Generatywna AI w Itaú trafia do całego banku, a prawdziwym testem jest nadzór

Itaú przeniósł swoją strategię generatywnej AI z ukierunkowanych pilotaży do 300 000 klientów, z celem objęcia całej bazy klientów w 2026 roku. Program generatywnej AI Itaú łączy obecnie ia.i, konwersacyjny interfejs bankowy, z IARA — wewnętrzną platformą do zarządzania modelami, danymi, kosztami i ryzykiem.

To połączenie ma większe znaczenie niż sam chatbot. Itaú chce, by klienci używali zwykłego języka zamiast poruszać się po oddzielnych menu dla kont, kredytów, kart, ubezpieczeń i inwestycji. Jednak każda szersza rozmowa zwiększa ryzyko nieprecyzyjnej odpowiedzi, nieodpowiedniej rekomendacji, naruszenia prywatności lub nieautoryzowanego działania.

Bank testuje zatem jednocześnie dwie obietnice. Widoczna obietnica zakłada, że bankowość może stać się prostsza i bardziej osobista. Mniej widoczna dotyczy tego, czy Itaú potrafi utrzymać kontrolę nad modelami generatywnymi w silnie regulowanej instytucji. Erica Bank of America i wewnętrzny LLM Suite JPMorganChase stanowią użyteczne punkty odniesienia, ale Itaú próbuje połączyć rozmowy z klientami, narzędzia dla pracowników i kontrolowany dostęp do modeli w ramach jednej architektury.

Generatywna AI Itaú przechodzi od pilotaży do interfejsu dla całego banku

Zmiana nie polega po prostu na tym, że Itaú dodał kolejnego asystenta do swojej aplikacji. Bank przekształca rozmowę w warstwę dostępu do swoich usług.

Itaú publicznie przedstawił ia.i w lipcu 2026 roku, po rozwijaniu bardziej ograniczonych funkcji sztucznej inteligencji od 2024 roku. Interfejs przyjmuje prośby tekstowe lub głosowe w aplikacji Itaú. Został zaprojektowany tak, aby rozpoznawać intencję klienta i łączyć jego prośbę z odpowiednią funkcją bankową.

Pierwsze wdrożenie objęło około 300 000 klientów. Itaú zapowiedział rozszerzenie dostępu do około 3 milionów osób do września, a następnie na całą bazę klientów przed końcem roku. Bank nie podał publicznie ostatecznych danych dotyczących adopcji ani aktywnego użycia na późniejszych etapach.

Wdrożenie dla klientów obejmuje więcej niż pytania i wyszukiwanie informacji o kontach. Itaú twierdzi, że ia.i może przekazywać informacje, interpretować polecenia, wspierać decyzje i inicjować obsługiwane transakcje. Może też przekierować klienta do wyspecjalizowanej pomocy człowieka, gdy wymaga tego rozmowa.

Tworzy to inne doświadczenie niż w przypadku statycznego chatbota. Asystent oparty na skryptach zwykle dopasowuje pytanie do przygotowanej odpowiedzi lub wąskiego procesu. Interfejs generatywny może interpretować różnorodny język, łączyć kontekst i tworzyć odpowiedź odpowiednią dla bieżącej sytuacji.

Itaú podaje, że ia.i uwzględnia przy odpowiedziach kontekst finansowy, historię relacji, cele i etap życia klienta. Te dane mogą pomóc klientom uniknąć przeszukiwania niepowiązanych menu. Jednocześnie zwiększają znaczenie dokładności, granic dostępu do danych i przejrzystości.

Klient pytający o płatność kartą przedstawia ograniczony problem informacyjny. Osoba pytająca, czy stać ją na zakup, przedstawia szerszy problem wymagający osądu. System musi ustalić, które dane są istotne, których wolno mu użyć oraz kiedy konieczne staje się wsparcie człowieka.

Wdrożenie nastąpiło po kilku mniejszych implementacjach. Obejmowały one asystenta inwestycyjnego, płatności Pix przez WhatsApp, narzędzia dla małych firm oraz sprzęt płatniczy obsługiwany głosem. Każdy projekt testował bardziej ograniczone zadanie, zanim Itaú podjął próbę stworzenia wspólnej warstwy konwersacyjnej.

