Rabobank investuje 2 miliardy eur do budoucnosti umělé inteligence

Transformace Rabobank: Umělá inteligence jako klíč ke konkurenceschopnosti

Umělá inteligence v bankách: Od teorie k praktické aplikaci

Rabobank, jedna z předních nizozemských bank, plánuje v příštích třech letech rozsáhlou investici až do výše 2 miliard eur do dat, informačních technologií a umělé inteligence (AI). Toto rozhodnutí přichází v době, kdy se očekává, že čistý zisk banky v první polovině roku 2026 stagnuje na 2,694 miliardách eur. Místo maximalizace krátkodobých zisků považuje Rabobank modernizaci své digitální infrastruktury za nezbytnou pro budoucí konkurenceschopnost.

Tento ambiciózní projekt jde nad rámec pouhých investic do umělé inteligence; zahrnuje také zlepšení kvality dat, rozvoj digitálních zákaznických zkušeností a integraci moderních technologií do stávajících systémů. Ve stále více digitálním světě je pro banky nezbytné technologicky se vyvíjet, aby splňovaly rostoucí požadavky zákazníků a tržní výzvy. Tímto krokem Rabobank prokazuje své uznání potřeby změnit svou pozici ve vysoce konkurenčním prostředí a zaměřit se nejen na inovativní technologie, ale také na robustní datový a IT základ pro zajištění dlouhodobého úspěchu.

Rabobank vsadila dvě miliardy dolarů na umělou inteligenci

Evropské banky si už nemohou dovolit technologickou stagnaci

Rabobank plánuje do tří let investovat až 2 miliardy eur do dat, informačních technologií a umělé inteligence. Tato investice přichází v době, kdy čistý zisk v první polovině roku 2026 zůstal ve srovnání se stejným obdobím loňského roku nezměněn na 2,694 miliardy eur. Tato kombinace činí toto rozhodnutí ekonomicky pozoruhodným: banka nezvyšuje své technologické kapacity kvůli krátkodobému růstu zisku, ale navzdory stagnaci výnosů. Banka tak modernizaci své digitální infrastruktury nevnímá jako dobrovolný inovační program, ale jako nezbytný předpoklad pro budoucí konkurenceschopnost.

Běžná mylná představa, že se jedná výhradně o investici do umělé inteligence, je zavádějící. Rozpočet explicitně zahrnuje datovou a IT infrastrukturu, digitální zákaznické zkušenosti a škálování umělé inteligence. Významná část proto pravděpodobně nebude investována do velkolepých jazykových modelů nebo viditelných asistentů, ale spíše do kvality dat, rozhraní, cloudových architektur, kybernetické bezpečnosti, validace modelů a integrace moderních aplikací do stávajících základních systémů. To je přesně ekonomická logika: bez spolehlivých dat a robustních technických základů lze umělou inteligenci demonstrovat ve velké bance, ale nelze ji bezpečně a ziskově škálovat.

Strategická sázka tedy nespočívá v tom, že samotná umělá inteligence okamžitě ušetří miliardy. Spíše jde o to, že banka s moderní datovou a technologickou architekturou bude schopna rychleji měnit procesy, přesněji identifikovat rizika, efektivněji plnit regulační požadavky a nákladově efektivněji obsluhovat zákazníky. Zároveň se objevuje nová struktura nákladů a závislostí. Výpočetní výkon, cloudové služby, specializovaný software, externí poradenství, vysoce kvalifikovaný personál a průběžné monitorování generují trvale vysoké výdaje. Z jednorázové investice se tak stává několikaletá transformace obchodního modelu.

Program v hodnotě několika miliard dolarů s významným dopadem na výsledky

Až 2 miliardy eur za tři roky odpovídají průměru přibližně 667 milionům eur ročně. Pokud by se pololetní zisk ve výši 2,694 miliardy eur pro účely měření extrapoloval na celý rok, výsledná částka by byla okolo 5,388 miliardy eur. Průměrný roční rozpočet na technologie by pak představoval přibližně 12,4 procenta tohoto vypočítaného ročního zisku. V porovnání s vykázaným pololetním ziskem dosahuje celkový tříletý rozpočet dokonce dobrých 74 procent. Tato čísla ukazují, že se nejedná o doplňkový digitální rozpočet na okraji organizace.

Faktura by neměla být zaměňována s přímým odpočtem zisku. Není jasné, jaká část bude aktivována, odepisována v průběhu několika let nebo přímo účtována do nákladů. Stejně tak neexistuje veřejně dostupný rozpis toho, kolik z ní představuje nezbytné investice do obnovy a jaká část je ve skutečnosti dodatečná. Relevantní je také fráze „až“: definuje maximální částku, nikoli nutně částku, která bude plně využita. Pro ekonomické hodnocení je proto celková částka méně důležitá než složení finančních prostředků, načasování jejich vyplacení a měřitelné výsledky pro každý konkrétní případ použití.

