Umělá inteligence v investičním bankovnictví: Stroje čtou, lidé rozhodují – kdo skutečně vítězí?

Umělá inteligence v investičním bankovnictví: Toto jsou úkoly, u kterých algoritmy (stále) žalostně selhávají

Kreativní struktury obchodů, transakce v řádu milionů dolarů a vizionářské úsudky – takhle investiční banky rády propagují své služby. Realita pro juniorní analytiky však, daleko od nablýskaných prezentací, často vypadá zcela jinak: nekonečné noci ve virtuálních datových místnostech, ruční procházení stovek PDF smluv a pečlivý převod čísel do složitých excelových modelů. Právě v tomto rozporu mezi draze placenou expertízou a únavným shromažďováním informací v současnosti rozvíjí umělá inteligence (AI) svůj největší potenciál.

Zatímco giganti z Wall Streetu, jako jsou JPMorgan a Goldman Sachs, již dlouho investují desítky miliard dolarů do systémů umělé inteligence, aby osvobodili své analytiky od pouhých únavných úkolů, realita ukazuje drsný obraz: Ne každá vysoce ceněná technologie dokáže odolat neúprosnému tempu a tlaku skutečné fúze a akvizice. Automatizace navíc vyvolává hluboké otázky: Pokud algoritmy v budoucnu převezmou kontrolu nad výzkumem, jak se příští generace bankéřů naučí své řemeslo? A kdy bude zkušený obchodník vůbec důvěřovat analýze stroje? Tento článek neochvějně zkoumá, které aplikace umělé inteligence skutečně fungují ve vysoce regulovaném finančním sektoru, kde je nutné automatizaci záměrně zastavit a proč se slepá víra v technologie bez spolehlivých důkazů rychle stává masivním rizikem odpovědnosti.

Důkazy místo fám: Když špičkoví bankéři skutečně důvěřují výsledkům umělé inteligence

Investiční banky oficiálně prodávají úsudek, vztahy a kreativní struktury obchodů. Pohled na skutečnou každodenní práci mladých analytiků však odhaluje zcela jiný obraz: procházení datových místností, pečlivý převod čísel z PDF dokumentů do excelových modelů, hledání starých prezentací, které banka vytvořila před třemi lety pro podobného klienta.

Právě v tomto rozporu spočívá jádro problému. Investiční bankovnictví sice prodává úsudek, ale drtivou většinu hodin juniorních zaměstnanců tráví pouhým shromažďováním informací. Právě tento rozdíl mezi tím, za co klienti skutečně platí, a tím, na co je pracovní doba skutečně vynaložena, je oblastí, kde se využití umělé inteligence v investičním bankovnictví stává ekonomicky životaschopným.

V tomto kontextu stojí za to se blíže podívat na to, jak mohou finanční instituce skutečně využít umělou inteligenci k hmatatelným obchodním výhodám. Stručná odpověď zní: banky, které zde vítězí, nejsou ty s nejodvážnějšími strategickými prezentacemi. Jsou to ty, které důsledně nasazují stroje ke čtení a vyhledávání dokumentů, zatímco samotné posouzení ponechávají na lidech a celý proces řídí v rámci vlastních kontrolovaných systémových hranic.

Neviditelná cena pouhého shromažďování informací

Důvod, proč se nikdo tímto problémem nezabývá, je ten, že se nikde neobjevuje jako samostatná položka nákladů. Platy jsou již rozpočtovány, analytici již byli najati a přiděleni. Čtení a kontrola dokumentů je přesně to, za co byly pracovní hodiny původně zakoupeny – úsilí proto zůstává po podpisu nájemní smlouvy stejně neviditelné jako nájemné.