Jedna z wcześniejszych funkcji inwestycyjnych rozpoczęła działanie dla 10 000 klientów w 2025 roku. Takie etapowe podejście umożliwiło Itaú testowanie odpowiedzi, zachowań klientów i ścieżek eskalacji przed objęciem znacznie większej populacji.

Ta ewolucja wyjaśnia również, dlaczego ogłoszenie z 2026 roku jest istotne. Itaú nie przedstawia już generatywnej AI jako odizolowanego eksperymentu. Czyni tę technologię częścią sposobu, w jaki klienci odkrywają i korzystają z istniejących usług finansowych.

Ta zmiana tworzy centralne napięcie artykułu. Warstwa konwersacyjna musi wydawać się wystarczająco otwarta, aby była użyteczna, a jednocześnie pozostawać wystarczająco ograniczona, by działać bezpiecznie. Interfejs może ukryć złożoność banku, lecz nie może usunąć obowiązków stojących za każdą odpowiedzią lub transakcją.

Dlaczego ia.i to coś więcej niż wdrożenie chatbota

Itaú zakłada, że klienci zaczną od intencji, a nie od menu produktów, i pozwolą bankowi określić właściwą ścieżkę.

Tradycyjne aplikacje bankowe organizują usługi zgodnie ze strukturą instytucji. Klienci wybierają konta, karty, płatności, pożyczki, ubezpieczenia lub inwestycje. Muszą wiedzieć, która kategoria zawiera zadanie, które chcą wykonać.

Interfejs konwersacyjny odwraca tę kolejność. Klient może najpierw opisać cel, problem lub pytanie. System następnie identyfikuje odpowiedni produkt, źródło informacji lub proces.

To rozróżnienie brzmi skromnie, dopóki prośba nie przekroczy granic między produktami. Pytanie o oszczędzanie na zakup może dotyczyć przepływów pieniężnych, salda konta, zobowiązań kartowych i pozycji inwestycyjnej. Użyteczna odpowiedź wymaga czegoś więcej niż generowania języka.

Itaú nazywa warstwę kontekstową stojącą za tym doświadczeniem Customer DNA. Według wdrożenia AI banku system dostarcza kontekst finansowy dla około 70 milionów klientów. Modele OpenAI należą do modeli używanych w kontrolowanym środowisku Itaú.

Ta skala nie oznacza, że każdy klient otrzymuje nieograniczonego doradcę finansowego. Oznacza, że Itaú zbudował system kontekstowy przeznaczony do wspierania różnych doświadczeń dla dużej populacji klientów. Dostępne dane i dozwolone działania nadal zależą od konkretnego przypadku użycia.

Itaú podaje, że klienci mogą przechodzić od podstawowej wygody do bardziej specjalistycznego wsparcia w ramach tego samego interfejsu. Użytkownik może zapytać o informacje dotyczące konta, wykonać obsługiwane polecenie albo poszukać pomocy w zrozumieniu decyzji inwestycyjnej.

Bank twierdzi również, że ia.i dostosowuje się do języka klienta i może komunikować się głosowo lub tekstowo. Ta elastyczność może ograniczyć potrzebę uczenia się dokładnych nazw menu. Może też uczynić bankowość cyfrową bardziej dostępną dla osób mających trudności ze złożoną nawigacją w aplikacji.

Naturalny język wprowadza jednak niejednoznaczność, której przyciski pozwalają uniknąć. „Zapłać mój rachunek” może odnosić się do kilku zobowiązań. „Czy mogę to wydać?” może oznaczać sprawdzenie salda, pytanie o budżet lub prośbę o spersonalizowaną poradę finansową.

System musi rozwiązywać tę niejednoznaczność bez tworzenia fałszywego poczucia pewności. Musi potwierdzać wrażliwe działania, odróżniać informacje od porad i unikać sugerowania pewności, gdy dane klienta są niepełne.

Własne badanie Itaú przeprowadzone z Grupo Consumoteca wykazało, że 80% ankietowanych Brazylijczyków chciało lepszej organizacji swojego życia finansowego. Ustalono również, że 65% chciało technologii, która mogłaby zapewniać ciągłe wskazówki finansowe. Są to wyniki sponsorowane przez firmę, a nie niezależne pomiary adopcji ia.i.

Badanie mimo to wskazuje zapotrzebowanie, na które Itaú ma nadzieję odpowiedzieć. Wielu klientów nie potrzebuje kolejnej listy produktów. Potrzebują pomocy w połączeniu swoich informacji finansowych z decyzją, którą próbują podjąć.

Dlatego asystent ma strategiczne znaczenie. Bank kontrolujący konwersacyjny punkt początkowy może wpływać na to, jak klienci znajdują usługi, rozumieją opcje i eskalują problemy. Może również gromadzić cenne sygnały o niezaspokojonych potrzebach.

Korzyści te wiążą się z odpowiednimi obowiązkami. Klienci muszą rozumieć, kiedy wchodzą w interakcję z AI, w jaki sposób powstają rekomendacje i kiedy człowiek może zweryfikować wynik. Wygodny interfejs nie powinien zacierać odpowiedzialności za decyzje o istotnych konsekwencjach.

W przypadku pracowników umysłowych ta sama zasada obowiązuje poza bankowością. Użyteczna baza wiedzy AI potrzebuje kontekstu uwzględniającego uprawnienia, wiarygodnego wyszukiwania i jasnych granic źródeł. Sama płynna odpowiedź nie buduje zaufania.

IARA umieszcza nadzór między modelami a pieniędzmi

IARA jest centralnym mechanizmem strategii Itaú, ponieważ oddziela dostęp do modeli od niekontrolowanego korzystania z modeli.

IARA to platforma Itaú do zarządzania i orkiestracji sztucznej inteligencji. Orkiestracja oznacza, że platforma może kierować zadanie między modelami i systemami wspierającymi, zamiast wiązać każdą aplikację z jednym dostawcą.

Platforma zapewnia zespołom wewnętrznym kontrolowany dostęp do wielu modeli. OpenAI jest jednym z dostawców dostępnych w tym środowisku, a nie jedynym dostawcą modeli osadzonym we wszystkich procesach.

Takie niezależne od modelu podejście daje Itaú kilka możliwości. Tańszy model może obsłużyć rutynowe zadanie, w którym liczy się szybkość. Bardziej zaawansowany model rozumowania może przetworzyć trudną prośbę, gdy wyższy koszt i opóźnienie są uzasadnione.

IARA pozwala również bankowi stosować wspólne zasady w odniesieniu do tych wyborów. Itaú twierdzi, że platforma monitoruje użycie modeli, dokładność odpowiedzi, zużycie tokenów oraz wymogi odpowiedzialnej AI. Tokeny są jednostkami używanymi do przetwarzania tekstu przez modele językowe.

Centralizacja nie czyni systemu AI automatycznie bezpiecznym. Może jednak stworzyć jedno miejsce dla kontroli dostępu, rejestrowania zdarzeń, oceny modeli, limitów kosztów i egzekwowania zasad. Bez takiej warstwy każdy zespół produktowy mógłby budować inne zabezpieczenia i praktyki dotyczące danych.

Dział prawny Itaú stanowi największy ujawniony przykład. Według banku jego rozwiązanie AI dla obszaru prawnego działa na ponad 90 milionach dokumentów i realizuje ponad 2 miliony zadań miesięcznie. Firma raportuje wzrost efektywności od 20% do 80% na różnych etapach procesów.

Te wartości procentowe obejmują szeroki zakres i pochodzą od Itaú, a nie z niezależnego audytu. Nie należy traktować ich jako uniwersalnego wyniku produktywności. Odczytywanie dokumentów prawnych różni się również od udzielania klientom wskazówek finansowych.

Przykład nadal pokazuje, dlaczego orkiestracja ma znaczenie. Przetwarzanie archiwum prawnego wymaga uprawnień do dokumentów, wyszukiwania, wyboru modelu, śledzalności i monitorowania wyników. Model generuje tylko jedną część rezultatu.

Itaú twierdzi, że IARA utrzymuje wrażliwe informacje w kontekście banku, kontrolując jednocześnie sposób, w jaki aplikacje uzyskują dostęp do zewnętrznych modeli. Ta granica jest kluczowa, gdy prompty mogą zawierać informacje o klientach, pracownikach, transakcjach lub kwestiach prawnych.

Platforma wspiera również obserwowalność, co oznacza, że zespoły mogą sprawdzać, jak systemy zachowują się po wdrożeniu. W bankowości monitoring nie może kończyć się w chwili, gdy model przejdzie ocenę przed uruchomieniem. Język klientów, wzorce oszustw, zachowanie modeli i bazowe produkty nieustannie się zmieniają.

Aktualizacja modelu może poprawić rozumowanie, jednocześnie zmieniając zachowanie przy odmowie odpowiedzi. Zmieniona polityka produktowa może sprawić, że starsza odpowiedź stanie się nieprawidłowa. Nowa metoda ataku może ujawnić słabości, które nie występowały podczas rozwoju.

IARA musi zatem zarządzać całym cyklem życia systemu. Obejmuje to dostęp do danych przed wysłaniem prośby, routing podczas przetwarzania oraz przegląd po udzieleniu odpowiedzi. Obejmuje to także badanie incydentów, gdy odpowiedź powoduje szkodę lub dezorientację.

Ta architektura przypomina kierunek obrany przez inne duże banki. JPMorganChase uruchomił LLM Suite jako kontrolowane środowisko generatywnej AI dla pracowników. Firma podała, że platforma osiągnęła ponad 200 000 wdrożonych użytkowników w ciągu ośmiu miesięcy.

Strategia Itaú rozwija ideę wspólnej platformy w kierunku rozmów z klientami. To bardziej wystawiony na ryzyko test, ponieważ klient może natychmiast podjąć działanie na podstawie odpowiedzi. Pracownicy często mają szkolenia, wewnętrzną dokumentację i procesy weryfikacji, których konsumenci nie posiadają.

Wybór kilku modeli to kolejne praktyczne zabezpieczenie, ale generuje pracę zarządczą. Itaú musi stale porównywać jakość modeli, koszty, opóźnienia, warunki prywatności i zachowanie. Zmiana dostawcy nie może osłabić regulowanego procesu bez wykrycia tego problemu.

Żadna platforma zarządzania nie wyeliminuje wszystkich awarii. Jej wartość polega na ujednoliceniu kontroli, uwidocznieniu dowodów i umożliwieniu interwencji. To bardziej wiarygodna podstawa niż poleganie na płynności wypowiedzi modelu lub reputacji marki.

Presja konkurencyjna to prostszy interfejs bankowy

Rywalami Itaú nie są tylko podmioty konkurujące jakością modeli. Konkurują one o to, by stać się pierwszym miejscem, w którym klienci wyrażają swoje intencje finansowe.

Banki od lat wykorzystują uczenie maszynowe do wykrywania oszustw, analizy kredytowej, personalizacji i kierowania obsługi. Konwersacyjna AI zmienia warstwę prezentacji, a nie sam fakt istnienia automatyzacji.

Bank of America oferuje najczytelniejszy precedens działania na dużą skalę. Jego wirtualna asystentka Erica została uruchomiona w 2018 roku, przed obecną falą generatywnej AI. Do sierpnia 2025 roku bank informował o ponad 3 miliardach interakcji z klientami i niemal 50 milionach użytkowników.

Dane Bank of America dotyczące korzystania z Erica pokazują również dyscyplinę stojącą za dojrzałą asystentką. Bank of America podał, że Erica korzystała z kontrolowanej biblioteki ponad 700 odpowiedzi i otrzymała ponad 75 000 aktualizacji.

Taka konstrukcja stawia przewidywalne rezultaty ponad otwartą generację. Itaú rozwija szerszy interfejs generatywny, ale przykład Erica pokazuje, dlaczego ciągłe utrzymanie ma znaczenie. Asystent finansowy staje się usługą operacyjną, a nie ukończoną funkcją oprogramowania.

Nubank również rozpoczął w 2023 roku testy generatywnego asystenta kredytowego z ograniczoną grupą klientów. Początkowy zakres obejmował pytania o limity kredytowe, kredyt zabezpieczony, NuPay i pożyczki osobiste. Ograniczone wdrożenie odzwierciedlało ryzyko natychmiastowego wejścia w spersonalizowane rozmowy kredytowe.

