AI w bankowości — zastosowania w polskich bankach (2026)

Jak banki i instytucje finansowe wykorzystują AI w 2026 roku

AI w finansach obejmuje sześć głównych obszarów zastosowań. Każdy z nich rozwiązuje inny problem biznesowy i opiera się na odmiennych technologiach — tradycyjnym uczeniu maszynowym (ML) lub generatywnej AI (GenAI). To rozróżnienie ma znaczenie: ML w credit scoringu funkcjonuje w bankach od lat, podczas gdy chatboty oparte na dużych modelach językowych (LLM) to technologia wdrażana masowo dopiero od 2023 roku. AI Act traktuje te systemy inaczej — scoring to system wysokiego ryzyka, chatbot wymaga jedynie transparentności.

Sześć obszarów AI w bankowości

1. Credit scoring — algorytmy ML analizują setki zmiennych i podejmują decyzje kredytowe szybciej i dokładniej niż modele statystyczne. W PKO BP AI wspiera m.in. analizę portfela kredytów korporacyjnych o wartości 8,6 mld PLN (komunikat banku, VII 2024).
2. Fraud detection — systemy monitorują transakcje w czasie rzeczywistym, wykrywając anomalie i próby oszustw. mBank stosuje monitoring behawioralny użytkowników aplikacji.
3. Chatboty i voiceboty — obsługują klientów 24/7. Voiceboty PKO BP przeprowadziły ponad 70 mln rozmów, a sam Asystent głosowy IKO rozumie 360 tematów.
4. Personalizacja ofert — AI tworzy indywidualne propozycje produktów na podstawie historii transakcji i zachowań klienta (model segment-of-one).
5. Analiza dokumentów — OCR i NLP automatyzują przetwarzanie umów, wniosków i korespondencji. Bank Pekao wdrożył AI do analizy dokumentacji kredytowej.
6. Robo-advisory — algorytmy zarządzają portfelami inwestycyjnymi. W Polsce działają ING Investo, Finax i Portu.

Skala adopcji przekroczyła już etap eksperymentów. Według badania EY usługi finansowe to najbardziej zaawansowana operacyjnie branża w Polsce pod względem wykorzystania AI, a 52% organizacji z sektora ma za sobą pierwsze wdrożenia. AI stała się elementem infrastruktury bankowej, podobnie jak w innych branżach wdrażających AI.

Credit scoring z AI — jak działa i dlaczego jest dokładniejszy

Tradycyjny scoring kredytowy opiera się na kilkunastu zmiennych: historii kredytowej w BIK, dochodach, zatrudnieniu, wieku i kilku wskaźnikach zadłużenia. Model AI analizuje setki zmiennych jednocześnie — w tym wzorce zachowań w bankowości mobilnej, regularność wpływów, kategorie wydatków, a nawet porę dnia składania wniosku.

Case study: PKO BP (dane z komunikatu z 1 lipca 2024). Największy polski bank wykorzystuje AI do zarządzania ryzykiem kredytowym: ponad 80% decyzji kredytowych zapada z udziałem algorytmów uczenia maszynowego, AI ocenia ryzyko przy większości kredytów konsumpcyjnych i w sektorze MŚP oraz przy 30% kredytów hipotecznych, a modele wspierają też analizę portfela kredytów korporacyjnych o wartości 8,6 mld PLN. Wzrost akceptowalności wniosków kredytowych o 2 punkty procentowe bank podawał jako cel wdrożenia, a nie zmierzony rezultat — komunikat nie zawiera danych o faktycznym efekcie. Dane pochodzą z materiałów banku — niezależna weryfikacja nie została opublikowana, a od publikacji komunikatu minęły ponad dwa lata.

Algorytmy nie zastępują analityków — pełnią rolę pierwszego filtra, który automatycznie obsługuje standardowe wnioski. Przypadki graniczne i nietypowe trafiają do ludzkiej weryfikacji.

Istotne ograniczenie: modele AI mogą powielać historyczne biasy obecne w danych treningowych. Jeśli bank historycznie rzadziej udzielał kredytów określonym grupom demograficznym, model ML może ten wzorzec odtworzyć. AI Act (art. 6 w zw. z Załącznikiem III pkt 5 lit. b) klasyfikuje systemy służące do oceny zdolności kredytowej i ustalania scoringu kredytowego osób fizycznych jako systemy wysokiego ryzyka — banki będą musiały dokumentować dane treningowe, testować modele pod kątem dyskryminacji i zapewnić nadzór ludzki nad decyzjami. Obowiązki te zaczną obowiązywać 2 grudnia 2027 (szczegóły w sekcji o regulacjach).

Niezależnie od AI Act scoring kredytowy podlega już dziś dwóm regulacjom, o których łatwo zapomnieć:

• RODO art. 22 — zakazuje podejmowania decyzji opierających się wyłącznie na zautomatyzowanym przetwarzaniu, jeżeli wywołują one skutki prawne lub w podobny sposób istotnie wpływają na osobę. Wyjątki (m.in. niezbędność do zawarcia umowy czy wyraźna zgoda) wymagają zapewnienia prawa do interwencji człowieka, wyrażenia własnego stanowiska i zakwestionowania decyzji. W wyroku z 7 grudnia 2023 r. (sprawa C-634/21, SCHUFA) TSUE uznał, że samo wyliczenie scoringu przez biuro informacji kredytowej jest decyzją w rozumieniu art. 22, jeżeli bank w praktyce opiera na nim swoją decyzję kredytową.
• Prawo bankowe art. 70a — na wniosek kredytobiorcy bank ma obowiązek przekazać wyjaśnienie dotyczące dokonanej oceny zdolności kredytowej, w tym informację o czynnikach, które na tę ocenę wpłynęły. Termin: niezwłocznie, nie później niż 30 dni od otrzymania wniosku.

To dlatego w praktyce scoring w polskich bankach jest konstruowany jako wsparcie decyzji, a nie w pełni autonomiczny automat — pełna automatyzacja bez ścieżki odwoławczej do człowieka byłaby trudna do pogodzenia z art. 22 RODO.

Wykrywanie oszustw finansowych z AI (fraud detection)

Systemy antyfraudowe oparte na AI monitorują transakcje w czasie rzeczywistym, analizując wzorce zachowań klientów i porównując je z profilami ryzyka. Gdy transakcja odbiega od normy — np. przelew zagraniczny o 3:00 z nowego urządzenia na rachunek, na który klient nigdy nie przelewał — system generuje alert.

Jak działa proces

1. Dane wejściowe — lokalizacja, urządzenie, kwota, odbiorca, pora dnia, historia transakcji
2. Model ML — anomaly detection + behavioral analytics porównują transakcję z profilem klienta
3. Decyzja — przepuść / zablokuj / eskaluj do analityka
4. Feedback loop — decyzje analityków zasilają model, poprawiając przyszłą dokładność

mBank stosuje weryfikację behawioralną (rozwiązanie Digital Fingerprints) — system buduje profil zachowań użytkownika na podstawie m.in. sposobu poruszania myszą, dynamiki pisania na klawiaturze i korzystania z ekranu, a następnie w sposób ciągły porównuje z nim bieżącą aktywność po zalogowaniu, by wykryć przejęcie konta przez osobę trzecią.

BIK Platforma Antyfraudowa (PAF) — narzędzie udostępnione sektorowi finansowemu przez Biuro Informacji Kredytowej. Łączy dane z wielu instytucji, by identyfikować międzybankowe wzorce oszustw, których pojedynczy bank nie zobaczyłby w swoich danych. Według BIK platforma działa od 2017 roku, korzysta z niej 37 podmiotów (banki, firmy pożyczkowe, leasingowe i faktoringowe), stosuje ponad 150 reguł antyfraudowych, a średni czas weryfikacji zapytania to około 2 sekundy. Modele scoringowe (m.in. BIKSco FraudRisk) zbudowano metodami uczenia maszynowego. Bilans podawany przez BIK: 1,4 mld zł uchronione przed wyłudzeniem od startu platformy (stan na 31 maja 2026) — to dane operatora, nie niezależny audyt.

Biometria i rozpoznawanie emocji — granica, o której SERP milczy

Banki używają biometrii w dwóch bardzo różnych reżimach prawnych i warto je rozdzielić, bo konsekwencje są odmienne.

Biometria behawioralna (sposób trzymania telefonu, dynamika pisania, nawigacja po ekranach) służy uwierzytelnianiu i wykrywaniu przejęcia konta. Nie identyfikuje osoby zdalnie z tłumu — potwierdza, że to nadal ten sam użytkownik. Mieści się w wyłączeniu antyfraudowym.

Rozpoznawanie emocji to zupełnie inna kategoria — i tu polskie omówienia AI w bankowości popełniają dwa błędy naraz. Coraz częściej pojawia się pomysł, by system analizował ton głosu klienta na infolinii („czy jest zdenerwowany, czy zadowolony”) albo emocje pracownika call center. AI Act rozstrzyga te dwa przypadki inaczej:

• Emocje pracownika — zakazane. Art. 5 ust. 1 lit. f zakazuje systemów wnioskujących o emocjach osób fizycznych w miejscu pracy i w instytucjach edukacyjnych (motyw 44 rozporządzenia). Analiza nastroju konsultanta call center przez pracodawcę to praktyka zakazana — kara do 35 mln EUR lub 7% obrotu. Obowiązuje od 2 lutego 2025, już dziś.
• Emocje klienta — dozwolone, ale wysokie ryzyko. Zakaz z art. 5 nie obejmuje klienta, bo ten nie jest pracownikiem banku. Nie oznacza to jednak dowolności: Załącznik III pkt 1 lit. c klasyfikuje systemy rozpoznawania emocji jako systemy wysokiego ryzyka (motyw 54: „systemy rozpoznawania emocji, które nie są zakazane, należy zaklasyfikować jako systemy wysokiego ryzyka”). Termin: 2 grudnia 2027, razem z credit scoringiem. Dodatkowo art. 50 ust. 3 nakłada obowiązek poinformowania osoby, że jest poddana działaniu systemu rozpoznawania emocji — bank nie może analizować emocji klienta po cichu.

Praktyczny wniosek dla banku: analiza sentymentu na infolinii wymaga tej samej ścieżki zgodności co scoring kredytowy (dokumentacja, ocena zgodności, nadzór ludzki), a skierowanie tego samego narzędzia na własnych konsultantów jest po prostu zakazane.

AI w fraud detection to obszar, w którym regulacje są przychylne. Załącznik III pkt 5 lit. b AI Act wprost wyłącza z kategorii wysokiego ryzyka systemy stosowane w celu wykrywania oszustw finansowych — mimo że sam credit scoring do tej kategorii należy. Nie zwalnia to banku z zachowania proporcjonalności i zapewnienia klientowi wyjaśnienia, dlaczego transakcja została zablokowana. Automatyzacja procesów biznesowych w obszarze compliance i bezpieczeństwa to jeden z najszybciej rosnących segmentów zastosowań AI w sektorze finansowym.

AI w obsłudze klienta — chatboty, voiceboty, personalizacja

Obsługa klienta to najszybciej rosnący obszar zastosowań generatywnej AI w bankach. Trzy warstwy technologii działają równolegle:

Chatboty i voiceboty

Personalizacja ofert

Santander Bank Polska jako pierwszy bank w Polsce wdrożył chmurowy CRM Salesforce i wykorzystuje analitykę do dopasowywania ofert kredytowych do profilu klienta. Credit Agricole postawił na automatyzację zaplecza: bank używa ponad stu robotów RPA z elementami AI (jeden z nich wygrał konkurs Best in RPA 2023) i buduje własne OCR oparte na modelach wizyjnych.

Warto tu ostudzić marketingową narrację. „Segment-of-one” — traktowanie każdego klienta jako osobnego segmentu — jest technicznie wykonalny, ale nie ma dziś w Polsce banku, który zbudowałby tak zaawansowany system. To, co banki nazywają hiperpersonalizacją, jest w praktyce mocno zawężonym targetowaniem, a nie modelem indywidualnym dla każdego klienta.

PFM (Personal Finance Management)

Kategoryzacja transakcji i podsumowania wydatków to dziś podstawa PFM w polskich aplikacjach bankowych. Zaawansowane funkcje — prognozy przepływów, alerty budżetowe oparte na AI, asystent planujący budżet — wdraża dopiero kilka instytucji; mBank zapowiedział wirtualnego doradcę AI w aplikacji w strategii na lata 2026–2030. Uwaga terminologiczna: „mKanon” to standard prostego języka mBanku (obowiązuje w banku od 2014 r.), a nie narzędzie PFM — bywa to mylone w omówieniach AI w bankowości.

Robo-advisory — AI zarządza Twoimi pieniędzmi

Robo-doradztwo (robo-advisory) to zautomatyzowane zarządzanie portfelem inwestycyjnym. Algorytm profiluje ryzyko klienta, dobiera alokację aktywów (akcje, obligacje, ETF-y) i automatycznie rebalansuje portfel, gdy proporcje odchylą się od celu.

W Polsce robo-advisory już działa. UKNF wydał stanowisko w sprawie świadczenia usługi robo-doradztwa 4 listopada 2020 roku (30-stronicowy dokument), co dało ramy regulacyjne dla tego typu usług.

Robo-doradcy dostępni w Polsce

Aion Bank, który wcześniej oferował zautomatyzowane portfele w ramach abonamentu, został przejęty przez UniCredit i od 6 października 2025 działa pod marką UniCredit — jego oferta robo-doradcza w dotychczasowym kształcie nie jest już dostępna pod dawną nazwą.

Dla kontekstu globalnego: Wealthfront — jeden z największych robo-doradców na świecie, notowany na Nasdaq pod tickerem WLTH — raportował na 30 kwietnia 2026 rekordowe aktywa platformowe 96,6 mld USD (51,7 mld USD w zarządzaniu inwestycjami i 44,9 mld USD w zarządzaniu gotówką). Polski rynek jest o rzędy wielkości mniejszy i wciąż na wczesnym etapie.

Ograniczenia: robo-doradcy sprawdzają się w standardowych scenariuszach inwestycyjnych. Nie radzą sobie z nietypowymi sytuacjami (np. planowanie podatkowe przy sprzedaży firmy) i nie oferują emocjonalnego wsparcia, które ludzki doradca zapewnia w czasie paniki rynkowej.

Które polskie banki wdrażają AI — tabela porównawcza

Poniższa tabela to zestawienie wdrożeń AI w polskich bankach — oparte na publicznie dostępnych źródłach: komunikatach prasowych banków, artykułach bankier.pl, bank.pl i raportach branżowych. To pierwsza tak kompletna mapa AI w polskiej bankowości.

Jak czytać tabelę: ✅ oznacza wdrożenie potwierdzone publicznym komunikatem banku lub relacją prasy branżowej. Brak oznaczenia (—) nie oznacza braku technologii — bank może stosować AI wewnętrznie bez publicznej komunikacji. Odwrotnie też: ✅ w kolumnach „Credit Scoring AI” i „Fraud Detection” opiera się w części przypadków na ogólnych deklaracjach banków, nie na opisie konkretnego systemu — jedyne wdrożenie opisane liczbami przez sam bank to PKO BP. Dane pochodzą z komunikatów prasowych banków (m.in. PKO BP: VII 2024 i VII 2025, Bank Pekao, VeloBank) oraz z artykułów bankier.pl i bank.pl. Część komunikatów ma po kilkanaście miesięcy — skala wdrożeń mogła się od tego czasu zmienić.