Když však vezmete v úvahu skutečné náklady na toto skryté úsilí, problém se rychle ukáže jako zřejmý. Vede to k namátkovým kontrolám místo komplexních revizí, protože důkladné čtení každé jednotlivé smlouvy v datové místnosti stejně nikdy nebylo finančně proveditelné. Výsledkem jsou zastaralé firemní profily, protože aktualizace čtyřiceti profilů za čtvrtletí pravidelně prohrává v konkurenci s probíhajícími, naléhavými transakcemi. A vede to k tomu, že slibné obchody se ani neuzavírají, protože tým je již plně zaneprázdněn aktuálními transakcemi. Každé z těchto rozhodnutí je ve skutečnosti učiněno z časového omezení, nikoli osobně bankéřem.

Objemový aspekt tohoto problému se stává stále naléhavějším. Aktivita řízená finančními sponzory roste souběžně s růstem trhu soukromého kapitálu a analytici společnosti Preqin předpovídají, že globální aktiva v alternativních třídách aktiv dosáhnou do roku 2030 přibližně 32 bilionů dolarů. To se promítá do více transakčních procesů, konkurenčnějších nabídkových řízení a většího množství due diligence na bankéře, než kolik jakýkoli plán personálního obsazení realisticky dokáže pojmout. Banky, které budou tyto skryté náklady i nadále akceptovat, za ně budou každým rokem platit více. Naopak ti, kteří mohou rozšířit své pokrytí, aniž by zvyšovali své náklady, jsou ti, kteří přestali vnímat únavné procházení dokumentů jako jakýsi iniciační rituál pro juniorní analytiky.

Které aplikace umělé inteligence skutečně obstojí v praktickém testování?

Ne všechny případy užití jsou stejně připraveny k produktivnímu nasazení a pořadí, ve kterém jsou řešeny, je důležitější než technická volba samotného softwaru. Tři kritéria filtrování pomáhají s rychlou klasifikací.

V první řadě je to objem. Měli byste si vybrat dávku dokumentů, která se hromadí neustále a pravidelně, spíše než jen občas, protože pracovní postup, který se spouští pouze dvakrát ročně, nikdy nenashromáždí dostatek zkušeností k vybudování skutečné důvěry. Za druhé je to opakovatelnost: stejná informační pole, vždy dotazovaná stejným způsobem, napříč dokumenty, které se liší formulací, ale sotva strukturou. Za třetí a nejdůležitější je ověřitelnost. Chcete získat výsledek, který může někdo během několika sekund porovnat se zdrojem, protože právě toto ověření nakonec přesvědčí skeptiky.

Použití těchto tří filtrů vede k tomu, že téměř každá banka má stejný krátký seznam priorit. Datové místnosti dosahují nejvyššího skóre, a proto se inteligentní analýza dokumentů due diligence obvykle implementuje jako první. Interní precedentní dokumenty následují na druhém místě, protože vlastní historie banky je rozsáhlá, nekonečně zdlouhavá na vyhledávání, ale po nalezení triviálně ověřitelná. Regulační podání pro průběžné monitorování trhu jsou na třetím místě. Cokoli, jehož výsledkem je názor nebo hodnocení, je automatizováno až jako poslední – o tom více později.

Kdy zkušený bankéř důvěřuje výsledkům stroje?

V podstatě se vše redukuje na jednu klíčovou charakteristiku: každé tvrzení musí být podloženo svým zdrojem a ověření tohoto zdroje nesmí trvat déle než deset sekund. Může to znít jako drobný detail v designu produktu, ale ve skutečnosti je to celý produktový slib.

Analýza, která tvrdí, že limit odpovědnosti ve smlouvě je 12 procent z kupní ceny, je zpočátku pouze tvrzením. Analýza, která uvádí totéž a odkazuje přímo na stranu 84 třetího dodatku smlouvy, je však důkazem. První vyžaduje slepou důvěru, druhá prakticky vyzývá k ověření – a přesně to chce viceprezident dělat s jakoukoli informací týkající se probíhající transakce.

Lze pozorovat, jak se za těchto podmínek důvěra zcela přirozeně rozvíjí. Viceprezident zkontroluje prvních dvacet výsledků a všech dvacet projde kontrolou. Příště je zkontrolováno pouze deset z padesáti výsledků. U druhé zpracované transakce zkontroluje pouze výsledky, které ho překvapí, a zbytek přijme bez další kontroly. Nikdo tuto změnu chování oficiálně neschválil – vznikla jednoduše proto, že kontroly trvale přinášely čisté výsledky a žádný prodejní argument dodavatele softwaru by nikdy nemohl vyvolat takovou úroveň důvěry.

Opak je bohužel stejně spolehlivý. Jediná, sebevědomě formulovaná, ale nesprávná odpověď bez ověřitelného zdroje může projekt zpozdit o více než celý měsíc výpadku systému, protože příběh o této chybě se rozšíří po celé organizaci. Celý procesní řetězec, od dokumentu až po rozhodnutí, závisí na citovatelnosti zdrojů a systém, který poskytuje odpovědi bez těchto důkazů, nakonec produkuje pouze fámy.

Kde musí automatizace záměrně dosáhnout svých limitů?

Každý seriózní program umělé inteligence potřebuje jasně definovaný seznam toho, co by nemělo být automatizováno – ideálně stanovený před prvním pilotním projektem. Stroje poskytují důkazy, lidé poskytují stanoviska a hodnocení. V tomto hraničním seznamu je toto rozlišení explicitně stanoveno, místo aby bylo bolestně objevováno uprostřed probíhajícího kritického procesu.

Jeden důkaz lze ověřit: že každá jednotlivá smlouva v datové místnosti obsahuje klauzuli o změně kontroly, že srovnatelná společnost je doložena každým jednotlivým klíčovým ukazatelem výkonnosti a podpořena zdroji, nebo že je přesně reprodukováno přesné znění klauzule o exkluzivitě, včetně data její platnosti. Postoj je naopak hodnocení založené na kontextu, který žádný jednotlivý dokument nedokáže zachytit: zda konkrétní klauzule o změně kontroly skutečně představuje v praxi překážku, nebo je spíše vyjednávacím bodem, jakou má společnost skutečnou hodnotu, nebo kterému ze dvou uchazečů by měl klient nakonec zakázku zadat a jak následně naložit s neúspěšným uchazečem.

Programy, které nakonec selžou, téměř vždy začínají řešením pozičních problémů, obvykle pomocí modelů oceňování nebo přímých doporučení pro transakce, založených na logice, že nejcennější práce si zaslouží co nejrychlejší pozornost. Výsledek byl však vždy stejný: Zkušení bankéři se jednoduše odmítají spoléhat na závěry, které sami nemohou kriticky prozkoumat. A toto odmítnutí je oprávněné z dobrého důvodu. V těchto případech problém nebyl v technologii, ale ve špatné volbě počátečního případu užití.

Tato hranice se v průběhu času posouvá a posouvá se stejně jako se rozvíjí důvěra: krok za krokem, jeden ověřený výsledek za druhým. Takový seznam hranic by proto měl být každoročně revidován a upravován, neměl by zůstat neměnný. Ve skutečnosti chrání před mnohem častějším selháním způsobeným pouhým tvrzením – kdy se hranice jednoduše posune v prezentaci, před lidmi, kteří se v případě pochybností jednoduše tiše rozhodnou ji nedodržovat.

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:

• Spravovaná platforma umělé inteligence

Co se stane, když dorazí více nabídek současně?

Konzistentní propustnost i v klidných dnech je v konečném důsledku bezvýznamná metrika. Obchodní týmy se během průměrných týdnů nikdy nezhroutí – zhroutí se, když zavolá třetí zákazník s naléhavou a aktuální situací a zároveň je zkušený manažer v letadle a není k dispozici.

