Sztuczna inteligencja, instytucje finansowe i nowy ład regulacyjny

Sztuczna inteligencja coraz głębiej wchodzi do świata finansów, kredytów i nadzoru nad gospodarką. To już nie tylko technologia wspierająca banki i instytucje publiczne, lecz nowy system wpływu na decyzje ekonomiczne, bezpieczeństwo danych i relacje między państwem, rynkiem oraz obywatelem – pisze Marcin ZARZECKI

.2 sierpnia 2026 roku Unia Europejska przekroczy próg, którego konsekwencji większość uczestników rynku finansowego, łącznie z polskimi instytucjami, jeszcze nie wycenia z należytą powagą. Tego dnia wchodzą w życie pełne obowiązki dla systemów sztucznej inteligencji wysokiego ryzyka, wynikające z Rozporządzenia Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 roku — aktu o sztucznej inteligencji, znanego pod akronimem AI Act. Załącznik III tego rozporządzenia wymienia wprost dwa zastosowania finansowe jako wysokiego ryzyka, tj. ocenę zdolności kredytowej osób fizycznych oraz ocenę ryzyka i wycenę w ubezpieczeniach na życie i zdrowotnych.

To znaczy, każdy bank, każde towarzystwo ubezpieczeniowe, każdy fintech działający w Unii, w tym, zaznaczam, wszystkie polskie podmioty, będzie musiał wykazać zgodność swoich systemów scoringowych z reżimem porównywalnym do tego, jaki obowiązuje produkty medyczne czy lotnicze. Maksymalna kara za naruszenia i zakazane praktyki robi wrażenie. To 35 mln EUR lub 7% globalnego rocznego obrotu, zależnie od tego, która kwota jest wyższa (art. 99 ust. 3 AI Act, dotyczący naruszeń zakazanych praktyk z art. 5). Więcej niż przewiduje RODO, gdzie pułap to 20 mln EUR lub 4% rocznego obrotu.

Algorytm, dotąd techniczny element wewnętrznej infrastruktury banku, wchodzi w obszar prawa publicznego. Staje się obiektem nadzoru porównywalnego do tego, jakim Komisja Nadzoru Finansowego obejmuje portfel walutowych kredytów hipotecznych czy adekwatność kapitałową banków systemowo istotnych. To nie jest drobna zmiana regulacyjna. To redefinicja przedmiotu nadzoru.

.Piszę ten tekst z perspektywy podwójnej, jako socjolog pieniądza, którego od piętnastu lat zajmuje pytanie, jak instytucje finansowe stają się nośnikami społecznego zaufania, oraz jako członek organu, który odpowiada za stabilność polskiego pieniądza. Te dwie perspektywy nieraz są sprzeczne i właśnie z napięcia między nimi wynika, jak sądzę, najciekawsza diagnoza obecnego, historycznego momentu.

Bank Rozrachunków Międzynarodowych (BIS) w Bazylei, legendarna instytucja zrzeszająca 63 banki centralne reprezentujące około 95% światowej gospodarki, w czerwcu 2024 roku opublikował w Annual Economic Report rozdział o znaczeniu wykraczającym poza okazjonalną tematyzację technologii. W rozdziale III tego raportu, zatytułowanym „Artificial intelligence and the economy: implications for central banks”, BIS sformułował tezę, że sztuczna inteligencja „wpłynie na systemy finansowe, jak również na produktywność, konsumpcję, inwestycje i rynki pracy, a te z kolei mają bezpośrednie skutki dla stabilności cen i stabilności finansowej” (BIS, Annual Economic Report, 25 czerwca 2024, rozdz. III).

Sformułowanie typowo dyplomatyczne dla BIS, czyli ostrożne, nieodwołujące się do żadnych zastrzeżeń. W październiku 2025 roku BIS poszerzył tę diagnozę w obszernym opracowaniu „The use of artificial intelligence for policy purposes” (BIS, 10 października 2025), w którym wskazano cztery obszary już dziś zaadaptowane przez banki centralne, tj. zbieranie informacji i kompilację statystyk urzędowych, analizę makroekonomiczną wspomagającą politykę pieniężną, nadzór nad systemami płatniczymi oraz analizę stabilności finansowej.

