Του Στάθη Βασιλόπουλου
Οι τράπεζες αλλάζουν ξανά, μόνο που αυτή τη φορά η αλλαγή δεν αποτυπώνεται αποκλειστικά στα λιγότερα καταστήματα, στις ουρές που μικραίνουν ή στις συναλλαγές που μεταφέρονται όλο και περισσότερο στο κινητό. Η βαθύτερη μεταβολή βρίσκεται στον τρόπο με τον οποίο οι τράπεζες αρχίζουν να σκέφτονται, να αποφασίζουν και να λειτουργούν, αξιοποιώντας περισσότερα δεδομένα, περισσότερους αλγορίθμους και όλο και πιο ώριμες εφαρμογές τεχνητής νοημοσύνης.
Το digital banking άνοιξε τον δρόμο, κάνοντας τις πληρωμές, τις μεταφορές χρημάτων και πολλές καθημερινές συναλλαγές πιο εύκολες, πιο γρήγορες και λιγότερο εξαρτημένες από το φυσικό κατάστημα. Τώρα, όμως, ο κλάδος περνά σε ένα επόμενο στάδιο, στο οποίο η τεχνητή νοημοσύνη δεν αλλάζει μόνο την εικόνα που βλέπει ο πελάτης στο app ή στο e-banking, αλλά και το εσωτερικό της τράπεζας: από το risk, το compliance και το IT μέχρι την εξυπηρέτηση, την ανίχνευση απάτης και τον τρόπο με τον οποίο αναπτύσσεται λογισμικό.
Με άλλα λόγια, η τράπεζα δεν εξαφανίζεται από την καθημερινότητα του πελάτη, αλλά μετακινείται σταδιακά από το γκισέ στην οθόνη, από το κατάστημα στο cloud και από τη χειροκίνητη διαδικασία στην αυτοματοποίηση. Πρόκειται για μια μετάβαση που δεν αφορά μόνο την ευκολία των συναλλαγών, αλλά τον ίδιο τον τρόπο με τον οποίο οργανώνεται και παράγεται η τραπεζική υπηρεσία.
Οι εφαρμογές ΑΙ
Η διεθνής εικόνα δείχνει ότι αυτή η αλλαγή έχει ήδη ξεκινήσει. Σύμφωνα με την Ευρωπαϊκή Αρχή Τραπεζών, το 92% των τραπεζών στην Ευρωπαϊκή Ένωση χρησιμοποιεί ήδη εφαρμογές AI, ενώ το υπόλοιπο 8% βρίσκεται σε φάση πιλοτικών δοκιμών ή διερεύνησης συγκεκριμένων use cases. Οι εφαρμογές αυτές αφορούν πλέον κρίσιμες λειτουργίες, όπως η ανίχνευση απάτης, η πιστοληπτική αξιολόγηση, η εξυπηρέτηση πελατών, η συμμόρφωση, η ανάλυση συναλλακτικής συμπεριφοράς, η αυτοματοποίηση εγγράφων και η παραγωγή κώδικα.
Αυτό σημαίνει ότι η τεχνητή νοημοσύνη δεν βρίσκεται πια στην περιφέρεια της τραπεζικής, ούτε αποτελεί ένα πείραμα σε κάποιο innovation lab ή μια τεχνολογία που χρησιμοποιείται μόνο για λόγους εντυπωσιασμού. Αντιθέτως, αρχίζει να ενσωματώνεται στον πυρήνα της λειτουργίας των τραπεζών, επηρεάζοντας τόσο την εμπειρία του πελάτη όσο και τον τρόπο με τον οποίο οργανώνονται οι εσωτερικές διαδικασίες.
Η γενετική τεχνητή νοημοσύνη διευρύνει ακόμη περισσότερο αυτό το πεδίο. Σύμφωνα με τη McKinsey, η παραγωγική τεχνητή νοημοσύνη μπορεί να προσθέσει στον παγκόσμιο τραπεζικό κλάδο αξία 200 έως 340 δισ. δολαρίων ετησίως, ποσό που αντιστοιχεί σε 9% έως 15% των λειτουργικών κερδών, κυρίως μέσω αύξησης παραγωγικότητας. Οι εφαρμογές της εκτείνονται από τα customer-facing chatbots και την πρόληψη απάτης έως την ανάπτυξη κώδικα, τη σύνταξη pitch books και τη σύνοψη ρυθμιστικών αναφορών.
Έτσι, η τεχνητή νοημοσύνη δεν λειτουργεί απλώς ως ένα ακόμη εργαλείο στον τεχνολογικό εξοπλισμό των τραπεζών, αλλά ως παράγοντας διαφοροποίησης ανάμεσα σε εκείνες που μπορούν να κινηθούν γρήγορα και σε εκείνες που κινδυνεύουν να μείνουν πίσω. Τα μεγάλα διεθνή παραδείγματα δείχνουν ότι η μετάβαση από το πείραμα στην επιχειρηματική αξία έχει ήδη ξεκινήσει.
Η JPMorgan Chase σχεδιάζει μέσα στο 2026 να αναπτύξει νέους AI agents που θα μπορούν να λειτουργούν αυτόνομα για πολύ μεγαλύτερο χρονικό διάστημα από τις σημερινές εκδόσεις τους –για μία έως δύο ώρες αντί για λίγα λεπτά– ενώ η ίδια η τράπεζα υποστηρίζει ότι το AI ενισχύει ήδη τα επιχειρηματικά αποτελέσματα, δίνοντας ως παράδειγμα την αύξηση 20% στις μικτές πωλήσεις του private banking και του wealth management.
Στο επίκεντρο τα δεδομένα
Σε αυτό το περιβάλλον διαμορφώνεται ένα νέο πεδίο ανταγωνισμού. Στο παρελθόν, μια τράπεζα ξεχώριζε κυρίως από το μέγεθος του δικτύου της, την κεφαλαιακή της ισχύ, τη σχέση εμπιστοσύνης με τον πελάτη και την αναγνωρισιμότητα του brand. Σήμερα, σε αυτά προστίθεται ένας ακόμη κρίσιμος παράγοντας: η ικανότητα αξιοποίησης των δεδομένων. Όποιος γνωρίζει καλύτερα τον πελάτη μπορεί να του προτείνει πιο σχετικές υπηρεσίες, όποιος αναλύει ταχύτερα τη συναλλακτική συμπεριφορά μπορεί να εντοπίσει νωρίτερα την απάτη, και όποιος αυτοματοποιεί εξυπνότερα τις εσωτερικές λειτουργίες μπορεί να μειώσει κόστος και να απελευθερώσει ανθρώπινο δυναμικό για εργασίες μεγαλύτερης αξίας.
Το νέο τραπεζικό μοντέλο στηρίζεται σε τρεις μεγάλες αλλαγές, οι οποίες εξελίσσονται παράλληλα. Η πρώτη είναι η υποχώρηση της φυσικής συναλλαγής, καθώς το κατάστημα δεν εξαφανίζεται, αλλά αλλάζει ρόλο. Από χώρος καθημερινών πληρωμών και απλών αιτημάτων μετατρέπεται σταδιακά σε σημείο συμβουλευτικής, σύνθετης εξυπηρέτησης και ενίσχυσης της σχέσης με τον πελάτη, ενώ οι απλές πληρωμές, οι μεταφορές χρημάτων, οι αιτήσεις και οι ενημερώσεις μεταφέρονται όλο και περισσότερο στα ψηφιακά κανάλια. Η ανθρώπινη επαφή, επομένως, δεν καταργείται, αλλά διατηρείται εκεί όπου υπάρχει μεγαλύτερη ανάγκη για εμπιστοσύνη, εξήγηση και καθοδήγηση.
Η δεύτερη αλλαγή είναι η προσωποποίηση. Η τράπεζα του AI δεν περιμένει απλώς τον πελάτη να ζητήσει ένα προϊόν, αλλά αναλύει δεδομένα, ιστορικό συναλλαγών, συμπεριφορές και ανάγκες, ώστε να προτείνει λύσεις στον σωστό χρόνο και μέσα από το κατάλληλο κανάλι. Αυτό που οι καταναλωτές έχουν συνηθίσει από τις μεγάλες τεχνολογικές πλατφόρμες, δηλαδή μια πιο άμεση και εξατομικευμένη εμπειρία, περνά πλέον και στο banking, δημιουργώντας νέες προσδοκίες αλλά και μεγαλύτερες απαιτήσεις για σωστή χρήση των δεδομένων.
Η τρίτη αλλαγή αφορά την αυτοματοποίηση του εσωτερικού μηχανισμού της τράπεζας. Risk, compliance, operations, IT, cybersecurity και customer support μετασχηματίζονται από την τεχνητή νοημοσύνη, καθώς το GenAI μπορεί να συνοψίζει μεγάλα έγγραφα, να υποστηρίζει αναλυτές, να προετοιμάζει reports, να βοηθά στην ανίχνευση ύποπτων μοτίβων, να επιταχύνει την ανάπτυξη κώδικα και να βελτιώνει την ταχύτητα λήψης αποφάσεων. Σε ένα περιβάλλον όπου οι τράπεζες διαχειρίζονται τεράστιους όγκους δεδομένων, αυξημένες ρυθμιστικές απαιτήσεις και υψηλές προσδοκίες πελατών, η αυτοματοποίηση δεν είναι απλώς εργαλείο αποδοτικότητας, αλλά όρος ανταγωνιστικότητας.
Ωστόσο, όσο μεγαλώνει η χρήση της τεχνητής νοημοσύνης, τόσο αυξάνονται και οι απαιτήσεις για έλεγχο. Οι τράπεζες λειτουργούν σε έναν από τους πιο αυστηρά ρυθμισμένους κλάδους της οικονομίας και ένα λανθασμένο μοντέλο δεν σημαίνει απλώς μια κακή εμπειρία χρήστη. Μπορεί να σημαίνει λανθασμένη αξιολόγηση κινδύνου, άδικη απόρριψη πιστοδότησης, αστοχία σε ελέγχους συμμόρφωσης ή ανεπαρκή ανίχνευση απάτης.
Γι’ αυτό η συζήτηση για το AI banking δεν είναι μόνο τεχνολογική, αλλά και συζήτηση εμπιστοσύνης. Το ερώτημα δεν είναι μόνο τι μπορεί να κάνει ένας αλγόριθμος, αλλά πώς εξηγείται μια απόφαση που λαμβάνεται ή υποστηρίζεται από αυτόν, πώς διασφαλίζεται ότι τα δεδομένα δεν αναπαράγουν προκαταλήψεις, πώς προστατεύεται η ιδιωτικότητα όταν η προσωποποίηση απαιτεί όλο και περισσότερη πληροφορία και πώς αποφεύγεται η υπερβολική εξάρτηση από λίγους μεγάλους παρόχους τεχνολογίας και cloud υποδομών.
Οι ελληνικές τράπεζες
Στην Ελλάδα ο μετασχηματισμός του τραπεζικού κλάδου περνά πλέον σε φάση υλοποίησης, με τους μεγάλους ομίλους να αναβαθμίζουν τα ψηφιακά τους κανάλια και τον τρόπο λειτουργίας τους. Η Eurobank ανακοίνωσε επενδύσεις περίπου 1 δισ. ευρώ μέχρι το 2028, μέσα από το πρόγραμμα Banking Forward. Το πρόγραμμα εστιάζει σε σύγχρονες υποδομές, cloud, δεδομένα, ΑΙ και νέες ψηφιακές δυνατότητες, με στόχο ταχύτερη και πιο απλή εξυπηρέτηση για ιδιώτες και επιχειρήσεις. Ήδη το 96% των συναλλαγών της τράπεζας πραγματοποιείται ψηφιακά, ενώ το 61% γίνεται μέσω του Eurobank Mobile App, το οποίο έχει αναβαθμιστεί με τον ψηφιακό βοηθό EVA.
Η Πειραιώς, σε συνεργασία με την Accenture και με υποστήριξη της Anthropic, ανακοίνωσε τον περασμένο Απρίλιο τη δημιουργία AI Hub, με στόχο την ανάπτυξη και κλιμάκωση προηγμένων AI δυνατοτήτων σε όλη την αλυσίδα αξίας της τράπεζας, από το customer experience έως το risk και το compliance. Το AI Hub βασίζεται στην επιτυχημένη συνεργασία της Πειραιώς με την Accenture για την υιοθέτηση ενός cloud-first λειτουργικού μοντέλου, το οποίο έχει ήδη επιταχύνει την παροχή ψηφιακών υπηρεσιών, ενισχύοντας παράλληλα την ασφάλεια και τη συμμόρφωση.
Η Alpha Bank, από την πλευρά της, επιταχύνει τη μετάβασή της σε ένα μοντέλο AI-powered banking, συνδυάζοντας ψηφιακές υπηρεσίες πελατών, εργαλεία παραγωγικότητας για το προσωπικό και εφαρμογές τεχνητής νοημοσύνης στο δίκτυο πωλήσεων. Η τράπεζα αναφέρει ότι επενδύει πάνω από 100 εκατ. ευρώ ετησίως σε ψηφιακό μετασχηματισμό, κυβερνοασφάλεια και τεχνητή νοημοσύνη. Η στρατηγική συνεργασία με τη Moveo.ai οδήγησε στο ΑΙ Chatbot του web banking, βελτιώνοντας δραστικά τον τρόπο αλληλεπίδρασης με τον πελάτη.
Παράλληλα, η Εθνική Τράπεζα διαθέτει ήδη ισχυρή ψηφιακή βάση, με πάνω από 4,5 εκατ. ψηφιακούς συνδρομητές και 3,3 εκατ. ενεργούς χρήστες, ενώ προχωρά στην αξιοποίηση νέων λύσεων GenAI και του chatbot "Sophia" για την εξυπηρέτηση των πελατών. Η τεχνολογική της μετάβαση περιλαμβάνει νέα εφαρμογή mobile banking για ιδιώτες, αναβαθμισμένο Business Internet Banking για επιχειρήσεις και υπηρεσία live banking για απομακρυσμένη εξυπηρέτηση μέσω video. Επιπλέον, η τράπεζα εκσυγχρονίζει τις βασικές της υποδομές, με νέο Core Banking System, workflows, CRM και μεταφορά του enterprise data warehouse στο cloud.
Από την πλευρά της η CrediaBank "τρέχει" τριετές πρόγραμμα ψηφιακού μετασχηματισμού ύψους 60 εκατ. ευρώ, με στόχο τον εκσυγχρονισμό των ψηφιακών καναλιών και των εσωτερικών λειτουργιών, καθώς και νέο e-banking και mobile banking στο τέταρτο τρίμηνο του 2026. Τέλος, η Optima bank έχει επενδύσει στην υποδομή δεδομένων, μέσω cloud-based enterprise data warehouse με Accenture και Microsoft, που δίνει πρόσβαση σε περισσότερες δυνατότητες AI και machine learning.