Právě v tomto bodě se velikost vzorku zmenšuje, otázky sekundární due diligence zůstávají nezodpovězeny a riziko přehlédnutí kritického zjištění je nejvyšší, protože pozornost je nejvíce zředěna. Každý nástroj, který stojí za koupi, se musí osvědčit právě pod tímto tlakem.

Proto je to přesně to, co byste měli testovat. Náhlý příliv padesáti smluv pod časovým tlakem odhalí o kvalitě systému více než celý měsíc pohodlného používání v běžném provozu. Klíčové je sledovat tři věci: zda se přesnost snižuje s rostoucím objemem; zda fronta poskytuje použitelné dílčí výsledky, nebo jednoduše nutí celý tým čekat; a zda systém otevřeně zobrazuje to, co sám nemohl s jistotou určit.

Pod takovým tlakem je rozumný systém pro označování nejistot ještě důležitější než pouhá míra shody. Systém, který poskytuje 400 jednoznačných výsledků a 30 případů explicitně označených jako nejisté, poskytuje týmu jasný pracovní seznam. Naopak systém, který poskytuje 430 zdánlivě jednoznačných výsledků, z nichž 30 je ve skutečnosti chybných, představuje pro tým skutečné riziko odpovědnosti. Za stresových podmínek nikdo prostě nemá čas zpětně určit, který ze dvou přístupů skutečně zvolil.

Jak lze citlivé dokumenty uchovávat v rámci vlastních zdí banky?

Tato otázka v praxi zastaví většinu programů s umělou inteligencí – a obvykle až v pozdější fázi. Tým najde nástroj, který dobře analyzuje smlouvy, a nejprve ho otestuje na veřejně dostupných oznámeních společností, kde nehrozí žádné skutečné riziko. Výsledky jsou přesvědčivé, takže někdo navrhne aplikaci systému do skutečné datové místnosti. To okamžitě spustí bezpečnostní audit.

Dodavatel softwaru nabízí smluvní záruky: žádné školení modelu s vlastními daty společnosti, smazání po třiceti dnech a k dispozici je také přizpůsobená firemní smlouva. Oddělení compliance si však klade mnohem jednodušší a důležitější otázku: kam jsou dokumenty skutečně fyzicky přenášeny a kdo další k nim má přístup? Upřímná odpověď obvykle zní: na sdílený server mimo banku – a právem, tím končí diskuse.

Cenově citlivé interní informace, důvěrná zákaznická data, dokumenty podléhající dohodám o mlčenlivosti a informační bariéry mezi odděleními, které kontrolují regulační orgány, činí tento konec nevyhnutelným. Skutečná chyba nespočívala v samotném pilotním projektu ani v oprávněné opatrnosti oddělení pro dodržování předpisů, ale ve volbě modelu nasazení, který by tuto překážku od samého začátku nikdy nemohl překonat.

Model, který nakonec převládne, udržuje každé hodnocení a každý závěr konzistentně v rámci systémových hranic banky. Díky izolaci každé jednotlivé transakce přesně odráží předepsané informační bariéry, u každého dotazu přímo vynucuje kontroly přístupu a uchovává kompletní protokol o každé jednotlivé interakci. Z tohoto hlediska se oddělení compliance stává spíše zastáncem projektu než překážkou, protože úroveň kontroly odpovídá na otázky druhé linie obrany ještě dříve, než je třeba je položit. Učinit toto zásadní rozhodnutí před prvním pilotním projektem nakonec ušetří přibližně šest měsíců.