Właściwie to opis bieżącej praktyki. Bank Centralny Brazylii prowadzi system ADAM identyfikujący kredytobiorców o wysokim ryzyku; Fed używa modeli uczenia maszynowego do dezagregacji inflacji usługowej; Europejski Bank Centralny eksperymentuje z dużymi modelami językowymi w analizie sentymentu komunikatów finansowych. Równolegle Rada Stabilności Finansowej (FSB), organ koordynujący politykę nadzorczą państw G20, w listopadzie 2024 roku przedstawiła raport „The Financial Stability Implications of Artificial Intelligence” (FSB, 14 listopada 2024). Zidentyfikowano cztery główne kategorie ryzyka systemowego. Po pierwsze, zależność od garstki dominujących dostawców infrastruktury chmurowej i sprzętu specjalistycznego, w praktyce kilku firm amerykańskich. Po drugie, korelacje rynkowe wynikające z masowego stosowania podobnych modeli i tych samych zbiorów danych treningowych. Po trzecie, podatność cybernetyczna, w tym scenariusze zatruwania modeli i kampanie dezinformacji generowanej przez AI. Po czwarte, ryzyko modelowe, a zwłaszcza brak rozumienia decyzji generowanych przez modele typu deep learning.

10 października 2025 roku FSB opublikowała raport „Monitoring Adoption of Artificial Intelligence and Related Vulnerabilities in the Financial Sector”, sygnalizujący, że nadzór finansowy znajduje się dopiero we wczesnej fazie monitorowania tych zjawisk. Mówiąc wprost, rynek wyprzedza regulatora szybciej, niż regulator nadąża reagować. To zjawisko określam asymetrią informacyjną drugiego rzędu. Nie chodzi już o klasyczną asymetrię między bankiem a klientem, opisaną przez George’a Akerlofa w 1970 roku w słynnym tekście o rynku „cytryn”. Chodzi o asymetrię między sektorem prywatnym a publicznym, między instytucjami finansowymi, które wdrażają AI, a regulatorami, którzy nie są w stanie nadążyć za tymi zmianami. Według siódmej edycji wspólnego badania Institute of International Finance i Ernst & Young z października 2025 roku, 90% ankietowanych instytucji finansowych deklaruje już aktywne wykorzystanie AI w produkcji, a 84% zadeklarowało rozwiązania oparte na generatywnej AI (IIF-EY, „Annual Survey Report on AI Use in Financial Services”, październik 2025; próba 61 instytucji z 8 regionów świata, w tym G-SIB-ów, ubezpieczycieli, asset managerów i pozostałych banków).

Polski sektor bankowy długo wskazywany był jako jeden z najnowocześniejszych w Europie pod względem cyfryzacji obsługi detalicznej. Skłaniam się do tego sądu z pewnym dystansem, bowiem zaawansowanie aplikacji mobilnej i interfejsu klienta to nie to samo co zaawansowanie infrastruktury decyzyjnej. Niemniej fakty, w ostatnich dwóch latach polski sektor przeszedł znamienną rekonfigurację i AI rzeczywiście podejmuje decyzje o przyznaniu kredytu, ustaleniu marży, wykryciu transakcji jako podejrzanej.

PKO Bank Polski, z aktywami 554,57 mld zł, największa instytucja finansowa Rzeczypospolitej według stanu na koniec III kwartału 2025 roku (PKO BP, raport za III kw. 2025), w marcu 2026 roku poinformował, że przy zastosowaniu sztucznej inteligencji i metod uczenia maszynowego udzielił w 2025 roku kredytów na kwotę niemal 53 mld zł (52,7 mld zł). Wiceprezes instytucji podał na konferencji prasowej 12 marca 2026 roku, że technologia „pozwoliła wygenerować 1,5 mld zł dodatkowych kredytów, których byśmy bez tej technologii nie udzielili, bez wpływu na ryzyko” (PKO BP, konferencja prasowa, 12 marca 2026; PAP Biznes). Bank dodał, że dzięki tym systemom kredyt otrzymało dodatkowo 41 tys. klientów. To stwierdzenie warto powtórzyć, dodatkowe półtora miliarda złotych finansowania dzięki ulepszonej analizie ryzyka, bez podwyższenia akceptowalnego poziomu strat. Jeżeli przyjąć tę liczbę za prawdziwą, mówimy o realnym zwiększeniu dostępu do kredytu dla polskich gospodarstw i małych przedsiębiorców.

