rozumie, że "ROR" to rachunek oszczędnościowo-rozliczeniowy, a nie błąd w pisowni. Że "WIBOR" to nie literówka, tylko wskaźnik finansowy.

I działa lepiej niż uniwersalny model "z pudełka".

Co to oznacza dla rynku?

MBank pokazuje, że AI w bankowości to nie przyszłość. To teraźniejszość.

I co może ważniejsze — nie chodzi tu o chatboty, które udają, że rozumieją klienta. Chodzi o narzędzia dla pracowników. O automatyzację procesów, które dotąd wymagały ręcznej pracy.

Dla klienta? Szybsza obsługa. Mniej błędów. Lepsze odpowiedzi.

Dla banku? Oszczędności. Skalowalność. Przewaga konkurencyjna.

Inne banki pewnie obserwują i notują. Pytanie nie brzmi "czy wdrażać AI". Tylko: "jak szybko".

Źródła

• ITwiz – GenAI to nie eksperyment. To świadoma, strategiczna decyzja banku