Mindenki az AI-ról beszél – de mi az, ami egy bank digitális termékfejlesztésében ténylegesen működik, és hol bújik meg a valódi lufi? Az Ergomania prágai üzleti reggelijén, a Fintech Week keretében cseh és szlovák iparági szakemberek ültek le egy asztalhoz, hogy a felszínes hype mögé nézzenek. A diskurzusból egy dolog világosan kirajzolódott: jelenleg nincs egyetlen kizárólagos „helyes” út az AI implementációjához. A valódi tét az innováció, a szigorú szabályozás, a folyamatosan változó ügyfélelvárások és a kiberbiztonsági felelősség kényes egyensúlyának megteremtése.

A prágai rendezvényt az Ergomania régi szakmai partnerével, a tranzakciós adatdúsítással foglalkozó Tapix by Dateióval közösen szervezte. A két vállalat közel egy évtizede dolgozik együtt, az együttműködés gyökerei még egy amszterdami találkozóig nyúlnak vissza. A panelt Dr. Rung András, az Ergomania alapító-ügyvezetője moderálta, vendégei pedig Jiří Raška, a Partners Banka CTO-ja, Martin Hajný, a Raiffeisenbank Česká republika AI-kompetenciaközpontjának vezetője és Ivan Dovica, a Tapix by Dateio társalapító-vezérigazgatója voltak. A felütés szándékosan fókuszált volt: nem újabb általános AI-előadás, hanem a napi gyakorlatban is használható meglátások a digitális terméktervezés és az üzleti stratégia metszéspontjában.

Az ágensek mint az új junior kollégák a szervezetben

A nyitókérdés a lényegre tapintott: hol vannak a valódi, működő use case-ek azon túl, hogy a technológia izgalmas? Jiří Raška szerint a bankoknak már az agentic (ágensvezérelt) korszakban kell gondolkodniuk. Náluk minden fejlesztői és üzleti csapat deklarált célja, hogy rendelkezzen saját „junior AI-avatárral”, amely elvégzi a repetitív, monoton feladatokat. A hagyományos promptolás már a múlté; a hatékony szervezetek ma ágensekkel dolgoznak, nem csupán a fejlesztésben, hanem a bank minden területén – a termékfejlesztéstől a digitális designig.

Egy találó megjegyzés szerint a modern banki menedzsment azért küzd a junior munkaerő integrálásával, mert a vezetőség kizárólag seniorokból áll – az AI viszont most megnyitotta az utat a virtuális junior kollégák skálázható alkalmazása előtt. A Partners Banka fejlesztői csapataiban az eszközkészlet egységes és folyamatosan versenyeztetett: OpenCode-alapú ágenskörnyezetet, GitHub Copilotot (28 különböző modellel), AWS Bedrockot és Google Geminit is használnak párhuzamosan, kihasználva a modellek havonta jelentkező új képességeit. Az igazi áttörést azonban a tudásmegosztás jelenti: a részlegek péntekenkénti edukációs körökön mutatják be a legújabb ágens-kísérleteiket, segítve a szervezet átállását a promptolásról a valódi agentic működésre.

A rejtett buborék: tokenárak vs. tőzsdei értékeltség

A technológiai implementáció költségei éles kontrasztot hoztak a panelben. A Partners Banka transzparensen vállalta a számokat: fejlesztőnként havonta 69 dollárt költenek az agentic eszközökre. Ahogy Rung András rámutatott, ez egy „olcsó junior” munkaerőt jelent az elvégzett munka volumenéhez képest. Martin Hajný azonban egy eltérő stratégiára világított rá: a Raiffeisennél ez az összeg felhasználónként havonta mindössze fél dollár körül mozog, miközben tízezres nagyságrendű interakciót bonyolítanak le. A titok, hogy nem előre csomagolt előfizetéseket (például M365 Copilot) vásárolnak tömegesen, hanem a „tiszta modellt” integrálják, és arra építik fel a saját, harmadik féltől független környezetüket – ami a skálázódás során komoly versenyelőnyt jelenthet.

Ebből a pénzügyi realitásból fakadt a panel egyik legfontosabb állítása is. Martin Hajný szerint van AI-buborék a piacon, de az nem a tőzsdei értékeltségekben, hanem a tokenárakban keresendő. Jelenleg az iparági óriások (OpenAI, Anthropic, AWS, Azure, Nvidia) mesterségesen szubvencionált tokeneket kínálnak az akvizíció érdekében; amint ez a fázis lezárul, az infrastruktúra fenntartásának számlája hirtelen sokkal magasabb lehet, mint az abból származó üzleti haszon. Fontos szempont az is, hogy míg a háttérrendszerek (backend) és a felhőinfrastruktúra szintjén globális, csoportszintű fejlesztések zajlanak (például az RBI-csoporton belül), addig a frontend élményt lokálisan kell megtervezni: a helyi ügyfelek kulturálisan releváns élményt várnak el, amelyet egy központi AI-modellel nem lehet egyszerűen „lefordítani”.

Munkafolyamat vs. ágens: az új definíció és az emberi juniorok sorsa

Ivan Dovica technológiai szempontból három dimenzióban látja az AI jelenlétét a pénzügyi szektorban: a fejlesztési (kódolási) fázisban, a bankoknak nyújtott szakmai támogatásban és a saját fintech termékek felépítésében. Szerinte a legnehezebb terep jelenleg az operatív szint, ahol az üzleti és termékfejlesztési szakemberek (product ownerek, menedzserek) találkoznak a technológiával – itt még mindig óriási a kompetenciaszakadék.

Dovica egy fontos fogalmi különbséget is tisztázott: a legtöbb cégnél jelenleg még nem valódi ágensek, hanem AI-támogatott workflow-k futnak. A különbség fundamentális: az ágens autonóm módon hoz döntéseket és indít új feladatokat a cél elérése érdekében, míg a workflow egy jól strukturált pipeline, amelyet az ember indít el, és meghatározott lépéseken keresztül fut le a végéig.

Ha viszont a virtuális ágensek lassan tényleg elvégzik a junior munkát, felmerül a kérdés: mi lesz az emberi junior kollégákkal? Martin Hajný arra hívta fel a figyelmet, hogy miközben a tapasztalt szakemberek „junior ágenseket” fejlesztenek, az alapvető készségek lassan eltűnhetnek az új generációból. A ma programozni tanuló középiskolások és tanáraik egyaránt tanácstalanok, hiszen a klasszikus junior feladatok – egy egyszerű ciklus vagy függvény megírása – teljesen automatizálttá váltak.

A megoldás Dovica szerint az, hogy az emberi juniorok szerepe átalakul: olyan munkatársakra lesz szükség, akik a nulladik naptól képesek delegálni és menedzselni a mesterséges intelligenciát. Az AI egy „arctalan, érzelemmentes junior”, amely képtelen emberi kontextusú tanácsot adni, ezért folyamatos mikromenedzsmentet igényel. Aki emberként sem tud validált visszajelzést adni, és nem tud különbséget tenni a jó és a hibás kimenet között, az az AI-juniort sem fogja tudni hatékonyan irányítani. Egy komplex banki nagyrendszerben ráadásul maga az AI is könnyen eltéved, a kódolás biztonsági vagy autentikációs rétegeit pedig még nem bízhatjuk teljesen a gépre – ide továbbra is magasan képzett, kontextust értő szakemberek kellenek.

A kódminőség és az API-dokumentációk paradoxona

A minőség kontra sebesség kérdésében a szakértők óvatos optimizmussal fogalmaztak. Jiří Raška szerint a fejlesztés minősége egyelőre változatlan marad, csupán a szállítás sebessége nő meg, hiszen az ellenőrzés joga továbbra is a humán szakemberek kezében van. Ivan Dovica azonban éles különbséget tett egy belső fejlesztés során kapott „jó AI-eredmény” és egy éles, ügyfél elé kerülő, termékként funkcionáló megoldás között: utóbbi esetben a generált eredmények gyakran „robotosnak” hatnak, és még finomhangolásra szorulnak a megfelelő UX érdekében.

A nyílt bankolással foglalkozó Cosmin Cosma, a Finqware vezérigazgatója hozott egy szemléletes példát a közönség soraiból. A banki API-kat korábban azért kellett embereknek összekötniük, mert az egyik ember által írt, sokszor hibás vagy hiányos dokumentációban egy gép nehezen boldogult. Amióta azonban az AI közvetlenül hozzáfér a kiterjedt vállalati GitHub kódbázisokhoz, átlátja a globális mintázatokat: felismeri a több száz API tipikus dokumentációs hibáit – „megtanulja” például, hogy ha a UniCredit Romániánál fellépett egy specifikus hiba, akkor nagy valószínűséggel a UniCredit Szlovákiánál is ugyanaz a forrása –, és automatikusan megírja a javítást. Ebben a dimenzióban a klasszikus junior–senior felállás teljesen felborul: léteznek „juniorok”, akik zseniálisak az AI promptolásában és menedzselésében, miközben a tapasztalt seniorok egy része saját előítéleteivel küzdve elutasítja a technológiát. Mivel az AI-nak nincsenek érzelmei, a mindenki által került monoton, dokumentációs feladatokban jobban teljesít az embernél.

Az ügyféloldali élmény (UX) és a George-tanulság

Az ügyfél felé forduló, közvetlen AI-megoldások terén a panel a realitás talaján maradt. Martin Hajný az Erste (Česká spořitelna) George appját említette: a bevezetést kísérő nagy várakozások ellenére a bank ma a chatbot használatának visszaesését tapasztalja. Az ok egyszerű: az ügyfelek sokkal fejlettebb, emberszerűbb konverzációt vártak a rendszertől, mint amire az technológiailag képes volt, így csalódottan térnek vissza a hagyományos, jól strukturált navigációhoz. A tanulság, hogy a fejlesztés előtt meg kell vizsgálni a tényleges felhasználói igényeket, és nem szabad vakon ráerőltetni a piacra egy technológiát pusztán a hype miatt.

Kockázat is van benne. Ha a bankok nem nyújtanak megfelelő digitális élményt, a felhasználók a nyilvános AI-eszközökhöz fordulnak a pénzügyi kérdéseikkel – ami azt jelzi, hogy a pénzintézetek nem reagálnak elég gyorsan a piac tempójára. Hosszú távon reális veszély, hogy ezek a modellek átveszik a banki felület szerepét. A prágai tech-buborékban (amely a lakosság elenyésző töredéke) ez már jelen idő, de az igazi adaptációt az átlagfelhasználók szintjén kell mérni.

A bankok stratégiai válaszútja: infrastruktúra vagy a következő Revolut?

A beszélgetés egyik legfontosabb szála a bankok jövőbeli üzleti szerepét boncolgatta. Ivan Dovica szerint a pénzintézetek sokszor fel sem fogják, mekkora beépített előnnyel indulnak a digitális térben. Egy átlagos fintech vagy e-kereskedelmi applikációnak folyamatosan küzdenie kell a felhasználó figyelméért, a banki alkalmazásokat viszont az emberek kénytelenek használni, havonta akár több tucatszor is, hiszen ott tartják a pénzüket. Ez a kényelmi pozíció vezetett oda, hogy egy évtizeddel ezelőtt a bankokat még egyáltalán nem érdekelte a használhatóság: nem foglalkoztak azzal, ha egy számlanyitási folyamat négy lépésből állt, és minden egyes fázisban elveszítették a potenciális ügyfelek 20 százalékát.

Ma a pénzintézetek két út előtt állnak: vagy megtartják ügyfélkapcsolati dominanciájukat erős UX-fejlesztésekkel, vagy a telekommunikációs cégek sorsára jutnak. A telkók egykor a digitalizáció sztárjai voltak, ma viszont láthatatlan infrastrukturális szolgáltatókként működnek a háttérben – az átlagember sokszor azt sem tudja fejből, melyik cég biztosítja a mobilnetjét.

Ezt erősítette meg Cosmin Cosma is: a kötelező uniós irányelvek és a PSD3 (Payment Services Directive 3) térnyerésével az open banking API-k (például a fizetéskezdeményezési PISP szolgáltatások) teljesen átalakítják a piacot. A „következő Revolut” jó eséllyel nem egy hagyományos mobilapp, hanem egy mindenhol jelenlévő konverzációs bot lesz, amelynél a felhasználót nem érdekli, hogy a háttérben melyik nagybank végzi a tranzakciót. Ennek ellenére a retail szektor egyelőre erősen reziliens: a bizalom felépítése évtizedekbe telik, és az átlagügyfelek sokszor egy rosszabb élményt – egy elavult, de megszokott applikációt – is elfogadnak, ha megbíznak a mögötte álló intézményben. Ahogy Rung András megjegyezte, ez a bizalom lassan, de biztosan átcsoportosítható – ezt bizonyítja a Revolut sikere és a ChatGPT négy év alatt globális branddé válása. Ha a bankok végül kiszorulnak az elsődleges ügyfélkapcsolatból, a végső győztes vélhetően egy olyan szereplő lesz, aki ma még nem is létezik a piacon.

A rejtett adatszivárgás és a jövő emberközpontúsága

A kerekasztal záróköre a fejlődés árnyoldalaira fókuszált. Jiří Raška a nagy nyelvi modellek (LLM-ek) kiberbiztonsági kockázataira hívta fel a figyelmet. A felhasználók többsége nincs tisztában az olyan új sebezhetőségekkel, mint a prompt injection, a vállalatok pedig alábecsülik, hogy az ellenőrizetlen AI-használattal érzékeny vállalati és ügyféladatokat szivárogtatnak ki amerikai vagy ázsiai szerverekre. Ivan Dovica ezt a vállalati hálózatok szintjén egészítette ki: ha egy szervezet ágenseket enged a belső rendszereibe, az technikailag egy teljesen új betörési felületet nyit meg a hackerek előtt, amelyen keresztül a teljes cég adatvagyona kompromittálódhat – a szektor pedig jelenleg még csak tanulja, hogyan védekezzen ez ellen.

A jövőkép azonban reális maradt: az iparág rövid távon hajlamos túlbecsülni az AI hatását – a menedzsment által hat hónapra ígért teljes automatizálás nem fog megvalósulni –, hosszú távon viszont alulbecsüli a technológia mélyreható, strukturális változásait.

A Fintech Week prágai reggelijének legfontosabb konklúzióját Martin Hajný fogalmazta meg: „a jövő nem a mesterséges intelligenciában van, hanem bennünk.” A digitális tervezés során először az emberi igényeket, a felhasználók valódi motivációit kell megérteni, és csak ezután szabad az eszköztárhoz nyúlni. Az AI adaptációja nem hetek, hanem évek kitartó munkájának eredménye lesz a bankszektorban; azok a rendszerek, amelyeket most irreális elvárásokkal és elkapkodva vezetnek be, rövid időn belül el fognak bukni. A fenntartható siker kulcsa a felelős, emberközpontú dizájn és a biztonságos integráció maradt.