Bank konsekwentnie realizuje strategię ogłoszoną pod hasłem „AI everywhere”. Centrum Kompetencji AI PKO BP, prowadzone we współpracy z Ośrodkiem Przetwarzania Informacji – Państwowym Instytutem Badawczym (OPI PIB), opracowało polskojęzyczne modele językowe trenowane na zbiorach specyficznych dla rodzimego sektora finansowego, między innymi polish-roberta-8k, model przystosowany do długich dokumentów regulacyjnych (do 8192 tokenów, ok. 15 stron A4), udostępniony publicznie na platformie we wrześniu 2025 roku. Według informacji prasowej banku z listopada 2025 roku, z narzędzi opartych na AI codziennie korzystają tysiące pracowników: w obsłudze klienta, w analizie ryzyka, w compliance (PKO BP, „Tysiące pracowników PKO Banku Polskiego korzysta z technologii AI”, 21 listopada 2025). Bank zbotował też 320 procesów biznesowych; według własnych danych boty wykonały już ponad 300 mln zadań (PKO BP, komunikat prasowy, lipiec 2024). Symboliczne znaczenie ma rozwiązanie „Talk to IKO”, głosowy interfejs aplikacji mobilnej. Pamiętam pierwsze testy tego narzędzia jeszcze sprzed pandemii. Wówczas wzbudzało raczej rozbawienie niż zaufanie ponieważ boty często rozumiały komunikaty komicznie błędnie, ku radości lub złości użytkowników. W 2025 roku narzędzie osiągnęło poziom, w którym potrafi prowadzić naturalną konwersację, analizować historię transakcji klienta i sugerować optymalizację wydatków. To nie jest ten sam produkt, co pięć lat temu.

Bank Pekao, drugi pod względem aktywów (338,2 mld zł według danych po III kw. 2025) rozwija platformę Empatia. Narzędzie z ironicznym imieniem, biorąc pod uwagę jego funkcjonalność. Algorytm sztucznej inteligencji, który „przeczytał” setki tysięcy opinii klientów o aplikacji mobilnej, produktach, usługach, placówkach i bankomatach (Bank Pekao, materiały prasowe Biura Rozwoju Sztucznej Inteligencji, 2025). Bank dostaje syntetyczną informację zwrotną, czyli co użytkownicy chwalą, co wymaga poprawy, gdzie pojawiają się nowe wzorce niezadowolenia. Z perspektywy socjologii konsumpcji to konstrukt fascynujący i niepokojący jednocześnie. Fascynujący, bo daje bankowi wgląd w behawior klienta o precyzji dotąd nieosiągalnej. Niepokojący, bo „empatia” w tym ujęciu staje się funkcją algorytmiczną, jest wytwarzana przez maszynę, nie przez relację międzyludzką. Pierre Bourdieu zapewne nazwałby to symboliczną przemocą wbudowaną w nowy mechanizm pomiaru — instytucja decyduje, co jest opinią wartą przetworzenia, a co szumem. Z drugiej strony, i tu staję na przekór własnemu krytycznemu nawykowi, gdyby klient miał wybór, czy jego skarga znikła w archiwalnym repozytorium, czy raczej została przeczytana i sklasyfikowana przez algorytm jako sygnał do wsparcia, raczej wybrałby to drugie rozwiązanie.

Z kolei mBank wdrożył asystentów AI w obszarze inwestycji. Otworzyło to doradztwo, dotąd zarezerwowane dla bankowości prywatnej, znacznie szerszej grupie klientów. Algorytmy budują z klientem zdywersyfikowane portfele oparte na profilu ryzyka i celach finansowych, jednocześnie tłumacząc mechanizmy rynkowe. Tu pojawia się klasyczny problem etyczno-regulacyjny, gdy doradztwo inwestycyjne odbywa się przez maszynę, granica między edukacją finansową a sprzedażą produktu ulega zatarciu. AI Act i MiFID II nakładają w tym obszarze obowiązki transparencji, ale czas pokaże, czy w praktyce zostaną zachowane.

ING Bank Śląski (283,0 mld zł aktywów) i Santander Bank Polska (317,4 mld zł, po sfinalizowanej 9 stycznia 2026 roku transakcji nabycia 49% akcji przez austriacką Erste Group za łącznie 7 mld EUR, w tym ok. 6,8 mld EUR za pakiet w banku po 584 zł za akcję i ok. 0,2 mld EUR za 50% udziałów w Santander TFI; rebranding na Erste Bank Polska zaplanowano na II kwartał 2026 roku) podążają drogą bardziej powściągliwą, koncentracją na wykrywaniu oszustw i przeciwdziałaniu praniu pieniędzy. Polski sektor bankowy mierzy się obecnie z ponad 1700 cyberatakami tygodniowo (raport DXC Technology i BLIK, „Cyfrowa Gwiazdka w erze Zero Trust”, grudzień 2025). To skala, która bez automatyzacji wykrywania byłaby po prostu nie do opanowania. BNP Paribas Bank Polska testuje modele behawioralne przetwarzające dane klientów na potrzeby personalizacji usług. Alior Bank rozwinął bota InfoNina, który po początkowych trudnościach osiągnął poziom swobodnej komunikacji.

Osobny akapit należy się BLIK-owi. Jeżeli mamy mówić o polskich osiągnięciach w dziedzinie finansów cyfrowych, to system stworzony w porozumieniu sześciu konkurujących na co dzień banków jest najlepszym kontrprzykładem dla popularnej tezy, że Polska nie potrafi zbudować własnej infrastruktury cyfrowej. Może. Zbudowała. Liczby, niekiedy lepiej niż słowa mówią same za siebie. W 2025 roku użytkownicy BLIK-a zrealizowali 2,9 mld transakcji o łącznej wartości 441,5 mld zł. Tylko w IV kwartale: 785,7 mln operacji za 121,7 mld zł. W ciągu zaledwie tych dwunastu miesięcy Polacy zrealizowali ponad 40% łącznej liczby operacji wykonanych w całej pierwszej dekadzie działalności systemu. Przeciętnie 8 mln transakcji dziennie, w sekundzie ok. 92 płatności. W rekordowym dniu minionego roku użytkownicy wykonali niemal 13 mln transakcji (Polski Standard Płatności, dane za 2025 rok, komunikat z 17 lutego 2026). Według raportu firmy doradczej EY zatytułowanego „10 lat BLIKNĘŁO. Zmiany w płatnościach i gospodarce Polski” (EY, marzec 2025), już w 2024 roku działalność BLIK-a wspierała wytworzenie 1,2% polskiego PKB, tj. 42 mld zł wartości dodanej. To kwota porównywalna z rocznymi wydatkami Polaków na usługi noclegowe i wakacyjne lub nakładami państwa na szkolnictwo wyższe. Analitycy EY prognozują, że jeżeli operator zrealizuje cel podwojenia wartości transakcji do 2027 roku, wpływ na PKB sięgnie 2,1%. Liczby budujące, choć trzeba pamiętać, że metodologia szacowania wkładu sektora płatniczego do PKB pozostaje w literaturze przedmiotem dyskusji.

Co tu robi sztuczna inteligencja? Cały system bezpieczeństwa BLIK opiera się na analizie behawioralnej w czasie rzeczywistym. Każda transakcja jest skanowana algorytmami pod kątem nietypowych wzorców — godziny, miejsca, kwoty, częstotliwości, urządzenia. Większość polskich konsumentów nie wie, że ich sześciocyfrowy kod, wpisywany w sklepie online, w ułamku sekundy przepływa przez kilkanaście warstw modeli uczenia maszynowego. To one decydują, czy transakcja jest zautoryzowana automatycznie, czy wymaga dodatkowej weryfikacji, czy wreszcie powinna zostać zablokowana jako podejrzana.

23% Polaków padło już ofiarą oszustwa online (DXC–BLIK, raport „Cyfrowa Gwiazdka”, grudzień 2025) — bez tej warstwy AI odsetek ten byłby niewątpliwie wyższy. Pamiętam zresztą sytuację, kiedy próbowałem zapłacić BLIK-iem w niewielkiej księgarni internetowej w Krakowie, kupując książkę. Transakcja została automatycznie zatrzymana, choć kwota nie była duża. System wykrył nietypowy wzorzec, zwykle robię zakupy z innego urządzenia. Zaproponowano mi dodatkową weryfikację. Po jej dokonaniu transakcja została zrealizowana w trzy minuty. Z perspektywy konsumenta to drobna niedogodność. Z perspektywy systemu przykład działania, które dziennie ratuje dziesiątki tysięcy Polaków przed konkretną  stratą.