Co velké domy skutečně utrácejí a investují

Abstraktní diskuse o správě vyhledávání a budování důvěry se stává konkrétní, když se podíváme na skutečné investiční částky a zavádění největších institucí. JPMorgan nyní provozuje svůj interní LLM Suite pro více než 200 000 zaměstnanců a financuje přes 400 zdokumentovaných případů použití umělé inteligence s technologickým rozpočtem přibližně 18 miliard dolarů pro rok 2026. Goldman Sachs po pilotní fázi s přibližně 10 000 zaměstnanci nasadil svůj GS AI Assistant, který je založen na modelech od OpenAI, Google a Anthropic a je za jeho vlastní bezpečnostní vrstvou, pro přibližně 46 000 zaměstnanců v celé společnosti a hlásí zvýšení produktivity o více než 20 procent ve vývoji softwaru. Morgan Stanley na druhou stranu již dosáhl míry využití přes 98 procent všech poradenských týmů se svým AI asistentem pro finanční poradce a od léta 2026 testuje digitální asistenty, kteří mohou s klienty komunikovat nepřetržitě, přičemž rozhodovací pravomoc nad skutečnými rozhodnutími o portfoliu výslovně zůstává na lidech.

Výrazným rysem všech tří případů je společný architektonický vzorec: dostupnost a rozhodovací pravomoc jsou záměrně odděleny. Stroj může kdykoli analyzovat, shrnovat a navrhovat, ale pravomoc skutečně jednat zůstává smluvně a technicky vyloučena. Toto oddělení přesně odpovídá dříve popsané hranici mezi ověřitelnými fakty a skutečným podnikatelským úsudkem a empiricky potvrzuje, že instituce s největším úspěchem v zavádění se přesně tohoto principu drží.

Z makroekonomického hlediska se již nejedná o úzce specializovaný jev. Goldman Sachs odhaduje, že celkové investice do umělé inteligence ve Spojených státech se v roce 2026 přiblíží téměř 600 miliardám dolarů, což odpovídá zhruba 2 procentům amerického HDP, zatímco globální investice do umělé inteligence by měly poprvé překročit 1 bilion dolarů. Zároveň stejná analýza varuje, že přibližně dvě třetiny těchto výdajů budou financovány realokací v rámci stávajících podnikových rozpočtů, což naznačuje reálný, i když stále mírný, vytěsňující efekt na ostatní investice. Pro investiční banky to znamená, že konkurenční tlak na investice do umělé inteligence samotných roste, a to nejen z důvodu efektivity, ale také proto, že jejich vlastní klientská základna, zejména technologické společnosti a jejich emise dluhopisů, toto téma již vnáší do všech poradenských materiálů týkajících se kapitálových trhů.

Regulační požadavky, které definují rámec

Souběžně s investičním boomem se mění i regulační prostředí pro provozování těchto systémů. Evropský zákon o umělé inteligenci (AI Act) původně stanovil, že vysoce rizikové aplikace ve finančním sektoru, jako jsou posouzení úvěruschopnosti fyzických osob, musí být do 2. srpna 2026 plně testovány na shodu s předpisy, zdokumentovány a podléhat povinnému lidskému dohledu. Takzvaný Digitální omnibus pro AI však v létě 2026 tuto lhůtu odložil o šestnáct měsíců na 2. prosince 2027, protože potřebné technické testovací standardy jednoduše nebyly včas k dispozici. Pro klíčové aktivity investičního bankovnictví – poradenství v oblasti fúzí a akvizic, emise na kapitálových trzích a due diligence – je tato klasifikace vysoce riziková do značné míry irelevantní, protože se primárně zaměřují na úvěry, tvorbu cen pojištění a biometrické aplikace. Nicméně od srpna 2026 platí základní povinnost transparentnosti: Komunikace se zákazníky, která je podporována nebo vytvářena systémy AI, musí být jako taková identifikovatelná, což je relevantní i pro automaticky generované analýzy a korespondenci se zákazníky od bank.

