AI a bankban.

A demo után kezdődik a munka.
Sajtos István
Sajtos István
AI üzletág-vezető
PeakX a Peak-en belül

A Peak generatív
AI integrátora.

10+
év banki / fintech
A Peak több mint egy évtizede szállít szabályozott pénzügyi termékeket: kártyaprogramok, banki integrációk, fintech termékek.
100+
fős szervezet
Mérnökök, terméktervezők, banki szakértők egy fedél alatt: elég nagy ahhoz, hogy banknak szállítson, elég fókuszált ahhoz, hogy gyorsan szállítson.
2024
PeakX indul
A Peak generatív AI üzletágaként önálló csapat.
peakx.ai
Káosz, 2024

Mit találtunk az ügyfeleknél?

01
Demók a fiókban
Lenyűgöző prototípusok, amelyek soha nem kerültek éles használatba. A bemutató után semmi.
02
Bevezetett, de nem használt appok
Az eszközöket élesítették, de a munkatársak megkerülik. A költség megvan, az érték nincs.
03
Párhuzamos csapatok, ugyanaz a feladat
Két-három független team ugyanazon a use case-en dolgozik, anélkül hogy tudnának egymásról.
PoC-temetők termelődtek a cégeknél.
A PoC-temetők anatómiája

Miért buknak el a PoC-ok?

01
Dobozos eszközökNem illeszkednek a bank működésébe. Rigid, nem testreszabható.
02
Integrációs káosz30 éves dinoszaurusz szoftver találkozik cutting-edge LLM-mel.
03
Compliance kockázatAudit, AI Act, pen-tesztelés. Kezeletlen kérdések.
04
Nincs belső kompetenciaTesztelés, üzemeltetés, monitorozás, hiányzik a know-how.
05
Mérhetetlen ROINincs adat arról, hol térül meg, és mennyibe kerül valójában.
06
Lassú time-to-valueElhúzódó projektek, hosszú backlog, eltűnő business case.
A felismerés
A technológia kész.
Csak módszer kell.
Nem kell LLM-et fejleszteni.
Nem kell technológiát építeni.
A bevezetésen úsznak el a projektek: nem a fejlesztésen.
02 — AI bevezetési módszertan

Ami fintechben
működik, AI-ban
is működik.

10 év fintech = AI módszertan

Négy pillér, kitaposott ösvény.

Compliant
by design
Minden szoftverünk az első sortól megfelelőségi szempontok szerint épül.
ROI first
minden termék
Minden agent egy mérhető üzleti metrikára lett kifejlesztve. Nincs kivétel.
Enterprise
grade SDLC
Verziókövetés, code review, CI/CD, monitoring — banki szintű szoftverfejlesztési ciklus.
MNB-audit
ready
Bármikor, bármilyen mélységben auditálható — minden döntés rekonstruálható.
Miért a bankok?

Ideális
terep a
generatív
AI-nak.

  • Innovációs büdzsé van: a neobankok nyomása valós.
  • Munkaerőhiány és magas operációs költségek.
  • Jól digitalizált szervezet. Az adatok már strukturált formában vannak.
  • Szabályozott, dokumentált folyamatok. Aranybánya egy LLM-nek.
  • Hatalmas megtérülési potenciál.
03 — Egyedi AI agentek

Nem dobozos.
Bankra szabott.

Custom AI Agents — integration layer
A pontosság küszöbe

Ahol a humán 85% — ott AI-tól 99%+ kell.

~80%
Dobozos LLM, banki folyamaton
ChatGPT-szerű általános modell, prompt-engineering nélkül.
Nem elég
~85%
Banki munkatárs, telefonos ügyfélszolgálat
Iparági benchmark — ezt teljesíti egy jól képzett operátor.
Baseline
99%+
PeakX egyedi agent
Folyamatlebontás, evaluation, iteráció — célzott pontosság.
Cél
Az 1% nem hallucinációt jelent, hanem pontatlanságot az elvárthoz képest.
04 — Mérés

Hogyan érünk el
99%+ pontosságot?

Három kulcs mozzanat

Folyamat, mérés,
iteráció.

01
Folyamat-
lebontás
Egy nagy probléma helyett orchestrator + specializált sub-agentek. Minden lépés külön ellenőrizhető.
02
Evaluation
Minden subagentre külön teszteket írunk. Dedikált eval suite-ok, golden dataset-ek, RAGAS metrikák.
03
Iteráció
Finetune, advanced RAG, prompt-tuning. Százalékpontról százalékpontra dolgozunk fel.
Eval suite

Specializált
agentek
tesztelik
a többit.

  • Golden dataset-ek: több ezer elem agentenként, ügylet típusonként.
  • RAGAS metrikák: fogalmazás minősége, forrás-hűség.
  • Technikai tesztek: költség, latency, throughput.
  • Egyedi minőségi metrikák: agent-típusra szabva.
  • Automatizált AI tesztelés... AI által.
Az AI minőségbiztosítása maga is AI.
Amit nyerünk vele

A black box megnyílik.

Hibakereséspontosan tudjuk, mi és hol romlik el.
Költség-láthatóságműveletre lebontva, real time.
Auditálható döntésekminden válasz forrásra visszavezethető.
Vezetői dashboardokmenedzsment szinten értelmezhető adat.
Transzparens működésa feketedoboz-mentalitás véget ér.
Determinisztikusabb működéskiszámítható válaszok, kiszámítható minőség.
Pontosan ezek hiányoznak a bukott projektekből.
05 — Esettanulmány: Jelzálog

Egy hazai bank.
Egy folyamat.
Hat nap.

A probléma

35 nap. 5 hiánypótlás. Évi több ezer ügylet.

01
Hazai nagybank, lakossági jelzálogTöbb millió ügyfél, évi több ezer hitelügylet.
02
Beadástól döntésig: 35+ napHosszú átfutás, drága működés, türelmetlen ügyfél.
03
~5 hiánypótlás / ügyletBelső ciklusok, amik mind plusz napokat tesznek a folyamatra.
04
Banális hibákHiányzó aláírás. Üres házastárs név. Elírt cím.
A megoldás

Dokumentum-
ellenőrző
agent-család.

  • Nem dönt a hitelről. Nem értékeli az ügyfelet.
  • Megfelelteti a dokumentumot a kitöltési útmutatónak.
  • Anomáliákat jelez a szkennelés pillanatában… nem három hét múlva.
  • Kézírás-felismerés · Aláírás-felismerés. Keresztellenőrzések.
Eredmény

35 nap → 29 nap.

35
→
29
nap
átfutási idő
−6 nap
átfutási idő (~17%)
↓ jelentősen
hiánypótlások száma
↑ FTE
felszabaduló kapacitás
↑ tőkeforgás
gyorsabb folyósítás
06 — ROI

Mit ér a hat nap?

Mit ér 6 nap?

Évi 100–200M Ft
többletbevétel.

csak a kamatoldalon +200M Ft / év — nagybanki jelzálog portfólióra vetítve
50M Ft hitel· 6 nap előny
kb. 50 ezer Ft többlet kamatbevétel
Felszabaduló kapacitás
az FTE-k magasabb értékű feladatokra
Csökkentett FTE-igény
a növekvő ügyletszám mellett is
Alacsonyabb churn
a türelmetlen ügyfelek elköteleződnek
Jobb ügyfélélmény
NPS-ben mérhető különbség
Visszacsatolás

Miért a belső agentek nyertek?

22 use case-ből nem az ügyfélkapcsolatos agentek lettek a legsikeresebbek — hanem a belsősök.

Az AI ROI-ja a leggyorsabban a saját munkatársak munkáján mérhető:

Operációs költség, FTE-igény, átfutási idő.

A stratégiában gondolkozó bank nem az ügyfélnél kezdi az AI-t.
Hanem a saját mid-office-ában.

Köszönöm.

Sajtos István
Sajtos István
AI üzletág-vezető · PeakX
LinkedIn QR — Sajtos István
linkedin.com/in/sajtosistvan/