Umělá inteligence už v bankovnictví není jen téma pro laboratoře, prezentace a pilotní projekty. V moderních regulovaných institucích začíná být součástí každodenního provozu. A právě to je dobře vidět na přístupu Allica Bank, britské digitální banky zaměřené na malé a střední podniky.
Její CTO Ravneet Shah popsal, jak banka přemýšlí o AI nejen jako o nástroji pro jednotlivé experimenty, ale jako o způsobu, jak změnit fungování celé organizace. Od interní adopce přes vývoj produktů až po schvalování úvěrů a relationship banking jde o promyšlený posun, který má jediný cíl: sloužit klientům rychleji, lépe a bez zbytečného tření.
Na tom je podle mě nejzajímavější jedna věc. Nejde o slepé nahrazování lidí. Jde o to, aby se banka naučila dělat práci jinak. Tam, kde dříve procesy drhly kvůli ručnímu přepisování, neúplným údajům nebo složité koordinaci mezi týmy, přichází AI jako vrstva, která pomáhá rozhodovat, doplňovat kontext a urychlovat celý tok práce.
Allica Bank působí ve Velké Británii od roku 2019, kdy získala bankovní licenci. Zaměřuje se na lending, podnikatelské běžné účty a depozitní produkty pro malé a střední podniky. Její model stojí na kombinaci technologií a osobního vztahového bankovnictví. Právě spojení těchto dvou světů dává celé AI strategii smysl.
Obsah
- 🚀 AI v bance už není experiment, ale provozní směr
- 🏗️ Tři pilíře AI strategie v Allica Bank
- 🧩 Proč tradiční squad model přestal stačit
- 🔄 Menší týmy, méně handoffů, rychlejší dodávka
- 📈 3700 deployů ročně není jen číslo, ale signál změny
- 💳 Jak AI mění úvěrování a underwriting
- 📬 Místo nutit klienty ke změně banka mění vlastní proces
- 🤝 Relationship banking bez nahrazení člověka
- 🧠 Lepší kontext znamená lepší rozhovory se zákazníky
- ⚙️ Co si z toho může vzít každá regulovaná firma
- 📊 Kam chce Allica Bank s AI dojít v příštích 12 až 24 měsících
- 🔍 Proč je tento přístup zajímavý pro budoucnost bankovnictví
- 🛠️ Největší lekce: AI není jen software, ale způsob organizace práce
- ✅ Co stojí za zapamatování
🚀 AI v bance už není experiment, ale provozní směr
Když Ravneet Shah mluví o cestě Allica Bank s AI, nezačíná u hotových úspěchů, ale u období zkoušení. Banka se do této oblasti pustila už v roce 2023. V té době ještě nebylo jasné, které případy použití budou mít skutečný dopad a jak AI zasadit do fungování regulované finanční instituce.
To je mimochodem velmi realistický obrázek současné situace v mnoha firmách. Nejprve přišla vlna zvědavosti, potom spousta pokusů a omylů, a teprve po ní se začala rýsovat jasnější strategie. Allica Bank si podle všeho prošla stejným vývojem. Dnes už ale ví, kde chce AI škálovat a jakou roli má hrát v příští fázi růstu.
Za klíčové považuji to, že banka neomezila debatu o AI na technologické oddělení. Ravneet mluví o potřebě adopce napříč celou organizací. Nejen v engineeringu, ale také v provozu, distribuci, produktovém řízení, financích a dalších funkcích. To je důležité, protože AI málokdy vytváří největší hodnotu v izolovaném týmu. Největší efekt má tehdy, když ovlivní způsob práce celé firmy.
Součástí tohoto posunu je i změna myšlení. Ravneet otevřeně připouští, že i lidé s technickým zázemím se musejí některé staré návyky odnaučit, než se dokážou skutečně naučit nové postupy. To mi připadá jako velmi přesný postřeh. Většina organizací totiž nebojuje s nedostatkem nástrojů, ale s tím, že nové možnosti zasazuje do starých procesů a starých rolí.
V Allica Bank se adopce zjevně zvedla výrazně. Zhruba z 25 procent v předchozím období se dostala na úroveň, kterou Ravneet označuje jako medián pracovního dne kolem 77 procent. I když podobná čísla vždy závisí na interní metodice, směr je zřejmý. AI se stává součástí běžné práce velké části firmy.
🏗️ Tři pilíře AI strategie v Allica Bank
Z celé debaty se dají vyčíst tři hlavní vrstvy, na kterých banka svou AI strategii staví:
- Adopce napříč organizací, aby s AI nepracovalo jen IT, ale celý podnik.