To jest właśnie ta cienka warstwa codziennej technologicznej obecności AI, której nie zauważamy, bo działa niejawnie. Dopiero gdy zawiedzie albo gdy zatrzyma transakcję, uświadamiamy sobie, że istnieje. BLIK rozszerza obecność międzynarodową. Pierwszy pilotażowy transgraniczny przelew na telefon w euro — z portugalskiego MB WAY do klienta Santander Bank Polska — zaprezentowano podczas Web Summit 2025 w Lizbonie w listopadzie 2025 roku. 19 grudnia 2025 roku przelew z MB WAY przyjął pierwszy klient PKO BP, a w lutym 2026 roku zrealizowano pierwszy pilotażowy przelew euro między hiszpańskim systemem Bizum a PKO BP (BLIK, komunikaty prasowe; Cashless.pl, luty 2026). Lista państw, w których zarejestrowano zbliżeniowe transakcje BLIK, w 2025 roku powiększyła się o trzynaście rynków.

Polski rynek finansowy w wymiarze AI to nie tylko sektor bankowy. Allegro Pay, usługa płatności odroczonych, która w 2025 roku osiągnęła wolumen liczony w setkach milionów transakcji, opiera całą swoją infrastrukturę decyzyjną na własnych modelach scoringu. Decyzja o przyznaniu limitu BNPL (Buy Now Pay Later) zapada w ułamkach sekundy, na podstawie historii zachowań w platformie e-commerce, która przewyższa skalą większość polskich banków. To zresztą jest przykład zjawiska szerszego, przesuwania centrum decyzji finansowych z instytucji finansowych regulowanych do platform technologicznych, które dopiero pod presją AI Act i DORA zostają sklasyfikowane jako podmioty wymagające nadzoru.

System Express Elixir, prowadzony przez Krajową Izbę Rozliczeniową, jako jeden z pierwszych w Europie umożliwił przelewy w czasie rzeczywistym. Mała rzecz, do której się przyzwyczailiśmy, a która w skali europejskiej była przykładem polskiej awangardy infrastrukturalnej. KIR od kilku lat wdraża algorytmy sztucznej inteligencji w detekcji wzorców oszustw, w obsłudze polecenia zapłaty, w autentykacji silnej wymaganej przez dyrektywę PSD2. Skala Express Elixir w 2024 roku sięgała blisko 100 mln transakcji o wartości przekraczającej 300 mld zł. Aby każda z nich została zwalidowana w czasie rzeczywistym, niezbędna jest infrastruktura predykcyjna oparta na uczeniu maszynowym.

Aby ułożyć powyższe wątki w obraz makroekonomiczny: na koniec 2023 roku aktywa instytucji tworzących polski system finansowy wyniosły 4,0 bln zł (NBP, „Rozwój systemu finansowego w Polsce w 2023 r.”, listopad 2024). Sektor bankowy wciąż dominuje, a w 2024 roku odnotował zysk netto w wysokości 42,2 mld zł według danych Komisji Nadzoru Finansowego (KNF, prezentacja wyników sektora bankowego, luty 2025; późniejsza korekta NBP wskazała 40,16 mld zł). Jest to wynik, którego skala wywołała publiczną debatę o podwyższeniu CIT bankowego, ostatecznie wprowadzonego od 1 stycznia 2026 roku. Wysoka rentowność daje sektorowi przestrzeń na inwestycje technologiczne. Jednocześnie nowy CIT bankowy oraz seria postępowań prawnych dotyczących walutowych kredytów hipotecznych (oraz kredytów złotowych z oprocentowaniem WIBOR) tworzą presję, która nakazuje te inwestycje dyscyplinować.

Komisja Nadzoru Finansowego w priorytetach nadzorczych na 2026 rok wymieniła wykorzystanie sztucznej inteligencji jako jeden z ośmiu kluczowych obszarów nadzoru obok sektora bankowego, usług płatniczych, sektora kapitałowego, ubezpieczeniowego, rynku kredytu konsumenckiego, obszaru prawnego oraz odporności cyfrowej (KNF, „Priorytety nadzorcze UKNF na 2026 rok”, grudzień 2025). To zapowiedź podwójnej roli polskiego regulatora, który sam zamierza wdrożyć AI w działaniach nadzorczych w zakresie analizowania i przetwarzania danych (rozwijając w szczególności modele NLP), jednocześnie egzekwując reżim AI Act od podmiotów nadzorowanych. Architektura prawna, którą polskie banki muszą uwzględnić, jest wielopiętrowa i powiedzmy szczerze — chaotyczna. Wynika z faktu, że regulacje europejskie powstawały w różnych okresach, w odpowiedzi na różne kryzysy, i nie zostały w pełni zharmonizowane. 

