Nie wystarczy, że AI widzi bank. Musi jeszcze zrozumieć jego ofertę

Coraz częściej pierwszy kontakt klienta z ofertą banku odbywa się poza jego oficjalną stroną internetową, czyli w kanale, nad którym instytucja nie ma bezpośredniej kontroli. Klienci nie szukają już tylko linków do samodzielnego czytania. Przychodzą do sztucznej inteligencji po gotową poradę.

Skalę tej rewolucji obrazują twarde dane rynkowe. Według danych amerykańskiego Pew Research Institute, wprowadzenie podsumowań AI (takich jak AI Overview w wyszukiwarce Google) powoduje, że kliknięcia w bezpośrednie linki źródłowe spadają o około 50%.

Ruch w świecie cyfrowym jest dziś przejmowany przez chatboty oraz wyszukiwarki nowej generacji. Nie tylko dlatego, że narzędzia te są promowane i AI jest modne, ale przede wszystkim dlatego, że wnoszą realną wartość, tłumacząc i porównując ofertę klientowi z dostępem 24h na dobę, bez narzekania.

Podczas gdy w segmencie wyszukiwania wciąż króluje Google, świat konsumenckich asystentów został zdominowany przez ChatGPT, posiadający ponad połowę udziałów w rynku, a tuż za nim plasują się Google Gemini oraz Claude.

Poniżej globalny udział w rynku asystentów AI najpopularniejszych LLM-ów.

W odpowiedzi na te zmiany narodziła się nowa dziedzina GEO (Generative Engine Optimization). Skupia się ona na zapewnieniu widoczności marki w czatach, asystentach i wyszukiwarkach nowej generacji. Pojawia się jednak kluczowe pytanie. Czy sama widoczność wystarczy? Czy bankom nie powinno zależeć na tym, aby asystent AI poprawnie zrozumiał ich ofertę?

Na rynku polskim ostatnie doniesienia z końca 2025 roku mówią o 10,2 miliona użytkowników. Są też podstawy prognozować, że liczba ta będzie rosła.

Z perspektywy źródeł pozyskania klientów to liczba, obok której ciężko przejść obojętnie.

Czym różni się widoczność marki w AI od poprawnego zrozumienia oferty bankowej?

Większość dostępnych na rynku badań i narzędzi GEO funkcjonuje podobnie do tradycyjnego SEO. Ich działanie opiera się na zadaniu pojedynczego pytania z przygotowanej puli, a następnie weryfikacji, jak wysoko w wygenerowanej odpowiedzi plasuje się dana marka. Na tym etapie analiza zwykle się kończy.

W rzeczywistości proces decyzyjny klienta przebiega zupełnie inaczej. Realna konwersacja ma charakter wieloetapowy, ponieważ użytkownik regularnie dopytuje o szczegóły, upewnia się w swoich wyborach oraz prosi o precyzyjne porównania.

Właśnie w tym momencie zaczyna się kluczowy test dla sztucznej inteligencji. Taka pogłębiona, wielokrokowa rozmowa weryfikuje, czy wbudowany w narzędzie agent potrafi logicznie zinterpretować oraz skutecznie obronić ofertę banku.

Strona internetowa banku wraca jako „źródło prawdy”

Przez ostatnie lata banki intensywnie koncentrowały się na aplikacjach mobilnych oraz systemach transakcyjnych. Był to krok uzasadniony, jednak zamyka on informacje w strefach dostępnych wyłącznie dla zalogowanych użytkowników.

W dobie asystentów AI pojawia się tu poważna bariera. Algorytmy budujące wiedzę o produktach finansowych nie posiadają dostępu do zabezpieczonej części treści banku. W tej sytuacji publiczna strona internetowa przeżywa swój wielki renesans.

Witryna www ponownie staje się kluczowa. To właśnie z niej modele oraz agenci AI czerpią wiedzę, traktując ją jako ostateczne źródło prawdy oraz niezastąpiony fallback, gdy wcześniejsze źródła danych, portale czy porównywarki okazują się niewystarczające.

Specyfika publicznej oferty bankowej polega na tym, że jest ona rozproszona w wielu miejscach. Znajduje się na stronach produktowych i landingach kampanii, aż po oficjalne regulaminy oraz tabele opłat i prowizji. Podczas gdy człowiek zazwyczaj przegląda te dokumenty wybiórczo, modele LLM mają naturę polegającą na jednoczesnym zaciąganiu danych z wielu źródeł na raz.

Taki sposób działania sztucznej inteligencji przynosi dwie kluczowe konsekwencje:

• Perfekcyjne wykrywanie rozbieżności. Sztuczna inteligencja bez problemu mapuje ogólne nazwy produktów czy obietnice marketingowe, ale dzięki narzędziom do głębokiej analizy błyskawicznie lokalizuje niespójności w detalach. AI natychmiast wychwytuje zgrzyty w dokumentacji, takie jak sprzeczne limity wiekowe przy kontach dla dzieci czy ukryte warunki opłat.
• Bezkrytyczne budowanie modelu wiedzy na bazie błędów. Jeżeli informacje na stronie są niespójne, model automatycznie wbuduje te sprzeczności bezpośrednio w algorytm swoich odpowiedzi. W efekcie asystent AI może potwierdzić klientowi nieaktualne oprocentowanie konta oszczędnościowego lub wygenerować halucynację prawną dotyczącą zdolności do czynności prawnych małoletnich. Dla banku oznacza to ryzyko reputacyjne oraz compliancowe, gdy zdeterminowany użytkownik postanowi wykorzystać tak obnażoną niespójność.

Analiza przypadków: Sukcesy i halucynacje AI w testach bankowych

Eksperymenty o charakterze eksploracyjnym, przeprowadzone bezpośrednio na realnych ofertach rynkowych, pozwoliły zidentyfikować powtarzające się, wyraźne wzorce zachowań sztucznej inteligencji w starciu z publiczną ofertą bankową. Pokazują one czarno na białym, jak algorytmy interpretują to, co banki publikują w sieci.

Wykorzystanie zaawansowanych funkcji badawczych, dostępnych między innymi w ramach technologii Deep Research w modelach GPT czy Claude, daje użytkownikom niesamowitą siłę analityczną. Narzędzia te potrafią skrócić czasochłonny proces, który zwykłemu człowiekowi zająłby mnóstwo czasu, do zaledwie kilkunastu minut głębokiej analizy.

Analiza wygenerowanych w ten sposób raportów ujawnia dwoistą naturę AI:

• Sukcesy w warstwie ogólnej. Sztuczna inteligencja radzi sobie bez zarzutu przy mapowaniu głównych kategorii produktowych, bezbłędnie identyfikuje grupy docelowe oraz sprawnie kataloguje obietnice sprzedażowe.
• Błędy w detalach. Rozbieżności pojawiają się w momencie, gdy zaczynamy pytać o szczegóły. AI wskazuje i potyka się o różnice w szczegółowych warunkach opłat, limitach wiekowych (np. przy kontach dla dzieci) czy weryfikacji zapisów z historycznych podstron oraz sekcji FAQ.

Jak działa Google AI Mode w praktyce wielokrokowej konwersacji finansowej?

Prawdziwym poligonem doświadczalnym stają się testy w ramach pogłębionego dialogu z silnikiem Gemini w trybie Google AI Mode, gdzie badana jest realna reakcja algorytmu na dopytywanie o szczegóły. Podczas testów zaobserwowaliśmy trzy pouczające sytuacje, które doskonale obrazują naturę modeli LLM:

Błąd połączony z automatycznym sprostowaniem

W jednym z testów na zapytanie o konto dla dziecka, AI początkowo wyświetliło błędną informację, że jest to rachunek wspólny. Dopiero gdy zostało dociśnięte precyzyjnym pytaniem o to, kto formalnie jest właścicielem konta, algorytm sięgnął bezpośrednio do oficjalnej strony banku, skorygował treść i wprost wyświetlił sprostowanie, przyznając się do wcześniejszego błędu.

Klasyczna halucynacja logiczna

Drugi wzorzec to sytuacja, w której kierunek myślenia maszyny jest właściwy, ale zwrot całkowicie przeciwny. Poszukując oferty dla małoletnich, algorytm wygenerował stwierdzenie, że do ukończenia trzynastego roku życia dziecko nie posiada ograniczonej zdolności do czynności prawnych, co stanowi oczywistą nieprawdę.

Co ciekawe, ten sam test przyniósł bardzo pozytywny wniosek. Pod wpływem pogłębionej rozmowy i dociągania danych ze stron bankowych, model potrafił zmienić kolejność rekomendowanych instytucji i zignorować gotowe zestawienia z internetowych porównywarek, udowadniając, że to strona banku jest dla niego ostateczną wyrocznią.

Aktualność danych i merytoryczny rozjazd ofertowy

Gdy zapytano AI wprost o konkretną, historyczną stawkę oprocentowania konta oszczędnościowego, model bezwzględnie potwierdził jej istnienie, mimo że aktualna oferta była już zupełnie inna. