AI w finansach firmy: co zmienia agentowa AI

OpenAI wypuściło ChatGPT for Financial Services, produkt, który bierze na siebie research spółek, budowę modeli i przygotowanie prezentacji, czyli pracę zwykle wykonywaną przez młodszych analityków w bankach. Kilka tygodni wcześniej Anthropic udostępnił gotowe szablony agentów do zadań w finansach, w tym do zamknięcia ksiąg na koniec miesiąca. To nie jest kolejny chatbot ogólnego przeznaczenia. To sygnał, że AI wchodzi do konkretnej funkcji w firmie, do finansów, i robi to z dostępem do danych, cytowaniami źródeł i kontrolą uprawnień. Dla zarządu oznacza to, że pytanie nie brzmi już „czy", tylko „które procesy finansowe oddać maszynie i pod jaką kontrolą".

Co się wydarzyło

10 września 2026 OpenAI ogłosiło ChatGPT for Financial Services, wersję swojego produktu dla firm skrojoną pod instytucje finansowe. Narzędzie ma badać spółki, analizować dane finansowe i generować prezentacje, czyli robić to, co zwykle należało do młodszych bankierów. Wbudowane dane pochodzą od dostawców takich jak Daloopa, PitchBook, LSEG News i Crunchbase, są indeksowane u OpenAI i opatrzone granularnymi cytowaniami, dzięki którym można prześledzić każdą liczbę do źródła. Produkt powstał z „design partnerami" Morgan Stanley i Evercore.

Wcześniej Anthropic udostępnił Claude for Financial Services i rozszerzył go o dziesięć gotowych szablonów agentów do najbardziej czasochłonnych zadań: budowy pitchbooków, screeningu dokumentów KYC i zamknięcia ksiąg na koniec miesiąca. Agenci łączą się z FactSet, S&P Capital IQ, MSCI, PitchBook, Morningstar, LSEG i Daloopa oraz z wewnętrznymi systemami firm, pod kontrolowanym dostępem. Działają w Excelu, PowerPoincie, Wordzie i Outlooku przez dodatki do Microsoft 365, a całość opiera się na kontrolach klasy enterprise: SSO, SCIM, logach audytowych, konfigurowalnej retencji danych i certyfikacji ISO/IEC 42001.

Dwie premiery w krótkim odstępie pokazują ten sam kierunek. Dostawcy modeli przestają sprzedawać ogólnego asystenta, a zaczynają sprzedawać narzędzie osadzone w danych i procesach jednej funkcji, finansów.

Dlaczego to ma znaczenie dla firm

Do tej pory AI w finansach oznaczało zwykle asystenta, do którego trzeba było ręcznie wklejać dane, a potem sprawdzać, czy niczego nie zmyślił. Teraz narzędzie dostaje dostęp do źródeł i potrafi doprowadzić zadanie do końca, od zebrania liczb po gotowy dokument z cytowaniami. To przesuwa AI z roli eksperymentu do roli elementu procesu.

Skala tej zmiany jest policzalna. Gartner przewiduje, że do 2029 dyrektorzy finansowi, którzy wdrożą AI strategicznie, dodadzą dziesięć punktów marży. Ten sam Gartner ostrzega jednak, że około 40 procent projektów agentowej AI zostanie skasowanych do końca 2027 z powodu kosztów, niejasnej wartości i słabej kontroli ryzyka. Deloitte dokłada do tego lukę w dojrzałości governance: firmy chcą wdrażać agentów szybciej, niż potrafią ich kontrolować.

Dla polskiej firmy wniosek jest prosty. Dostawcy budują AI wprost pod dział finansowy, z danymi i kontrolami, więc technologia przestaje być wąskim gardłem. Wąskim gardłem staje się to, czy firma ma poukładane dane, opisane procesy i osobę, która zdecyduje, co maszyna może robić, a czego nie.

Use case'y

Poniższe zastosowania nie są zarezerwowane dla banków. To procesy, które ma każda firma z działem finansowym, a różnica polega tylko na skali.

1. Zamknięcie miesiąca i raportowanie zarządcze

Problem biznesowy: zamknięcie ciągnie się kilka dni, opiera się na ręcznych uzgodnieniach i przepisywaniu danych między arkuszami, a raport dla zarządu powstaje na końcu, często z opóźnieniem.

Rozwiązanie AI: agent zbiera dane z ERP i arkuszy, uzgadnia salda, przygotowuje wstępne zestawienia i oznacza wyjątki do decyzji człowieka. Anthropic udostępnia gotowy szablon do zamknięcia ksiąg na koniec miesiąca.

Dane i procesy do wdrożenia: plan kont, reguły uzgodnień, zdefiniowane progi istotności i lista typowych wyjątków, kontrolowany dostęp do ERP.

Potencjalny efekt: krótszy czas zamknięcia i mniej ręcznej pracy, a zespół finansowy przesuwa się z przepisywania na analizę. Anthropic mówi o wdrożeniu w dni, nie w miesiące.

Ryzyko i ograniczenie: jeśli dane pochodzą z kilku niespójnych systemów, agent produkuje wyniki, którym nikt nie ufa. Potrzebny jest właściciel procesu i kontrola jakości wyników.

2. Obsługa faktur i zobowiązań

Problem biznesowy: ręczne dopasowanie faktur do zamówień i dostaw, błędy w danych, płatności realizowane po terminie.

Rozwiązanie AI: agent czyta faktury, dopasowuje je do zamówień, sprawdza zgodność kwot i warunków, a wyjątki kieruje do człowieka.

Dane i procesy do wdrożenia: rejestr zamówień, warunki płatności, reguły akceptacji i progi zatwierdzeń, dostęp do systemu obiegu dokumentów.

Potencjalny efekt: mniej ręcznych uzgodnień, szybszy obieg i mniej płatności po terminie.

Ryzyko i ograniczenie: fałszywa lub zawyżona faktura przechodząca przez automat bez kontroli progów zatwierdzeń. Automatyzacja nie zwalnia z autoryzacji płatności.

3. Prognozy i planowanie (FP&A)

Problem biznesowy: prognozy powstają w Excelu, długo, a przeliczenie kilku scenariuszy zajmuje analitykowi cały dzień.

Rozwiązanie AI: agent buduje modele, przelicza scenariusze, opisuje założenia i przygotowuje komentarz do liczb. Zarówno OpenAI, jak i Anthropic reklamują budowę modeli i materiałów decyzyjnych.

Dane i procesy do wdrożenia: historyczne dane finansowe, jawne założenia, definicje wskaźników, dostęp do hurtowni danych.

Potencjalny efekt: szybsze przeliczanie scenariuszy i więcej czasu na interpretację wyników zamiast na budowę arkusza.

Ryzyko i ograniczenie: model potrafi powielić błędne założenie w skali. Bez weryfikacji przez controllera szybciej dostajemy złą prognozę, nie lepszą.

4. Analiza dokumentów i weryfikacja kontrahentów

Problem biznesowy: przegląd umów i dokumentów kontrahentów jest czasochłonny, a kryteria bywają stosowane niespójnie przez różne osoby.

Rozwiązanie AI: agent zbiera i streszcza dokumenty, wychwytuje niezgodności i przygotowuje pakiet do decyzji. Anthropic pokazuje to na przykładzie screenera KYC, ale ten sam wzorzec działa dla weryfikacji dostawców i klientów.

Dane i procesy do wdrożenia: repozytorium umów i dokumentów, lista kontrolna, jasne kryteria ryzyka, uprawnienia do danych.

Potencjalny efekt: szybszy przegląd i spójne kryteria niezależnie od tego, kto akurat prowadzi sprawę.

Ryzyko i ograniczenie: agent może pominąć kontekst albo dopowiedzieć wniosek, którego dokumenty nie zawierają. Bez śladu audytowego trudno taką decyzję obronić.

5. Research i materiały dla zarządu

Problem biznesowy: zebranie danych rynkowych i przygotowanie materiału na spotkanie zarządu zajmuje analitykowi kilka dni.

Rozwiązanie AI: ChatGPT for Financial Services robi research na wbudowanych danych, opatruje go cytowaniami i buduje prezentację, w której każdą liczbę można cofnąć do źródła.

Dane i procesy do wdrożenia: dostęp do wiarygodnych źródeł danych, szablony materiałów, reguły poufności.

Potencjalny efekt: krótszy czas przygotowania materiału i łatwiejsza kontrola, skąd wzięła się każda liczba.

Ryzyko i ograniczenie: cytowanie nie zwalnia z weryfikacji, a wrzucanie poufnych danych do narzędzia bez umowy to problem bezpieczeństwa, nie wygody.

Co może zrobić polska firma

Kroki, które działają dla małej i średniej firmy, w tej kolejności:

1. Wybierz jeden proces o powtarzalnych krokach i jasnych granicach. Gartner radzi dyrektorom finansowym zaczynać od pilota z jasnymi granicami i unikać procesów o wysokich konsekwencjach.
2. Policz baseline. Sprawdź, ile ten proces kosztuje dziś w godzinach i pieniądzach, bo bez tej liczby nie ocenisz, czy wdrożenie się opłaciło.
3. Uporządkuj dane. Zdecyduj, który system jest źródłem prawdy, gdy dane się różnią, i przypisz tę decyzję do konkretnej osoby.
4. Ustal granice agenta. Zapisz, do jakich danych ma dostęp, jakie akcje wolno mu wykonać i gdzie kończy się automat, a zaczyna decyzja człowieka.
5. Wskaż właściciela procesu. Ktoś musi móc powiedzieć „od poniedziałku robimy to inaczej" i wziąć za to odpowiedzialność.
6. Mierz efekt liczbami. Czas, koszt i liczba błędów, a nie sam fakt, że narzędzie działa i ludzie z niego korzystają.
7. Zadbaj o bezpieczeństwo. SSO, logi audytowe, retencja danych i jasny zakaz wklejania danych finansowych do narzędzi konsumenckich.

Ryzyka

Bezpieczeństwo danych: finanse to jedne z najbardziej wrażliwych danych w firmie. Wklejanie ich do narzędzia bez umowy i kontroli dostępu to potencjalny wyciek, nie usprawnienie.

Shadow AI: jeśli firma nie da bezpiecznego narzędzia, pracownicy użyją własnego. Pisaliśmy o tym w tekście o shadow AI w polskich firmach.

Koszty: rachunek za agentów rośnie z liczbą wywołań i danych. Bez limitów i monitoringu łatwo przekroczyć budżet, o czym pisaliśmy przy kontroli kosztów agentów.

Błędne wdrożenie: narzędzie dołożone do procesu zamiast zmiany procesu zwiększa pracę, zamiast ją zmniejszać.

Brak właściciela: gdy nikt nie odpowiada za proces, nie ma kto zdecydować, co agent może robić, a co nie.

Brak kontroli jakości: ładny format i cytowania nie znaczą, że liczby są poprawne. Bez człowieka, który weryfikuje wynik, firma szybciej podejmie złą decyzję na podstawie pewnie wyglądającej odpowiedzi.

Wnioski

AI wchodzi do funkcji finansowej z dostępem do danych i kontrolami. To zmiana z asystenta, któremu się dyktuje, w wykonawcę procesu, którego trzeba nadzorować. Wartość tej zmiany zależy od porządku w danych i procesach, nie od wyboru modelu. Zacznij od jednego procesu, z właścicielem, jasnymi granicami i miernikami, i ułóż kontrolę zanim rozszerzysz agentów na procesy o wyższej stawce. Governance przed skalowaniem, nie odwrotnie.