.Europejski Urząd Nadzoru Bankowego (EBA) w listopadzie 2025 roku opublikował dokument „AI Act: implications for the EU banking and payments sector”, w którym zmapował każdy artykuł AI Act względem istniejącego dorobku regulacyjnego sektora bankowego. Konkluzja EBA jest pragmatyczna, większość wymogów AI Act jest już obecna w istniejących ramach, a nowe obowiązki dotyczą głównie dokumentacji, transparentności i nadzoru człowieka. EBA zapowiada wsparcie wdrożenia w latach 2026–2027 poprzez promowanie wspólnego podejścia nadzorczego między krajowymi organami właściwymi (EBA Report, listopad 2025). Komisja Europejska świadoma napięć między tempem wdrożenia a możliwościami operacyjnymi sektora, w listopadzie 2025 roku, uruchomiła procedurę tzw. Digital Omnibus, pakietu zmian harmonizujących AI Act, DORA, RODO oraz dyrektywy sektorowe. Propozycje przesunięcia daty pełnego wejścia w życie obowiązków dla systemów wysokiego ryzyka z 2 sierpnia 2026 na 2 grudnia 2027 roku są obecnie przedmiotem prac Parlamentu Europejskiego. Kierunek jest jednak nieodwracalny.

Sytuacja banku centralnego w erze sztucznej inteligencji jest osobliwie dwuznaczna. Z jednej strony Narodowy Bank Polski, podobnie jak Europejski Bank Centralny, Fed, Bank Anglii, Bundesbank, staje się użytkownikiem AI we własnych procesach. BIS w raporcie z października 2025 roku wskazał konkretne zastosowania w bankach centralnych: ekstrakcję informacji z nieustrukturyzowanych źródeł danych (komunikaty firm, doniesienia medialne, posty w mediach społecznościowych), modelowanie inflacji w czasie rzeczywistym za pomocą sieci neuronowych potrafiących rozkładać inflację usługową na komponenty (efekt poprzednich wzrostów cen, oczekiwania inflacyjne, luka popytowa, ceny międzynarodowe), wykrywanie pojawiających się ryzyk finansowych przez analizę przepływów płatniczych i danych nadzorczych w zakresie szczegółowości dotąd nieosiągalnym dla tradycyjnej ekonometrii. Z drugiej strony bank centralny pozostaje strażnikiem stabilności finansowej, którą AI zarazem wzmacnia (przez lepszą identyfikację zagrożeń) i podważa (przez nowe kategorie ryzyka systemowego).

NBP w „Raporcie o stabilności systemu finansowego” z czerwca 2025 roku oraz grudnia 2025 roku sygnalizuje napięcia regulacyjno-prawne i rosnącą rolę ryzyka technologicznego w portfelu zagrożeń sektora. Co zgadza się z międzynarodową diagnozą, rosnąca koncentracja na garstce dostawców chmury i hardware (Microsoft, Amazon, Google, NVIDIA, OpenAI) tworzy pojedyncze punkty krytyczne dla całego globalnego systemu finansowego. Warto w tym kontekście odnotować, że BIS w listopadzie 2025 roku wezwał banki centralne, by „podniosły poprzeczkę” zarówno jako obserwatorzy efektów AI w gospodarce, jak i jako użytkownicy technologii. Wezwanie ma swoje podstawy w realnej obserwacji danych, bowiem tempo wdrożeń AI przez gospodarstwa domowe i firmy znacznie wyprzedza tempo, w jakim banki centralne potrafią ocenić jego efekty makroekonomiczne. Mówiąc inaczej, regulator gra w szachy, a rynek tymczasem rozegrał już partię w go.