Ve Spojených státech uplatňuje Komise pro cenné papíry a burzy (SEC) technologicky neutrální, ale výrazně přísnější přístup k auditu. Priority auditu pro rok 2026 výslovně identifikují systémy umělé inteligence v investičním poradenství, procesech dodržování předpisů a komunikaci se zákazníky jako klíčovou oblast zaměření. Instituce musí prokázat cíl optimalizace sledovaný každým nasazeným systémem umělé inteligence a to, zda by to mohlo vést ke střetu zájmů mezi bankou a zákazníkem. Větší pozornost se také věnuje přezkumům smluv s externími poskytovateli umělé inteligence, zejména pokud jde o to, zda se zákaznická data používají k trénování modelů třetích stran. To přesně odpovídá překážce v oblasti dodržování předpisů popsané v článku týkajícím se externě hostovaných řešení datových místností. Oba regulační režimy se tak ubírají stejným směrem: nikoli zákazem umělé inteligence, ale spíše povinnou dokumentací kontroly, původu dat a konečné lidské odpovědnosti.

Nepříjemnou nevýhodou je snižování počtu zaměstnanců a skepticismus

Vyprávění o umělé inteligenci jako o čistém zvýšení efektivity ignoruje nepříjemnou realitu, o které se diskutuje se stále větší otevřeností. Podle partnera společnosti McKinsey, Debasishe Patnaika, banky již nyní snižují počet svých analytických programů pro začátečníky až o dvě třetiny, zatímco zároveň zhruba 62 procent požadovaných specialistů na umělou inteligenci pochází právě z těchto nižších pozic. To vyvolává strukturální otázku, kterou původní článek záměrně opomíjí: Pokud se tradiční vzdělávání mladých bankéřů opíralo o velmi únavnou čtenářskou práci, která se nyní automatizuje, odkud se vezmou další generace zkušených osob s rozhodovací pravomocí, pokud budou zbaveny cvičného prostředí pro shromažďování informací? Tato otázka zůstává v současné debatě do značné míry nezodpovězena a pravděpodobně se v nadcházejících letech ukáže jako jedno ze skutečných rizik automatizace, které sahá daleko za pouhé obavy o ochranu osobních údajů nebo jejich přesnost.

Dále existuje metodologické upozornění, které uznává i samotná banka Goldman Sachs: Makroekonomický příspěvek investiční vlny do umělé inteligence k hrubému domácímu produktu a související efekty vytlačování na jiné investice jsou celkově menší, než se ve veřejné debatě často předpokládá. Pro jednotlivé banky to znamená: Ti, kteří se spoléhají pouze na současné trendy a dělají rozsáhlá oznámení o umělé inteligenci, aniž by dodržovali disciplínu popsanou v článku ohledně limitů automatizace, ověřování zdrojů a datové suverenity, nakonec riskují právě ztrátu důvěry, kterou může vyvolat jediný nepravdivý a nepodložený výsledek.

Proč skutečné výnosy v investičním bankovnictví nepocházejí z efektů umělé inteligence

Ekonomické přínosy umělé inteligence v investičním bankovnictví nepramení z velkolepých oznámení ani slibů plně autonomního zpracování transakcí. Vznikají tam, kde banky mají odvahu poctivě rozlišovat mezi ověřitelnými fakty a skutečným obchodním úsudkem a tento rozdíl důsledně převádět do systémů, procesů a pravidel přístupu. Skutečná čísla od JPMorgan, Goldman Sachs a Morgan Stanley ukazují, že instituce, které dosahují největšího produktivního zavádění, jsou právě ty, které striktně oddělují dostupnost a rozhodovací pravomoci a chápou požadavky na regulační dokumentaci spíše jako nástroj než jako překážku. Instituce, které se touto cestou vydají, nebudou úspěšnější proto, že by se jejich technologie jevila působivější, ale proto, že osvobodí skutečnou tvorbu hodnoty svých bankéřů od časové pasti pouhého shromažďování informací a přesměrují ji zpět k tomu, za co jsou zákazníci skutečně ochotni zaplatit: zdravý, transparentní a v konečném důsledku lidský úsudek.

Rád/a bych sloužil/a jako váš osobní poradce.

Můžete mě kontaktovat na adrese wolfenstein∂xpert.digital nebo

Zavolejte mi na +49 7348 4088 965 .

LinkedIn