Rabobank zahajuje restrukturalizaci z finančně robustní pozice. V první polovině roku 2026 dosáhla poměru kmenového kapitálu Tier 1 (CET1) ve výši 20,2 procenta a návratnosti vlastního kapitálu ve výši 9,5 procenta. Poměr nákladů k výnosům se zlepšil na 50,2 procenta. Zároveň se znehodnocení finančních aktiv zvýšilo ze 136 milionů eur ve stejném období předchozího roku na 562 milionů eur, a to především díky několika velkým opravným položkám v oblasti korporátního bankovnictví. Tento vývoj zdůrazňuje, že výdaje na technologie se nerealizují v bezrizikovém prostředí. Silný kapitál sice poskytuje flexibilitu, ale neodstraňuje úvěrová rizika ani ekonomickou nejistotu.

Provozní základna je také značná. V nizozemském retailovém a korporátním bankovnictví dosáhly vklady 375,1 miliardy eur a úvěry 293 miliard eur. Čistý úrokový výnos v tomto segmentu vzrostl o 6 procent na 3,951 miliardy eur. V mezinárodním korporátním a zemědělském bankovnictví vzrostlo úvěrové portfolio o 7,8 miliardy eur na 142,7 miliardy eur při konstantním směnném kurzu. Aktiva spravovaná v privátním bankovnictví dosáhla 83,1 miliardy eur. I malá procentuální zlepšení technologických změn ovlivňujících tuto bilanční a procesní metriku mohou mít významné absolutní dopady. Naopak chyby, selhání nebo nesprávná rozhodnutí mohou také způsobit značné škody.

Skutečné úzké hrdlo se skrývá pod povrchem umělé inteligence

Ve veřejné diskusi se s umělou inteligencí často zachází jako se samostatným softwarem, který lze instalovat vedle stávajících systémů. Ve velké bance je však opak pravdou. Umělá inteligence přistupuje k datům z účtů, transakcí, vztahů se zákazníky, úvěrových souborů, archivů dokumentů, systémů řízení rizik a komunikačních kanálů. Tyto informace jsou často dostupné v různých formátech s různými standardy kvality a někdy i s protichůdnými definicemi. Model může spolehlivě fungovat pouze tehdy, je-li jasně definován původ, význam, měna a přístupová práva k datům.

Vysoké požadované investice jsou proto primárně cenou za složitost. Základní bankovní systémy, které se vyvíjely po celá desetiletí, obsahují kritickou obchodní logiku, ale je obtížné je integrovat s moderními platformami. Data musí být vyčištěna, kategorizována a obohacena o metadata. Rozhraní vyžadují jednotné standardy. Identity a oprávnění musí být řízeny napříč více systémy. Každý důležitý model potřebuje sledovatelné verze, dokumentovaná školicí a testovací data, definované odpovědnosti a průběžné monitorování. Tato práce zřídka produkuje vysoce profilované produkty, ale určuje, zda se umělá inteligence přesune z demonstrace do běžných bankovních operací.

Rabobank již zjednodušila část své základní architektury. V rámci korporátního bankovnictví byly tisíce portfolií, úvěrových linek, úvěrů, obchodních pozic a účtů z více než 35 starších základních bankovních systémů migrovány na centrální platformu. Takové konsolidace jsou ekonomicky významné, protože mohou snížit počet paralelních datových modelů, rozhraní a cest údržby. V krátkodobém horizontu však automaticky nesnižují náklady. Během přechodné fáze staré a nové systémy často běží vedle sebe, jsou potřeba další specialisté a je nutné zmírnit rizika migrace.

To vysvětluje klíčový paradox rozsáhlých digitalizačních programů: Zpočátku se úsilí zvyšuje, i když strategie usiluje o dlouhodobé snižování nákladů. Staré systémy lze vyřadit z provozu až po úplném přenosu dat, přepracování procesů, validaci kontrol a testování nouzových postupů. Úspory se dosahují příliš brzy, což zvyšuje provozní riziko. Příliš dlouhé paralelní provozování systémů brání realizaci úspor. Ekonomický úspěch proto nezávisí pouze na technické implementaci, ale také na důsledném zjednodušování. Přidání moderní vrstvy umělé inteligence do stávající, složité struktury procesů by pouze přidalo nové náklady ke starým.

Od pilotního projektu k průmyslovému rozšíření

Evropský bankovní sektor se z velké části posunul za experimentální fázi. Více než 85 procent větších institucí monitorovaných evropskými bankovními dohledy využívá umělou inteligenci v nějaké formě. Průzkumy provedené Evropským bankovním orgánem dokonce uvádějí číslo přes 90 procent pro širší trh. Tato čísla však neznamenají, že umělá inteligence již funguje produktivně napříč všemi oblastmi. Existuje významný rozdíl ve vyspělosti mezi omezeným modelem klasifikace dokumentů a hluboce integrovanou, pro podnikání kritickou platformou umělé inteligence.