Pozwolę sobie wskazać trzy kategorie ryzyka, które uważam za najistotniejsze z perspektywy polityki monetarnej i nadzoru systemowego, a które bywają niedoszacowane w publicznych debatach. BIS w opracowaniu z 8 września 2025 roku „Managing explanations: how regulators can address AI explainability” autorstwa Fernando Pereza-Cruza, Jermy’ego Prenio, Fernando Restoya i Jeffery’ego Yonga (FSI Occasional Papers nr 24, BIS Financial Stability Institute) podkreślił, że ograniczone rozumienie złożonych modeli AI stwarza fundamentalne wyzwanie. Wyjaśnialność (explainability), w sensie technicznym , to stopień, w jakim wyjście modelu może być zinterpretowane przez człowieka na poziomie umożliwiającym zrekonstruowanie logiki decyzji. Bez niej organ nadzorczy nie potrafi zweryfikować, czy nie doszło do dyskryminacji ze względu na płeć, wiek, miejsce zamieszkania czy narodowość, czyli kategorie chronione prawem antydyskryminacyjnym. Modele typu deep learning bywają w tym wymiarze fundamentalnie nieprzeźroczyste. To są klasyczne czarne skrzynki w terminologii Franka Pasquale’a, którego książkę „The Black Box Society” z 2015 roku uważam za jedną z najistotniejszych prac socjologicznych ostatniej dekady. Pasquale pokazał, że społeczeństwo, w którym kluczowe decyzje (kredytowe, zatrudnieniowe, polityczne) są podejmowane przez algorytmy, tworzy nową formę władzy. Nie autorytarną w sensie politycznym, lecz epistemiczną — władzę nad tym, co można w ogóle wiedzieć o własnej sytuacji.

Gdy setki banków używa podobnych modeli ryzyka, trenowanych na podobnych zbiorach danych, dostarczanych przez tych samych dostawców, ich reakcje na szoki rynkowe stają się skorelowane. Klasyczna tradycja teorii finansów ostrzega przed tym co najmniej od czasów flash crash z 6 maja 2010 roku, kiedy w ciągu kilkunastu minut indeks Dow Jones spadł o blisko 1000 punktów wskutek skoordynowanego zachowania algorytmów handlu wysokoczęstotliwościowego (raport wspólny SEC i CFTC, „Findings Regarding the Market Events of May 6, 2010”, 30 września 2010). AI Act i FSB explicite identyfikują to zagrożenie jako korelacje rynkowe wynikające z masowej adopcji podobnych modeli. Co istotne — i co zwykle umyka publicznej debacie — chodzi nie tylko o handel wysokoczęstotliwościowy. Chodzi też o decyzje kredytowe. Jeżeli wszystkie polskie banki używają zbliżonych modeli scoringowych, opartych na podobnych zbiorach danych BIK i Krajowej Informacji Gospodarczej, to ich reakcja na pogorszenie sytuacji gospodarczej będzie skorelowana. A skorelowana reakcja sektora kredytowego to mechanizm, który potrafi sztorm wzmocnić w huragan. To wymiar, do którego klasyczna socjologia ekonomiczna ma własne narzędzia. Zaufanie, jakie współczesny obywatel pokłada w systemach finansowych, opisał już Anthony Giddens w 1990 roku jako zaufanie do systemów, których działania nie rozumiemy, ale którym ufamy ze względu na zaufanie do otaczających je instytucji. W tym sensie AI w finansach jest paradygmatycznym przykładem. Zwiększa wygodę, dostępność, szybkość transakcji równocześnie likwidując ostatnie stałe punkty oparcia, czyli możliwość zrozumienia, dlaczego coś się stało tak, a nie inaczej. Ten paradoks emancypacji, która rodzi nową niepewność, wydaje mi się trafnie opisywać ów moment historyczny.

.Czy AI w finansach to zagrożenie, które należy okiełznać, czy szansa, którą należy wykorzystać? Pytanie tak postawione jest fałszywe. Jest jednym i drugim w proporcjach zależnych od jakości polityki publicznej i jakości nadzoru.

Według analizy McKinsey & Company „How AI will transform banking” (grudzień 2024), zastosowanie systemów wieloagentowych do przygotowywania memorandów kredytowych przynosi wzrost produktywności analityków rzędu 20–60% (w zależności od organizacji) oraz przyspiesza decyzje kredytowe o około 30%. Jednocześnie mamy obowiązek pamiętać, że każda technologia rządząca dystrybucją zasobów ekonomicznych, a przecież tym jest nowoczesny scoring kredytowy — jest formą władzy. Odebrać człowiekowi kredyt na podstawie nieprzejrzystego algorytmu to coś więcej niż podjąć decyzję ekonomiczną. To sformułować osąd o jego wiarygodności społecznej w sposób, który nie podlega odwołaniu, bo nie podlega zrozumieniu. Powstaje pytanie z wnętrza klasycznej socjologii Maxa Webera – co się dzieje z biurokracją racjonalną, kiedy jej decyzje stają się formalnie racjonalne, ale materialnie nieinterpretowalne? 

Symetria wymaga, by obok tych zastrzeżeń wskazać równie wyraźnie, co AI w finansach już dziś realnie poprawia. Po pierwsze — inkluzję finansową. Modele alternatywne (analiza historii płatności rachunków, danych behawioralnych, transakcji niegotówkowych) potrafią ocenić wiarygodność osób, które tradycyjny scoring odrzucał z braku historii kredytowej; sam PKO BP wskazał, że dzięki zaawansowanej analityce ML kredyt otrzymało dodatkowo 41 tys. klientów. Po drugie — bezpieczeństwo transakcji. Bez warstwy uczenia maszynowego analizującej w czasie rzeczywistym ponad 1700 cyberataków tygodniowo na polski sektor finansowy, wskaźnik ofiar oszustw online byłby istotnie wyższy niż dzisiejsze 23% Polaków. Po trzecie — efektywność operacyjną banków, która przekłada się na koszt usług dla klienta końcowego: redukcja czasu obsługi reklamacji, automatyzacja procesów AML, szybsza obsługa wniosków hipotecznych. Po czwarte — wsparcie nadzoru. Komisja Nadzoru Finansowego rozwija własne modele NLP do analizy dokumentacji nadzorczej, co w średnim terminie powinno skrócić cykle kontrolne i podnieść ich precyzję. Po piąte — możliwości diagnostyczne dla samego banku centralnego: szybsze wykrywanie napięć w przepływach płatniczych, bardziej precyzyjne projekcje inflacji, sprawniejsza analiza sentymentu komunikacji rynkowej. To są realne korzyści, mierzalne i powtarzalne. Pytanie nie brzmi zatem, czy je przyjąć, lecz w jakim porządku instytucjonalnym je rozwijać, by korzyści dystrybuowały się szerzej, a ryzyka były rozpoznawane i zarządzane proporcjonalnie do ich wagi.

Polski sektor finansowy dzięki konsekwentnej cyfryzacji ostatniego dwudziestolecia znajduje się w grupie liderów europejskich. To kapitał, który warto chronić, i zarazem kapitał, który zobowiązuje. Zobowiązuje do tego, by polskie wdrożenia AI były nie tylko najnowocześniejsze, ale też najbardziej przejrzyste. By Komisja Nadzoru Finansowego i Narodowy Bank Polski nie podążały z opóźnieniem za rzeczywistością, lecz aktywnie współkształtowały jej kierunek. By regulator i nadzorowany rozumieli się wzajemnie nie tylko przez dokumenty zgodności, ale przez wspólne ramy myślenia o ryzyku, odpowiedzialności i zaufaniu.

.2 sierpnia 2026 roku lub w terminie, który ostatecznie ustali Digital Omnibus, algorytm w europejskiej regulacji finansowej zostanie po raz pierwszy potraktowany na równi z lekiem, samolotem czy urządzeniem medycznym. Nie wskutek dramatycznego zastąpienia człowieka, lecz wskutek ostrożnej regulacji, która uznaje, że pewne decyzje nie mogą się dziać bez nadzoru nad procesem ich powstawania, dokumentacją i wyjaśnialnością. To moment historyczny, pierwszy raz w dziejach europejskiej regulacji finansowej kategoria techniczna została wpisana w obowiązki zgodności porównywalne z najściślej regulowanymi sektorami przemysłu. Algorytm nie staje się podmiotem prawa ale staje się formalnym przedmiotem nadzoru, a odpowiedzialność za jego działanie pozostaje przypisana instytucji, która go wdraża. Nie przyzwyczailiśmy się jeszcze do tej niezwykłej przecież myśli. Powinniśmy. Bowiem świat po tej dacie to już futurologia rodem ze scenariuszy SF, o konsekwencjach których jeszcze nie umiemy przewidzieć, ale już próbujemy okiełznąć.

Marcin Zarzecki