- Změna operating modelu v produktovém a inženýrském týmu, protože klasické nastavení týmů už neodpovídá rychlosti a možnostem AI.
- Přehodnocení samotných produktů, tedy otázka, co lze nově postavit s generativní AI, co dříve nešlo s tradičním softwarem nebo machine learningem.
Tahle kombinace je podstatná. Mnoho firem řeší jen první vrstvu. Nakoupí nástroje, spustí interní asistenty a školení, ale operating model nechají stejný. Výsledek pak bývá omezený. Lidé mají AI po ruce, ale organizace funguje dál starým tempem.
Allica Bank jde podle všeho dál. Přijímá myšlenku, že pokud se mění technologie, musí se změnit i týmové role, předávání práce, odpovědnosti a způsob, jak se produkt dostane od nápadu do produkce.
🧩 Proč tradiční squad model přestal stačit
Produktové a inženýrské týmy banky historicky fungovaly podobně jako mnoho moderních technologických organizací. Používaly variantu takzvaného Spotify modelu. Tedy cross funkční squady složené z produktových lidí, datových specialistů, backend a frontend inženýrů, testerů, architektů a designérů.
Takový model dlouho fungoval dobře. Pro klasický vývoj digitálních produktů je to osvědčené uspořádání. Jenže s nástupem generativní AI se podle Ravneeta ukázalo, že tento přístup je třeba upravit.
Hlavní problém spočívá v předávkách. Když se práce přesouvá mezi řadou specializovaných rolí, vzniká zpomalení. Každý handoff znamená čekání, vysvětlování, koordinaci a často i ztrátu kontextu. V prostředí, kde AI umožňuje jednotlivcům zvládat širší záběr práce, se takový model začíná jevit jako zbytečně těžkopádný.
Allica Bank proto sáhla ke zmenšení týmů. Místo větších squadů vytvořila menší jednotky, které nazývá squadlets. Nejde ale jen o menší počet lidí. Důležitější je, že struktura těchto týmů se liší podle složitosti a povahy produktu, na kterém pracují.
To je velmi praktický přístup. Ne každý produkt potřebuje stejnou kombinaci rolí. U některých je potřeba více specializace, u jiných je cennější univerzálnější profil lidí, kteří zvládnou větší část práce samostatně.
🔄 Menší týmy, méně handoffů, rychlejší dodávka
Jedna z nejzajímavějších změn se týká slučování rolí. Tam, kde dříve existovalo oddělení backendu, frontendu a testování, banka začala role kombinovat. Stejně tak se sbližují produktové pozice, například product owner a product analyst.
V některých případech se organizace posouvá ještě dál. Vzniká role product engineer, tedy člověka, který umí spojit produktové myšlení s technickou realizací. To je přesně ten typ profilu, který dává v éře AI stále větší smysl. Když je možné si pomocí nástrojů rychle vytvořit prototyp, validovat nápad a rovnou ho posunout do produkce, hranice mezi návrhem a implementací se ztenčuje.
Ravneet zároveň zdůrazňuje, že nejde o hotovou přeměnu přes noc. Banka je stále na cestě a nové modely zkouší zatím jen v části týmů. To mi připadá jako rozumné. U podobných změn je lepší postupná adaptace než revoluční převrat bez ověření.
Cílem pro konec roku je přitom velmi ambiciózní stav: nejen inženýři, ale i produktoví manažeři a designéři by měli být schopni posílat kód do produkce. V některých squadlets už se to částečně děje. Pokud se tento směr podaří rozšířit, znamená to zásadní zkrácení cesty od nápadu k reálné změně ve službě.
Tento přístup dobře zapadá do širšího trendu v softwarovém vývoji, který dnes popisují i analytické firmy jako Gartner nebo výzkumy kolem AI assisted development. Role se stávají pružnějšími, týmy menšími a schopnost rychle experimentovat je stále cennější.
📈 3700 deployů ročně není jen číslo, ale signál změny
Padl i velmi konkrétní údaj: přes 3700 nasazení za rok. U banky s relativně kompaktním produkťácko inženýrským týmem je to působivé tempo. Důležitější než samotné číslo je ale to, co za ním stojí.
Taková frekvence nasazení obvykle nevzniká jen tím, že tým více pracuje. Vyžaduje:
- dobře zvládnutou automatizaci,
- jasnou odpovědnost uvnitř týmů,
- omezení zbytečných schvalovacích vrstev,
- rychlé iterace a schopnost opravovat chyby v krátkých cyklech,
- vysokou míru důvěry v proces i lidi.
V regulovaném bankovním prostředí je navíc každé urychlení složitější než v běžném startupu. O to zajímavější je myšlenka, že rychlost nevzniká obcházením governance, ale tím, že potřebná rozhodnutí a kompetence jsou soustředěné přímo v týmu. Produkt tak může přecházet od návrhu až po publikaci bez toho, aby musel neustále opouštět squadlet a čekat na další schválení, pokud to není opravdu nutné.
To je velmi užitečná lekce i pro jiné firmy. Governance sama o sobě není problém. Problém je governance drag, tedy situace, kdy kontrolní mechanismy zpomalují všechno natolik, že se organizace stává neobratnou. Allica Bank se zřejmě snaží tento odpor omezit tím, že rozhodování zabuduje přímo do pracovních jednotek.
💳 Jak AI mění úvěrování a underwriting
Nejkonkrétnější příklad praktického využití AI přišel v oblasti lendingu. A právě tady je dobře vidět, že hodnota nevzniká jen z hezkého rozhraní, ale hlavně z přepracování procesu.
Úvěrování je pro Allica Bank klíčovým byznysem. Jenže proces je složitý a neprobíhá plně automatizovaně. Banka pracuje s introducery, brokery a v oblasti asset finance dostává mnoho žádostí e mailem. Portály sice existují, ale ne každý je rád používá. A i když je někdo použije, často přijdou neúplné nebo nekvalitní informace.
To je mimochodem velmi typický problém finančních služeb. Organizace vybuduje digitální vstupní kanál, ale reálné chování klientů a partnerů se nezmění tak rychle, jak by si přála. Místo aby Allica Bank tlačila uživatele k ideálnímu chování, upravila svůj přístup. To považuji za mimořádně chytré.
Banka zavedla agenta, který zpracovává informace přicházející e mailem. Takový agent umí rozpoznat, co v podkladech chybí, a vyžádat si doplnění od brokerů ještě dříve, než se údaje propíší do interního portálu. Jinými slovy, AI zde nepřikazuje lidem, aby změnili své návyky. Naopak se přizpůsobuje tomu, jak už dnes komunikují.
Výsledek je velmi praktický. Kombinací deterministických a nedeterministických agentů se banka dostala k tomu, že u části žádostí umí stáhnout čas k rozhodnutí na méně než sedm až dvanáct minut. To je obrovský rozdíl oproti tradičnímu ručnímu zpracování.
Co znamená spojení deterministických a nedeterministických agentů?
Ravneet tento bod zmínil stručně, ale stojí za vysvětlení. V praxi jde o kombinaci dvou typů logiky:
- Deterministické kroky jsou předvídatelné, pravidlové a konzistentní. Například kontrola, zda žádost obsahuje všechny povinné přílohy nebo zda jsou vyplněna konkrétní pole.
- Nedeterministické kroky využívají modely AI k práci s nejednoznačným, nestrukturovaným nebo neúplným vstupem. Umějí pochopit obsah e mailu, shrnout dokumenty nebo odhadnout, co pravděpodobně chybí.
Právě tato kombinace je v regulovaných procesech velmi silná. Tvrdá pravidla zajišťují kontrolu a auditovatelnost, zatímco generativní AI pomáhá tam, kde klasický software naráží na nepořádek reálného světa.
📬 Místo nutit klienty ke změně banka mění vlastní proces
Na tomto příkladu se krásně ukazuje jeden důležitý princip moderního AI designu: nesnažit se za každou cenu měnit chování zákazníků, ale zlepšit proces kolem nich.
Pokud brokeři posílají podklady e mailem, není vždy realistické očekávat, že okamžitě přejdou do dokonale strukturovaného portálu. V mnoha oborech, zvlášť tam, kde jsou důležité vztahy a zvyky, se lidé drží zavedených způsobů práce.
Allica Bank místo toho posiluje vlastní schopnost zpracovat neideální vstup. To je strategie, která může být inspirací i mimo bankovnictví. V logistice, pojišťovnictví, zdravotnictví nebo veřejné správě se totiž velmi často pracuje s dokumenty, e maily a částečně vyplněnými formuláři. Právě tam generativní AI často přináší větší hodnotu než v dokonale standardizovaných procesech.
Užitečný kontext k této oblasti nabízí například Bank for International Settlements nebo Financial Conduct Authority, které dlouhodobě sledují digitalizaci a inovace ve finančních službách. V regulovaných odvětvích je totiž zásadní nejen rychlost, ale i vysvětlitelnost a kontrola.
🤝 Relationship banking bez nahrazení člověka
Další velké téma se týká relationship bankingu, tedy modelu, kde je důležitá osobní péče a dlouhodobý vztah s klientem. Právě tady se často vede debata, zda AI nepovede k odosobnění služby.
V Allica Bank se rozhodli jinak. Místo aby relationship manažery nahrazovali chatboty, chtějí je pomocí AI posílit. To je podle mě velmi rozumné rozlišení.
Banka sice mohla nasadit řadu konverzačních botů, ale tím by riskovala oslabení prvku, který je součástí její konkurenční výhody. Relationship banking je pro ni důležitý diferencující prvek. Proto dává větší smysl zachovat lidský kontakt a doplnit ho o kvalitnější informace.
Prakticky to znamená toto: AI má relationship manažerům dodávat vhledy, kontext a relevantní informace o klientech, aby mohli vést lepší rozhovory a trávit méně času sháněním podkladů. Nejde tedy o nahrazení komunikace, ale o lepší přípravu na ni.
Tento model rozšíření lidské práce je v podnikových AI projektech stále častější. Místo formulace „AI místo člověka“ se ukazuje účinnější přístup „AI vedle člověka“. Lidé se pak mohou soustředit na úsudek, důvěru, vztah a řešení specifických situací. AI dodává rychlost, souhrn a orientaci v datech.
🧠 Lepší kontext znamená lepší rozhovory se zákazníky
Ravneet v této souvislosti zdůraznil ještě jeden praktický přínos. Relationship manažeři by neměli ztrácet čas tím, že si teprve skládají obrázek o zákazníkovi. AI jim má dodat dostatek souvislostí předem, aby mohli vést smysluplnější dialog.
To může zahrnovat například:
- shrnutí předchozích interakcí,
- přehled relevantních produktů a využívaných služeb,
- upozornění na důležité změny v chování nebo potřebách klienta,
- lepší orientaci v historii úvěrového procesu,
- přípravu na další krok ve vztahu se zákazníkem.
I bez dalších detailů je směr jasný. AI zde funguje jako vrstva kontextu. A to je v bankovnictví mimořádně cenné, protože kvalita vztahu často nestojí na množství kontaktů, ale na jejich relevanci. Když má bankéř správný kontext ve správný čas, může být interakce kratší, ale mnohem hodnotnější.
⚙️ Co si z toho může vzít každá regulovaná firma
Příběh Allica Bank není zajímavý jen pro banky. Vidím v něm několik širších principů, které mohou být užitečné pro každou firmu v regulovaném nebo procesně složitém prostředí.
1. Adopce musí být celofiremní
Pokud AI zůstane jen v technologickém týmu, dopad bude omezený. Skutečná změna přichází až tehdy, když se změní práce napříč odděleními.
2. Nestačí nové nástroje, je třeba nový operating model
Klasické role a předávky často vznikaly v době, kdy tvorba softwaru vyžadovala úzkou specializaci a mnoho ručních kroků. AI tuto logiku částečně mění. Menší a samostatnější týmy mohou rozhodovat i dodávat rychleji.
3. Proces se má přizpůsobit realitě zákazníka
Ne každý uživatel chce komunikovat ideálním digitálním kanálem. Místo nátlaku může být efektivnější zlepšit zpracování neideálních vstupů.
4. AI má posilovat lidi tam, kde je lidský vztah klíčový
V oblastech, kde je důvěra a osobní kontakt součástí hodnoty služby, se vyplatí používat AI jako podpůrnou vrstvu, ne jako náhradu člověka.
5. Rychlost nesmí být na úkor kvality
Ravneet několikrát zdůrazňuje, že cílem není jen vyšší tempo. Důležitá je i kvalita služby, bezpečnost a schopnost zlepšovat zákaznické i interní produktové přírůstky.
📊 Kam chce Allica Bank s AI dojít v příštích 12 až 24 měsících
Výhled, který Ravneet popisuje, je střízlivý a zároveň ambiciózní. Ještě před několika měsíci banka podle něj stále hodně experimentovala. Dnes už má jasnější představu o směru, hlavně v produktovém a inženýrském fungování.
Jedním z cílů je navázat na tempo nasazování a dále ho zvýšit. Nejde však o to honit samotná čísla nebo uměle nafukovat metriky. Skutečným cílem je větší množství smysluplných produktových přírůstků. A to jak směrem ke klientům, tak dovnitř organizace.
To je důležitý detail. Interní produktové přírůstky bývají přehlížené, ale právě v bance mohou mít obrovský dopad. Zlepšení v oblastech jako risk, compliance nebo security často přímo ovlivňuje rychlost a kvalitu celé služby. Když AI pomůže i tam, nevzniká jen hezčí front end, ale efektivnější instituce jako celek.
Banka si tedy klade několik souběžných cílů:
- udržet nebo zvýšit rychlost dodávky,
- zachovat a zlepšovat kvalitu služeb,
- přinášet více produktových zlepšení navenek i dovnitř firmy,
- pokračovat v přetváření týmových rolí a kompetencí,
- využívat AI jako motor pro nové způsoby práce, ne jen jako doplněk.
🔍 Proč je tento přístup zajímavý pro budoucnost bankovnictví
Bankovnictví bývá často vnímané jako konzervativní odvětví. A z dobrých důvodů. Regulatorní požadavky, bezpečnost dat, řízení rizik i reputační odpovědnost vyžadují opatrnost. Právě proto je cenné sledovat příklady, kde se inovace neodehrává navzdory regulaci, ale uvnitř jejího rámce.
Allica Bank ukazuje, že AI může být kompatibilní s regulovaným prostředím, pokud je nasazena uvážlivě. Ne jako kouzelná vrstva na všechno, ale jako nástroj pro:
- lepší zpracování nestrukturovaných vstupů,
- rychlejší rozhodovací cykly,
- silnější produktové týmy,
- bohatší kontext pro zaměstnance,
- vyšší počet kvalitních změn v produkci.
To může mít širší dopad i na celý lending ekosystém. Pokud se zkrátí čas od přijetí podkladů k rozhodnutí, zlepší se zkušenost brokerů i podniků, které financování potřebují. Pokud relationship manažeři dostanou lepší vhled, může být komunikace přesnější a užitečnější. A pokud se produktové týmy naučí dodávat změny rychleji, banka se lépe přizpůsobí trhu.
Z dlouhodobého hlediska tedy nejde jen o efektivitu. Jde o schopnost banky reagovat na potřeby klientů v čase, kdy se očekávání mění rychleji než dřív.
🛠️ Největší lekce: AI není jen software, ale způsob organizace práce
Kdybych měl z celého přístupu Allica Bank vypíchnout jednu hlavní myšlenku, byla by to tato: úspěch s AI není primárně o tom, který model používáte, ale jak změníte práci kolem něj.
To zahrnuje kulturu, ochotu učit se nové postupy, přeskupení rolí, menší týmy, méně handoffů, lepší kontext pro rozhodování a jasnější zaměření na skutečné problémy zákazníků. Technologie je důležitá, ale sama o sobě nestačí.
Právě proto tento příklad působí věrohodně. Nezní jako příběh o zázračné automatizaci všeho. Spíš jako promyšlená transformace, kde AI pomáhá odemykat nové možnosti v oblastech, které byly dříve příliš manuální, příliš roztříštěné nebo příliš pomalé.
Pro banky a další regulované firmy je to povzbudivá zpráva. Nemusí čekat na dokonalý okamžik ani na stoprocentní jistotu. Mohou začít tam, kde procesy nejvíc trpí neúplnými informacemi, předávkami a ztrátou kontextu. A odtud postupně měnit zbytek organizace.
✅ Co stojí za zapamatování
Na závěr si zkusím shrnout nejdůležitější body:
- Allica Bank používá AI napříč organizací, ne jen v technologiích.
- Změnila strukturu produktových týmů a přešla k menším squadlets s menším počtem předávek.
- Role se slučují a vznikají širší profily, například product engineer.
- Banka zvládla přes 3700 nasazení ročně a chce zvyšovat počet smysluplných produktových zlepšení.
- V lendingu AI pomáhá zpracovávat e maily, dohledávat chybějící informace a zkracovat čas k rozhodnutí na jednotky minut.
- V relationship bankingu AI nenahrazuje lidi, ale dodává jim lepší kontext a vhledy o zákaznících.
- Budoucnost banky s AI stojí na kombinaci rychlosti, kvality, bezpečnosti a lepší služby klientům.
Celý tento směr mi připadá jako velmi dobrý příklad toho, jak může vypadat moderní AI transformace v praxi. Ne hlučná demonstrace technologických triků, ale disciplinovaná práce na procesech, týmech a zákaznické hodnotě.
A právě to bude podle mě v příštích letech rozhodovat. Ne kdo o AI mluví nejhlasitěji, ale kdo ji dokáže zapojit do skutečného fungování firmy tak, aby lidé pracovali lépe a zákazníci to poznali na kvalitě služby.