Wnioski z tabeli:

• Credit scoring AI i fraud detection to standard — stosuje je praktycznie każdy duży bank w Polsce.
• Chatboty wdrożyło 10 z 10 analizowanych banków, ale poziom zaawansowania jest różny: od prostych FAQ-botów po generatywne AI (BNP Paribas GENiusz).
• Robo-advisory oferuje wyłącznie ING Bank Śląski (Investo). Pozostali klienci korzystają z platform niezależnych (Finax, Portu).
• Analiza dokumentów z AI to wciąż nisza — publicznie komunikują ją PKO BP, Bank Pekao i Credit Agricole.

Chcesz wiedzieć, jak wdrożyć AI w swojej instytucji finansowej? Przeczytaj nasz przewodnik wdrożenia AI dla firm.

Regulacje — AI Act a sektor finansowy w Polsce

AI Act (rozporządzenie 2024/1689) wchodzi w życie etapami. Dla sektora bankowego to najważniejsza regulacja technologiczna od RODO — ale kalendarz, który przez ostatnie dwa lata powtarzano w branży, uległ zmianie.

Uwaga — zmiana terminów (2026). Pakiet upraszczający zwany „Digital Omnibus on AI” przesunął termin stosowania obowiązków dla systemów wysokiego ryzyka z Załącznika III z 2 sierpnia 2026 na 2 grudnia 2027 (dla AI wbudowanej w produkty regulowane z Załącznika I — na 2 sierpnia 2028). Parlament Europejski przyjął pakiet 16 czerwca 2026, a Rada UE zatwierdziła go 29 czerwca 2026; wejście w życie następuje trzeciego dnia po publikacji w Dzienniku Urzędowym UE. Credit scoring jest właśnie takim systemem z Załącznika III — banki zyskały więc dodatkowe kilkanaście miesięcy. Obowiązki transparentności z art. 50 (m.in. informowanie, że klient rozmawia z AI) nie zostały przesunięte i obowiązują od 2 sierpnia 2026.

Mapa AI Act dla usług bankowych

Warto zauważyć dwa rozstrzygnięcia, które bywają w branży mylone. Po pierwsze, robo-advisory nie jest systemem wysokiego ryzyka w rozumieniu AI Act — Załącznik III wymienia ocenę zdolności kredytowej (pkt 5 lit. b) oraz ocenę ryzyka i ustalanie cen w ubezpieczeniach na życie i zdrowotnych (pkt 5 lit. c), ale nie doradztwo inwestycyjne. Po drugie, systemy antyfraudowe zostały wprost wyłączone z tej kategorii.

Kary (art. 99 AI Act): katalog jest stopniowany, a nie jednolity:

Dla MŚP obowiązuje kwota niższa z tych dwóch. Górny próg 35 mln EUR / 7% dotyczy wyłącznie praktyk zakazanych — nie każdego uchybienia w scoringu.

Polski kontekst: projekt ustawy o systemach sztucznej inteligencji, wyznaczającej krajowe organy nadzoru, wciąż nie został uchwalony. Banki, które dziś stosują AI w credit scoringu, mają czas do grudnia 2027 na audyt modeli i uzupełnienie dokumentacji — ale obowiązki wynikające z RODO (art. 22) i art. 70a Prawa bankowego obowiązują je już teraz, niezależnie od AI Act.

DORA — regulacja, która banki dotyczy już dziś

Przesunięcie terminów AI Act nie oznacza regulacyjnego oddechu, bo w sektorze finansowym równolegle działa DORA — rozporządzenie 2022/2554 o operacyjnej odporności cyfrowej. Stosuje się je od 17 stycznia 2025 i obejmuje praktycznie wszystkie podmioty finansowe: banki, ubezpieczycieli, TFI, domy maklerskie, fintechy.

Dla AI ma to konkretną konsekwencję, którą łatwo przeoczyć: model AI kupiony od zewnętrznego dostawcy albo uruchomiony w cudzej chmurze to usługa ICT od strony trzeciej. Jeżeli wspiera funkcję krytyczną (a scoring czy antyfraud ją wspierają), bank musi mieć umowę spełniającą wymogi DORA, prowadzić rejestr informacji o umowach z dostawcami ICT, zarządzać ryzykiem koncentracji i testować odporność. Kwestię podwykonawstwa doprecyzowuje rozporządzenie delegowane 2025/532. W praktyce zgodność z DORA jest dziś dla banku pilniejsza niż zgodność z AI Act — bo termin już minął, a nadzór sprawuje KNF.

Dla firm z innych branż, które chcą zrozumieć wpływ AI Act, przygotowaliśmy osobny artykuł: czym jest sztuczna inteligencja i jakie regulacje ją obejmują. Analogiczne wymogi dotyczą sektora ubezpieczeń.

Przyszłość AI w bankowości — trendy 2026–2030

Pięć trendów kształtujących najbliższe lata sektora:

Agentic AI — od doradzania do działania

Obecne chatboty odpowiadają na pytania. Agenci AI realizują transakcje: „przenieś 5 000 PLN na lokatę 3-miesięczną z najlepszym oprocentowaniem”, „anuluj subskrypcję, która podrożała”, „zoptymalizuj moje stałe zlecenia pod kątem dat wpływów”. Zmiana jest fundamentalna: bank przestaje być miejscem, do którego klient przychodzi z dyspozycją — staje się platformą, na której agent AI wykonuje zadania w imieniu klienta.

Model AI-first

Banki przechodzą od pilotażowych wdrożeń AI do strategii, w której AI jest domyślnym elementem każdego nowego procesu. 91% organizacji badanych przez Deloitte planuje w tym roku ponownie zwiększyć wydatki na AI („AI ROI”, X 2025, próba: 1 854 menedżerów z Europy i Bliskiego Wschodu).

Open Banking + AI

Dyrektywa PSD2 (a w przyszłości PSD3) otworzyła dostęp do danych transakcyjnych. AI na tych danych buduje nową warstwę usług: agregacja kont z wielu banków, automatyczne porównywanie ofert, predykcja cash flow dla MŚP. To kierunek, w którym fintechy aktywnie budują produkty.

AI w compliance (regtech i suptech)

AI Act generuje paradoks: regulacje wymagają więcej dokumentacji i audytów — a jedynym sposobem, by to obsłużyć na skalę, jest… AI. Systemy regtech automatyzują raportowanie regulacyjne, monitorowanie zgodności i generowanie dokumentacji wymaganej przez nadzór.

Hiperpersonalizacja (segment-of-one)

Zamiast segmentów „klient premium / klient standardowy” — indywidualny profil dla każdego klienta, aktualizowany w czasie rzeczywistym. AI dobiera produkt, moment kontaktu, kanał komunikacji i ton wiadomości. To wciąż jednak trend, a nie stan faktyczny: żaden polski bank nie zbudował dotąd systemu działającego naprawdę w modelu segment-of-one.

Wpływ na zatrudnienie. Według analizy Morgan Stanley, opisanej przez „Financial Times” w styczniu 2026, do 2030 roku w europejskiej bankowości zagrożonych jest ponad 200 000 miejsc pracy — około 10% zatrudnienia w 35 przeanalizowanych bankach. Zagrożone są przede wszystkim stanowiska operacyjne: back-office, przetwarzanie dokumentów, ryzyko i compliance. Jednocześnie rosną zespoły data science, AI governance i compliance — banki potrzebują ludzi, którzy budują, nadzorują i audytują systemy AI. Transformacja cyfrowa i automatyzacja procesów biznesowych zmieniają charakter pracy w bankowości, ale nie eliminują zapotrzebowania na specjalistów.

Najczęściej zadawane pytania o AI w bankowości