Te podejścia wywierają presję na każdy bank detaliczny ze złożoną aplikacją. Gdy klienci mogą bezpośrednio wyrazić intencję, doświadczenia oparte na rozbudowanych menu zaczynają wyglądać nieefektywnie. Porównanie przesuwa się z liczby funkcji ku temu, jak szybko bank rozumie i realizuje prośbę.

Itaú ma przewagę w zakresie usług, które może połączyć. Rachunki, karty, ubezpieczenia, kredyty, płatności i inwestycje mogą wszystkie dostarczać kontekstu. Ta szerokość może prowadzić do bardziej użytecznych wskazówek niż asystent o pojedynczym przeznaczeniu.

Może jednak również tworzyć konflikty. Bank może odnosić korzyść, gdy klient wybierze kolejny produkt. Klient potrzebuje pewności, że generowane wskazówki odzwierciedlają jego interesy, uprawnienia i profil ryzyka, a nie nieoznaczony cel sprzedażowy.

Interfejs musi zatem zachować rozróżnienia między edukacją, pomocą, rekomendacją i promocją. Te kategorie wiążą się z różnymi oczekiwaniami. Połączenie ich w jednej przyjaznej rozmowie może utrudnić dostrzeżenie granic między nimi.

Generatywna AI daje również dostawcom technologii większy wpływ na interfejsy bankowe. Dostawcy modeli zapewniają zdolności językowe i rozumowanie, podczas gdy banki wnoszą dane, procesy robocze, zasady zgodności i relacje z klientami.

Wielo-modelowa architektura Itaú ogranicza zależność od jednego dostawcy. Nie eliminuje zewnętrznej zależności, ponieważ modele frontierowe, systemy chmurowe i wyspecjalizowana infrastruktura nadal rozwijają się poza bankiem.

Strategiczna rywalizacja nie polega więc na starciu Itaú z OpenAI ani jednego banku z jednym dostawcą modeli. To kontrolowany kontekst instytucjonalny przeciwko ogólnej inteligencji modeli. Bank musi udowodnić, że jego dane i zarządzanie tworzą bezpieczniejsze oraz bardziej użyteczne doświadczenie.

Jeśli ia.i odniesie sukces, konkurenci znajdą się pod presją, by ujednolicić własnych asystentów w różnych produktach. Fragmentaryczny chatbot do pytań o wsparcie będzie wyglądał na mniej zdolny obok interfejsu, który potrafi interpretować cele i realizować transakcje.

Jeśli ia.i będzie mieć trudności, branża może preferować węższe asystenty z ostrożnie ograniczonymi działaniami. Banki mogą nadal używać generatywnej AI wewnętrznie, jednocześnie zachowując bardziej deterministyczne narzędzia konsumenckie.

Taki wynik nie oznaczałby porażki technologii. Pokazałby, że rozmowy z klientami o wysokiej stawce wymagają innej równowagi niż podsumowania dokumentów, narzędzia do redagowania czy wyszukiwanie dla pracowników.

Obietnica skali Itaú zderza się z regulowaną rzeczywistością

Nierozstrzygniętą kwestią jest to, czy Itaú zdoła zachować dokładność, zgodę i ludzką odpowiedzialność, gdy ia.i wyjdzie poza kontrolowane kohorty.

Brazylijski system finansowy nakłada wymogi dotyczące bezpieczeństwa, ochrony konsumentów, przetwarzania danych, prowadzenia dokumentacji i odporności operacyjnej. Generatywna AI dodaje niepewne wyniki do tych istniejących ram.

Banco Central do Brasil wskazał sztuczną inteligencję jako obszar wymagający badania ryzyk i skutków w instytucjach finansowych. Zaktualizowane zasady cyberbezpieczeństwa również podkreślają kontrolę dostępu, śledzalność, bezpieczną integrację, testowanie i ochronę infrastruktury.

Te wymogi są zgodne z deklarowanym celem IARA. Jednak Itaú nie opublikował publicznie szczegółowych wskaźników błędów, wskaźników eskalacji, wyników satysfakcji klientów ani zestawień incydentów związanych z ia.i. Dostępne studia przypadków koncentrują się głównie na architekturze i zamierzonych korzyściach.

Ta luka dowodowa ma znaczenie, ponieważ sama skala wdrożenia nie potwierdza jakości. System może objąć miliony rachunków, a zarazem odnotowywać ograniczone aktywne użycie. Może też dobrze obsługiwać proste prośby, lecz mieć trudności z nietypowymi lub istotnymi pytaniami.

Na szczególną uwagę zasługują trzy ryzyka.

Po pierwsze, generowane odpowiedzi mogą brzmieć pewniej, niż uzasadniają to ich podstawy dowodowe. W kontekście bankowym niepoprawne wyjaśnienie może wpłynąć na zachowania związane z wydatkami, pożyczaniem, ubezpieczeniem lub inwestowaniem.

Wyszukiwanie w zatwierdzonych informacjach może ograniczyć to ryzyko, ale nie może usunąć niejednoznaczności. Warunki produktów się zmieniają, sytuacje klientów są różne, a model może połączyć poprawne fakty w nieodpowiedni wniosek.

Po drugie, personalizacja zależy od danych osobowych. Brazylijski organ ochrony danych wskazał ryzyka związane z promptami, wynikami modeli, udostępnianiem danych, ich przechowywaniem, przejrzystością i ponownym wykorzystaniem informacji osobowych.

RadAR generatywnej AI tego organu podkreśla, że innowacja musi pozostawać zgodna z brazylijską ustawą ogólną o ochronie danych. Wskazuje również, że użytkownicy mogą umieszczać we promptach własne dane lub dane innej osoby, nie rozumiejąc konsekwencji.

W przypadku Itaú zarządzanie musi obejmować więcej niż dane treningowe. Musi uwzględniać informacje zestawiane dla każdej interakcji, dane wysyłane do każdego modelu, wynikową odpowiedź oraz wszelkie zapisy zachowywane później.

Po trzecie, zautomatyzowana pomoc może w praktyce stać się zautomatyzowaną decyzją, nawet gdy system technicznie oferuje jedynie wskazówki. Klienci mogą postępować zgodnie z pewną siebie odpowiedzią, nie prosząc o weryfikację przez człowieka.

Brazylijska agenda ochrony danych obejmuje prace nad artykułem 20 LGPD, który dotyczy weryfikacji decyzji opartych wyłącznie na zautomatyzowanym przetwarzaniu danych osobowych. Itaú musi utrzymać wyraźne granice między wsparciem konwersacyjnym, rekomendacjami a decyzjami wpływającymi na interesy klientów.

Eskalacja do człowieka jest ważnym zabezpieczeniem, lecz jej konstrukcja określi jej wartość. Przekazanie sprawy, które powoduje utratę kontekstu rozmowy, rodzi frustrację. Eskalacja następująca dopiero po błędzie może nadejść zbyt późno.

Bank musi także chronić się przed wstrzykiwaniem promptów, oszustwami, przejęciem kont i inżynierią społeczną. Atakujący może próbować manipulować asystentem, pozyskiwać informacje lub uruchamiać wrażliwy proces za pomocą zwodniczego języka.

Etapy potwierdzenia pozostają konieczne dla transakcji. Warstwa konwersacyjna nie powinna osłabiać uwierzytelniania tylko dlatego, że prośba brzmi naturalnie. Wygoda musi się kończyć tam, gdzie pewność co do uprawnień pozostaje niepełna.

Kolejnym wyzwaniem są uprzedzenia. Model może generować różne tony, założenia lub wskazówki dla klientów, którzy w odmienny sposób formułują podobne potrzeby. Itaú twierdzi, że jego zasady odpowiedzialnej AI odnoszą się do uprzedzeń, ale nie opublikował szczegółowych wyników zewnętrznej oceny ia.i.

Ekonomiczna opłacalność to kolejna nieudowodniona część planu. Użycie modeli generuje koszty zmienne, szczególnie gdy rozmowy wymagają długiego kontekstu lub głębszego rozumowania. Kierowanie zadań między modelami może kontrolować wydatki, lecz szersze wdrożenie nadal może zwiększyć całkowite zużycie.

Raportowane oczekiwania Itaú wobec pracowników również wymagają weryfikacji. Bank przewiduje, że narzędzia AI mogą zapewnić menedżerom relacji z klientami trzykrotnie więcej czasu na interakcje z klientami. Oczekuje, że obsługa stanie się dwa razy szybsza, a rozmowy nawet trzykrotnie skuteczniejsze.

Są to przyszłościowe oczekiwania firmy. Terminy „dostępny czas” i „skuteczność” mogą zależeć od wewnętrznych wyborów pomiarowych. Publiczne raportowanie powinno ostatecznie rozróżniać prognozowane korzyści od zaobserwowanych rezultatów.

Odpowiedzialna ocena ma zatem dwie strony. Itaú ujawnił wiarygodną architekturę zarządzania i kilka znaczących wdrożeń. Nie dostarczył jeszcze wystarczających niezależnych ani długoterminowych dowodów, aby potwierdzić, że architektura działa w całej bazie klientów.

Trzy sygnały zdecydują, czy zakład Itaú się powiedzie

Kolejną fazę należy oceniać na podstawie zweryfikowanego zachowania, a nie liczby klientów, którzy otrzymają ikonę w aplikacji bankowej.

Pierwszym sygnałem jest trwałe korzystanie przez klientów po szerokim udostępnieniu. Itaú powinien ujawniać liczbę aktywnych użytkowników, ponowne użycie, zrealizowane zadania, porzucenia, przekazania do człowieka i satysfakcję klientów. Wzrost z 300 000 uprawnionych klientów do powszechnego dostępu ma znaczenie tylko wtedy, gdy ludzie ufają interfejsowi w rzeczywistych potrzebach finansowych.

Drugim sygnałem są dowody dotyczące dokładności i zabezpieczeń. Użyteczne raportowanie obejmowałoby kategorie błędów, udane potwierdzenia transakcji, liczbę skarg, korekty odpowiedzi i poważne incydenty. Powinno również wyjaśniać, jak IARA ocenia różne modele przed wdrożeniem i po nim.

Każda publikacja Banco Central lub brazylijskiego organu ochrony danych doda zewnętrzny punkt odniesienia. Bank centralny już bada ryzyka AI w instytucjach finansowych, a organ ochrony danych opracowuje wytyczne dotyczące zautomatyzowanych decyzji i odpowiedzialnego przetwarzania danych.

Trzecim sygnałem będzie to, czy konkurenci rozszerzą własnych asystentów. Bank of America udowodnił, że ograniczony asystent finansowy może obsługiwać ogromną liczbę interakcji. JPMorganChase pokazał, że zarządzana platforma wewnętrzna może dotrzeć do setek tysięcy pracowników.

Itaú próbuje połączyć te ścieżki. Chce umieścić rozmowę w skali klientów, produktywność pracowników, kontekstowe dane finansowe i wielu dostawców modeli w jednym kontrolowanym środowisku.

Udane wdrożenie wzmocniłoby argument, że generatywna AI może stać się głównym interfejsem usług regulowanych. Wycofanie się do wąskich pytań wsparłoby przeciwny wniosek. Sugerowałoby, że deterministyczne procesy robocze pozostają bezpieczniejsze dla istotnych działań klientów.

Deweloperzy i nabywcy korporacyjni powinni obserwować, jak Itaú dzieli odpowiedzialność między model, warstwę orkiestracji, systemy bankowe i personel. Ten podział będzie miał znaczenie w ochronie zdrowia, ubezpieczeniach, usługach prawnych i innych regulowanych dziedzinach.

Klienci powinni zadawać prostsze pytanie, gdy ia.i oferuje wskazówki: czy odpowiedź może pokazać swoją podstawę, swoje ograniczenia i wiarygodną ścieżkę do weryfikacji przez człowieka?

Strategia generatywnej AI Itaú nie zostanie rozstrzygnięta przez to, czy ia.i potrafi prowadzić płynną rozmowę. Zadecyduje o niej to, czy bank zdoła uczynić tę rozmowę dokładną, rozliczalną, ekonomiczną i użyteczną na pełną skalę.