Ekonomická výzva spočívá v transformaci mnoha individuálních řešení do opakovaně použitelných funkcí. Chatbot, model pro detekci podvodů nebo programátorský asistent mohou rychle přinést lokální výhody. Pokud jsou však pro každý z nich vytvořeny samostatné datové kanály, bezpečnostní kontroly a provozní modely, náklady a rizika se znásobují. Škálování vyžaduje sdílené technické komponenty, standardizovaná kritéria kvality a centrální rámec, v němž mohou oddělení vyvíjet aplikace.

Přesně to je účel Agentic Hubu, který založila Rabobank. Jeho cílem je spojit znalosti, technický vývoj, zkušenosti s aplikacemi a opakovaně použitelné stavební bloky pro agenty s umělou inteligencí. To má značný význam vzhledem k více než 1100 týmům zapojeným do vývoje softwaru v bance. Bez centrální architektury by každý tým mohl opakovaně řešit podobné problémy, vybírat si různé nástroje a vytvářet si vlastní kontrolní mechanismy. Hub může omezit duplicitu úsilí a urychlit šíření úspěšných řešení.

Centralizace se však nesmí stát těžkopádným kontrolním mechanismem. Pokud každá změna vyžaduje měsíce schvalování, oddělení budou migrovat na neschválené nástroje nebo zaostávat za digitální konkurencí. Naopak příliš otevřená platforma vede k nekontrolovaným modelům, únikům dat a nekonzistentním výsledkům. Produktivní střední cesta se skládá ze standardizovaných, předem schválených komponent, jasných tříd rizik a stupňovitých schvalovacích procesů. Interní znalostní asistent potřebuje jiné kontroly než systém, který připravuje úvěrová rozhodnutí nebo blokuje podezřelé platby.

Kde mohou vzniknout ekonomické výhody

Nejatraktivnější oblasti použití se zpočátku nacházejí tam, kde se setkávají vysoké objemy prací se standardizovanou znalostní prací. Patří mezi ně identifikace zákazníků, ověřování dokumentů, odhalování podvodů, monitorování praní špinavých peněz, zpracování servisních požadavků, vývoj softwaru a interní výzkum. V těchto oblastech nemusí umělá inteligence jednat okamžitě zcela autonomně. Dokonce i vylepšené předběžné třídění, sumarizace nebo stanovování priorit může zkrátit dobu zpracování a ulevit kvalifikovaným zaměstnancům od rutinních úkolů.

Rabobank již zpracovává miliony transakcí denně ve velmi krátkém čase pro detekci podvodů. Postupy založené na pravidlech jsou kombinovány s hodnocením rizik a strojovým učením. Výhoda takového hybridního přístupu spočívá v kombinaci transparentnosti a rozpoznávání vzorců. Pravidla transparentně mapují známé scénáře podvodů, zatímco statistické modely dokáží detekovat neobvyklé konstelace, které nebyly předem plně popsány. Ekonomická hodnota se generuje díky zamezení ztrát, menšímu počtu falešných poplachů a sníženému úsilí o manuální kontrolu.

Totéž platí pro boj proti praní špinavých peněz a dalším finančním zločinům. Banky musí analyzovat obrovské množství zpráv, dokumentů a informací o transakcích. Tradiční systémy často generují četná upozornění, z nichž mnohá se ukážou jako neopodstatněná. Když umělá inteligence zlepší prioritizaci, mohou vyšetřovatelé věnovat více času složitým případům. Výhody pak sahají nad rámec pouhých nižších nákladů. Rychlejší a přesnější detekce snižuje regulační, právní a reputační rizika, jejichž potenciální škody daleko převyšují průběžné personální náklady.

V zákaznickém servisu dokáže generativní umělá inteligence agregovat informace z interních úložišť znalostí, připravovat konverzace a shrnovat dokumenty. Zaměstnanci získají rychlejší přehled, zatímco zákazníci zažijí kratší reakční doby. Plně automatizovaná komunikace zůstává rizikovější, protože nesprávné nebo neúplné odpovědi mají okamžité externí dopady. Proto je často ekonomicky životaschopnější postupný přístup: umělá inteligence připravuje obsah, člověk jej kontroluje z hlediska citlivých záležitostí a plně automatizované jsou pouze jasně definované standardní případy.

Vývoj softwaru také nabízí značný potenciál. Agenti umělé inteligence mohou připravovat kód, generovat testy, vyhledávat chyby, vytvářet dokumentaci a podporovat recenze. Příklady z oboru ukazují zlepšení produktivity o 20 až 30 procent, pokud jsou důsledně implementovány v celém vývojovém procesu. Tato čísla však nezaručují úsporu nákladů. Zvýšený výkon na vývojáře snižuje personální náklady pouze tehdy, pokud se skutečně sníží kapacita. Výhody častěji zpočátku vyplývají z rychlejších projektů, menšího počtu nevyřízených projektů a větší přizpůsobivosti.

Zisk se negeneruje pouze z ušetřených minut

Mnoho obchodních modelů umělé inteligence nadhodnocuje hodnotu malých úspor času. Pokud asistent ušetří každému zaměstnanci několik minut denně, neprojeví se to odpovídajícím ziskem. Uvolněný čas lze rozložit do mnoha krátkých intervalů, během kterých se nevykonává žádná další práce s přidanou hodnotou. Pouze reorganizace procesů a odpovědností může produktivitu promítnout do nižších nákladů, zvýšení kapacity nebo dodatečných příjmů.

Pro Rabobank by proto mělo být ekonomické hodnocení prováděno na úrovni procesu. V oblasti zpracování úvěrů by mezi relevantní metriky patřila doba zpracování, míra chyb, počet dokončených případů a výnos upravený o riziko. V oblasti prevence podvodů jsou klíčové zabráněné ztráty, míra detekce, míra falešných poplachů a náklady na zpracování na případ. V oblasti zákaznického servisu jsou významnější než pouhý počet odpovědí generovaných umělou inteligencí míra řešení při prvním kontaktu, doba čekání, spokojenost zákazníků a náklady na dotaz. V oblasti vývoje softwaru by se měla měřit doba nasazení, chyby po spuštění, opětovné použití a procento skutečně vyřazených starších systémů.

Návratnost investice musí být také vypočítána s ohledem na celkové náklady. Kromě licencí a výpočetního výkonu sem patří příprava dat, integrace, kybernetická bezpečnost, právní kontroly, validace modelů, školení zaměstnanců, monitorování a záložní řešení. Rostoucí využívání může také zvýšit náklady, pokud je fakturace založena na výpočetním objemu nebo volání modelu. Zpočátku levný pilotní projekt se může stát nákladným s miliony denních transakcí. Každý případ použití proto vyžaduje robustní výpočet jednotkových nákladů a jasné hranice pro určení, kdy se alternativní technický přístup stává ekonomičtějším.

Důležitější než velkolepé celkové číslo je diverzifikované investiční portfolio. Aplikace s nižším rizikem a rychleji měřitelnými přínosy mohou přinést brzkou návratnost. Vysoce rizikové klíčové procesy vyžadují delší validaci, ale mohou slibovat větší strategické výhody. Investice do infrastruktury často negenerují přímé individuální příjmy, ale umožňují mnoho pozdějších aplikací. Klíčovou chybou managementu by bylo připsat náklady na platformu výhradně jednotlivým raným projektům, nebo naopak přijmout každý budoucí slib jako ospravedlnění pro nekontrolované výdaje.

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Řešení spravované umělé inteligence – Průmyslové služby umělé inteligence: Klíč ke konkurenceschopnosti v odvětvích služeb, průmyslu a strojírenství

Stagnující zisky zvyšují tlak na úspěch

Nezměněný čistý zisk není automaticky varovným signálem pro robustní banku. Může odrážet stabilní ziskovost v náročnějším prostředí. V Rabobank byly vyšší tržby a kontrola nákladů kompenzovány výrazně zvýšenými opravnými položkami. Stagnující růst zisku nicméně mění vnímání technologického programu. Dokud výsledky nebudou dynamicky růst, investoři, členové a regulátoři budou pečlivěji zkoumat, kdy a jak se výdaje vyplatí.

Zlepšený poměr nákladů k výnosům (Cost-to-Income ratio) ve výši 50,2 procenta poskytuje solidní výchozí bod. Ukazuje, že z každého eura tržeb připadá zhruba polovina na provozní náklady. Pro tradiční univerzální banku je to konkurenceschopné, ale není to důvod k uspokojení se s očekáváním. Digitální banky a specializovaní poskytovatelé se zaměřují na ziskové části hodnotového řetězce se štíhlejšími strukturami. Zároveň zavedené instituce čelí rostoucím výdajům na regulaci, kybernetickou bezpečnost, kvalifikovaný personál a technologickou modernizaci. Umělá inteligence má tuto zátěž částečně kompenzovat, ale zpočátku s sebou také přináší náklady.

To vytváří časovou asymetrii. Investiční náklady a organizační zátěž vznikají brzy; úspory a zvýšené příjmy následují později a zůstávají nejisté. Pokud jsou interní očekávání stanovena příliš agresivně, existuje riziko ukvapených personálních opatření nebo předčasného rozšiřování neověřených systémů. Pokud jsou cíle formulovány příliš opatrně, může být miliardový rozpočet promrhán bez dostatečné disciplíny. Proto jsou potřebné mezilehlé cíle, které propojují technologický pokrok s ekonomickými výsledky. Důraz by se neměl klást na počet modelů nebo uživatelů, ale na zlepšování celých hodnotových toků.

Banka musí také zabránit tomu, aby zvýšení efektivity jednoduše generovalo novou poptávku v rámci organizace. Pokud si každé oddělení objedná více analýz, reportů a softwarových změn díky umělé inteligenci, aktivita se sice zvýší, ale ne nutně hodnota společnosti. Dobrá správa upřednostňuje případy užití na základě rizika, ekonomického přínosu a strategické relevance. Ukončuje projekty, jejichž přínosy nejsou prokazatelné, i když se základní technologie zdá působivá.

Regulace se stává součástí produktu

V evropském finančním sektoru nelze umělou inteligenci oddělit od regulace. Evropský právní rámec obecně klasifikuje systémy pro posuzování úvěruschopnosti fyzických osob jako vysoce rizikové aplikace. Z toho vyplývají požadavky na řízení rizik, kvalitu dat, technickou dokumentaci, protokolování, transparentnost, lidský dohled a monitorování po implementaci. Zároveň již platí pravidla bankovního dohledu týkající se modelových rizik, ochrany spotřebitelů, soukromí údajů a řádné organizace podniku.

Kromě toho existuje nařízení o digitální provozní odolnosti finančního sektoru, které platí od ledna 2025. Vyžaduje robustní postupy pro IT rizika, hlášení incidentů, testování a kontrolu externích poskytovatelů technologických služeb. Pro Rabobank to znamená, že aplikace umělé inteligence musí nejen správně počítat. Banka musí také vědět, kteří poskytovatelé, subdodavatelé, datová centra a datové toky jsou zapojeni, jak se řeší narušení a jak by byla změna poskytovatele technicky proveditelná.

Dodržování předpisů proto není dodatečnou myšlenkou, ale nedílnou součástí architektury systému. Přidání dokumentace, zdroje dat, přístupových práv a monitorování až po vývoji vede k významnému přepracování. Nákladově efektivní platforma integruje tyto funkce od samého začátku. Standardizované protokoly, registry modelů, automatizované testy a jasné odpovědnosti mohou zvýšit počáteční náklady, ale snižují mezní náklady každé následné aplikace.

Otázka lidského dohledu je obzvláště náročná. Formální schválení zaměstnanci je nedostatečné, pokud nemají čas a informace k kritickému posouzení doporučení. Efektivní dohled vyžaduje srozumitelné odůvodnění, možnost odchylky a jasné postupy eskalace. V případech úvěrových rozhodnutí nebo stížností zákazníků musí dotčené osoby obdržet transparentní a srozumitelné odpovědi. Čím více systém zasahuje do práv a ekonomických příležitostí, tím méně by se lidská role měla omezovat na pouhé symbolické potvrzování automatizovaných výsledků.

Regulace se může krátkodobě jevit jako nákladový faktor, ale z dlouhodobého hlediska může vytvořit konkurenční výhodu. Banka, která zvládá spolehlivé, auditovatelné a spravedlivé procesy umělé inteligence, může rychleji vydávat nové aplikace a posilovat důvěru zákazníků a regulačních orgánů. Instituce, které berou správu a řízení pouze jako překážku, naopak riskují pozdější omezení, pokuty, rušení modelů a poškození reputace. V bankovnictví je sama o sobě důvěra ekonomickým aktivem.

Závislost na cloudu se stává strategickým rizikem rozvahy

Pokročilá umělá inteligence vyžaduje vysoce výkonná datová centra, specializované čipy, škálovatelné úložiště a komplexní softwarové platformy. Jen několik globálních poskytovatelů dokáže tuto infrastrukturu ve velkém měřítku dodat. To pro banky vytváří novou formu konsolidace. I když jsou smlouvy legálně outsourcovány, odpovědnost za kritické funkce zůstává na instituci.

Bezprostřední výhoda velkých poskytovatelů cloudových služeb a umělé inteligence spočívá v rychlosti a úsporách z rozsahu. Poskytují bezpečnostní nástroje, modely a výpočetní výkon, které by si jedna evropská banka mohla sama vyvinout jen s obrovským úsilím. Zcela interní provoz by byl často dražší, pomalejší a technicky méně výkonný. Technologická suverenita proto nemůže smysluplně znamenat budování každé komponenty interně.

Spíše to znamená pochopení a správu kritických závislostí. To zahrnuje přenositelné datové formáty, dokumentovaná rozhraní, samostatné zálohy, otestované strategie ukončení a alternativní provozní metody pro obzvláště důležité funkce. Smlouvy musí zahrnovat práva na přístup, audit a ukončení. Banka by se dále měla vyhnout tak hlubokému zakomponování proprietárních služeb do procesů, že by přechod byl prakticky nemožný.

Multi-vendor strategie jsou často prezentovány jako jednoduché řešení, ale generují si vlastní náklady. Dvě cloudová prostředí znamenají dodatečné odborné znalosti, bezpečnostní konfigurace, rozhraní a testování. Proto ne každá aplikace musí běžet na více platformách současně. Architektura založená na riziku dává větší smysl: Pro obzvláště kritické služby jsou vyžadovány skutečné alternativy a záložní možnosti, zatímco méně kritické aplikace lze selektivně provozovat u jednoho poskytovatele. Důležité je, aby banka nezaměňovala rizika koncentrace s pouhou diverzitou smluv.

Geopolitické otázky také nabývají na významu. Mnoho předních poskytovatelů cloudových a modelových služeb sídlí mimo Evropskou unii. Změny v obchodním právu, sankce, nároky na extrateritoriální přístup nebo úzká místa v dodávkách vysoce výkonných čipů mohou ovlivnit dostupnost. Evropská banka proto musí společně posoudit technický výkon, ochranu dat, právní rámec a bezpečnost dodávek. Nejlevnější služba nemusí být nutně ekonomicky nejvýhodnější volbou, pokud nejsou dostatečně zohledněny její prostoje nebo náklady na přechod.

Pracovní síla bude přehodnocena

Umělá inteligence mění nejprve úkoly v bankách a teprve poté pracovní místa. Obzvláště ovlivněny jsou opakující se úkoly v oblasti zpracování dokumentů, zákaznického servisu, dodržování předpisů, analýzy rizik a vývoje softwaru. Modely mohou vyhledávat informace, předběžně třídit případy, generovat návrhy textů a provádět standardní kontroly. V důsledku toho se lidská práce přesouvá k monitorování, zpracování výjimek, hodnocení kontextu a komunikaci se zákazníky.

Tato změna v žádném případě není automaticky společensky přijatelná. Pokud jsou cíle produktivity primárně koncipovány jako snižování počtu zaměstnanců, zaměstnanci mohou zatajovat znalosti, odmítat nové systémy nebo otevřeně nehlásit problémy. Úspěšná implementace se však opírá o zkušenostní znalosti. Odborníci musí vysvětlit, které výjimky jsou relevantní, jak identifikovat chybné výsledky a kdy je třeba případ eskalovat. Ekonomické přínosy se proto zvyšují, když jsou zaměstnanci zapojeni do návrhu procesů a měření kvality od rané fáze.

Zároveň by bylo nerealistické bagatelizovat dopady na zaměstnanost. Pokud banka dokáže trvale zpracovávat více transakcí a zákaznických dotazů se stejným nebo menším počtem zaměstnanců, potřeba určitých úkolů se snižuje. K tomuto snížení může dojít přirozeným odchodem zaměstnanců, menším počtem nových zaměstnanců, přemístěním firem a cíleným propouštěním. Pod tlakem jsou zejména role, jejichž hodnota spočívá primárně ve shromažďování informací, standardní dokumentaci nebo zpracování na základě pravidel.

V oblasti datového inženýrství, bezpečnosti modelů, návrhu procesů, kybernetické obrany, odpovědnosti za produkty a nezávislého ověřování vznikají nové požadavky. Nové specializované pozice však nemusí nutně kompenzovat pokles opakující se práce. Zkušení administrativní pracovníci se navíc nemohou přes noc přeškolit na architekty umělé inteligence. Důvěryhodný kvalifikační program proto musí rozlišovat: někteří zaměstnanci potřebují dovednosti v oblasti bezpečných aplikací, jiní hluboké znalosti dat a menší skupina vyžaduje vysoce specializované technické dovednosti.

Cílem by nemělo být co nejrychlejší odstranění lidí z procesů. Vědomé rozdělení úkolů je ekonomicky výhodnější. Stroje zpracovávají velké množství dat, opakujících se úkolů a rozpoznávání vzorů; lidé jsou zodpovědní za nejednoznačné případy, etické úvahy, vztahy a dalekosáhlá rozhodnutí. Úroveň automatizace se může zvýšit pouze tehdy, když je prokázána kvalita, bezpečnost a odpovědnost.

Prospěch zákazníka určuje legitimitu

Technologická modernizace se pro zákazníky stává relevantní pouze tehdy, když je patrná v jejich každodenním životě. Kratší doby zpracování, lepší prevence podvodů, jasnější komunikace a zvýšená dostupnost jsou jasnými výhodami. Personalizované poradenství může zákazníkům pomoci dříve identifikovat finanční rizika nebo najít vhodné produkty. Zároveň však může být tato personalizace vnímána jako dotěrná nebo manipulativní, pokud banka používá data bez jasného účelu.

Úvěrování je obzvláště citlivá oblast. Přesnější modely by mohly lépe rozlišovat rizika a otevřít přístup k financování zákazníkům, které bylo dříve obtížné posoudit. Mohou však také reprodukovat stávající nerovnosti, pokud historická data obsahují zkreslená rozhodnutí. I proměnné, které se zdají být neutrální, mohou nepřímo odrážet původ, místo bydliště nebo sociální postavení. Pravidelné kontroly diskriminace jsou proto nejen ze zákona vyžadovány, ale také chrání obchodní model před nesprávným výběrem rizika.

Digitální asistenti představují další problém: jazykovou jistotu lze snadno zaměnit za faktickou jistotu. Plynule formulovaná, ale nesprávná rada může způsobit finanční škody. Zákazníci musí být schopni rozpoznat, kdy interagují s automatizovaným systémem a jak kontaktovat člověka. U složitých finančních rozhodnutí nesmí pohodlí nahradit fundovanou radu.

Kooperativní povaha Rabobank vyvolává očekávání, že technologická efektivita se neprojeví pouze ve snižování interních nákladů. Členové a zákazníci budou také očekávat lepší služby, spravedlivé ceny a zodpovědné nakládání s daty. Pokud automatizace pouze zvýší čekací doby snížením počtu osobních kontaktů, transformace ztratí veřejnou podporu. Naopak, pokud se úspěšně implementuje kombinace rychlého digitálního zpracování a snadno dostupné lidské podpory, technologie může posílit loajalitu zákazníků.

Konkurenční výhoda, nebo drahá povinnost?

Investice tohoto rozsahu nezaručuje konkurenční výhodu, protože i ostatní velké banky zvyšují své výdaje na technologie. Nástroje umělé inteligence se navíc stále více standardizují a jsou konkurentům dostupné prostřednictvím stejných poskytovatelů. Trvalá diferenciace proto nepramení pouze z přístupu k modelu. Spoléhá na proprietární data, lepší procesy, rychlejší implementaci, důvěryhodnou správu a schopnost převést poznatky do konkrétních nabídek pro zákazníky.

Díky své silné pozici v nizozemském sektoru retailového a korporátního bankovnictví a také mezinárodním znalostem v zemědělství a potravinářství disponuje Rabobank cennými daty a vztahy specifickými pro dané odvětví. To by mohlo vést k aplikacím, které běžné technologické společnosti nemohou snadno replikovat. Mezi příklady patří přesnější hodnocení rizik v zemědělství a dodavatelských řetězcích, vylepšené prognózy likvidity pro střední podniky a včasnější varování před narušením trhu s počasím a komoditami. Strategická hodnota spočívá v kombinaci obecných schopností umělé inteligence s hlubokými znalostmi v daném odvětví.

Velikost však může být i nevýhodou. Více obchodních jednotek, zemí, předpisů a starších systémů zvyšuje úsilí o koordinaci. Menší poskytovatelé digitálních služeb mohou testovat nové produkty rychleji na jednotné platformě. Rabobank proto musí svůj dosah proměnit v úspory z rozsahu, aniž by ji omezovala vnitřní složitost. Agentic Hub a sdílené datové základny jsou pro to nezbytnými, ale nikoli postačujícími podmínkami.

Zda program vytvoří konkurenční výhodu, bude záviset na třech otázkách. Zaprvé: Dokáže banka nasadit úspěšné aplikace rychleji, než rostou náklady a rizika? Zadruhé: Opravdu se jedná o ukončení starých systémů a procesních kroků, místo aby se pouze přidávaly nové vrstvy? Zatřetí: Povede program k lepším rozhodnutím a zákaznické zkušenosti, které se promítnou do nižších ztrát, vyšší míry retence zákazníků nebo dalšího obchodu? Pokud tyto otázky zůstanou nezodpovězeny, program by se stal nákladnou modernizační povinností bez nadprůměrných výnosů.

Spolehlivý ukazatel pro příští tři roky

Prvním měřítkem úspěchu je zjednodušení technického prostředí. Počet vyřazených starších systémů, omezených rozhraní a konsolidovaných datových sad ukazuje, zda banka eliminuje dlouhodobé náklady. Pouhá migrace bez vyřazení systémů z provozu naopak nabízí jen malý strukturální přínos. Stejně důležité jsou metriky kvality dat, jako je četnost chybných datových záznamů, sledovatelnost původu dat a čas potřebný k poskytnutí ověřených informací.

Druhá metrika se týká provozní výkonnosti. Doby zpracování, míra automatizace, chybovost, ztráty způsobené podvody a objemy manuálních kontrol by měly být srovnatelné před implementací a po ní. Průměrná hodnota je nedostatečná. Systém může urychlit standardní případy a zároveň zhoršit ty složité. Výsledky je proto nutné hodnotit podle skupiny zákazníků, produktu a třídy rizika.

Třetím měřítkem je čistý finanční efekt. Úspory a dodatečné příjmy musí být porovnány s celkovými provozními náklady. Patří sem odpisy, externí služby, kontrolní funkce a školení. Přesunuté náklady se nesmí projevit jako úspory. Pokud obchodní jednotka snižuje počet zaměstnanců, zatímco náklady na centrální IT a dodržování předpisů se výrazněji zvyšují, společnost jako celek se nemusí zlepšit.

Čtvrtým měřítkem je riziko. Počet a závažnost technických selhání, úniků dat, odchylek od modelu, stížností zákazníků a námitek regulačních orgánů musí být viditelné. Projekt s vysokou produktivitou, ale rostoucí mírou chyb nebo stížností, není úspěšný. Podobně by měly být plány pro ukončení a pohotovostní plány pravidelně testovány v praxi, spíše než aby existovaly pouze v dokumentaci.

Pátým měřítkem je organizační adaptabilita. Jak rychle dokáže banka převést úspěšnou aplikaci z jedné oblasti do ostatních? Jak dlouho trvá schválení nového modelu? Kolik týmů používá sdílené komponenty? Jaké procento zaměstnanců dokáže nástroje používat s jistotou a efektivně? Tyto metriky ukazují, zda jednotlivé projekty povedou k trvalé schopnosti.

Jasná perspektiva sázky na miliardu dolarů

Rozhodnutí Rabobank je ekonomicky pochopitelné, ale ne automaticky vytváří hodnotu. Neinvestování by bylo také nákladné. Zastaralé systémy, fragmentovaná data a pomalé procesy zvyšují provozní rizika a brání konkurenci digitálně vyspělejších poskytovatelů. Zároveň by bylo nebezpečné ospravedlňovat program pouze obecným odkazem na transformační sílu umělé inteligence. Miliardové rozpočty vyžadují spíše přesvědčivé důkazy než přesvědčivé demonstrace.

Největší silnou stránkou projektu je jeho široký přístup. Banka si jasně uvědomuje, že umělá inteligence se může škálovat pouze na robustním základě dat a IT. Kombinace s centrální platformou pro aplikace založené na agentech, probíhající modernizací základního systému a již zavedenými aplikacemi v oblasti odhalování podvodů a finanční kriminality hovoří proti tomu, aby se jednalo pouze o pomíjivý módní výstřelek. Solidní kapitálová základna navíc poskytuje potřebné finanční zdroje.

Největší slabinou jsou stále nedefinované ekonomické detaily. Maximální rozpočet je známý, ale jeho alokace a závazné cíle návratnosti nikoli. Bez transparentních průběžných cílů existuje riziko, že nezbytné základní investice, experimentální projekty umělé inteligence a běžné modernizace IT budou shrnuty do jedné velké částky. Pak by bylo obtížné rozlišit, která část skutečně vytváří přidanou hodnotu.

Rabobank by proto neměla definovat svůj úspěch jediným velkolepým ukazatelem. Důležitý je vyvážený výsledek zahrnující nižší jednotkové náklady, rychlejší adaptabilitu, lepší kontrolu rizik a vyšší hodnotu pro zákazníka. Snižování počtu zaměstnanců může k tomuto efektu přispět, ale nesmí se stát jediným obchodním modelem. Podobně by technologická suverenita neměla být zaměňována s nerealistickým interním vývojem. Zvládnutelné závislosti, jasná odpovědnost a osvědčené alternativy jsou důležitější než symbolická nezávislost.

Program je v konečném důsledku zkouškou pro celý evropský bankovní sektor. Pokud se Rabobank podaří převést svou robustní rozvahu do produktivnější, jednodušší a důvěryhodnější digitální organizace, stane se z investice jen plán. Pokud selže kvůli starším systémům, závislosti na dodavateli nebo nedostatečné implementaci v provozu, ukáže se, že vysoké výdaje na umělou inteligenci bez transformace procesů pouze přidávají další vrstvu složitosti k těm stávajícím. Klíčovou otázkou tedy není, zda jsou 2 miliardy eur hodně. Jde o to, zda bude mít banka po třech letech měřitelně menší složitost než dříve. Teprve poté se technologická modernizace promítne do hospodářského pokroku.

Xpert.Digital je datově orientované B2B centrum pro průmysl, které vede Konrad Wolfenstein . Společnost funguje jako externí, kvazi-interní řešení pro průmyslové partnery a odstraňuje provozní mezery v marketingu, obsahu a prodeji – aniž by vyžadovala další zdroje na straně klienta.

Více informací zde:

• Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

 

Já a můj tým jsme rádi, že vám můžeme být k dispozici jako váš osobní poradce.

Můžete mě kontaktovat vyplněním kontaktního formuláře zde wolfenstein@xpert.digital:nebo mi jednoduše zavolat na číslo +49 7348 4088 965. Moje e-mailová adresa je

Těším se na náš společný projekt.

 

 

☑️ Podpora malých a středních podniků v oblasti strategie, poradenství, plánování a implementace

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy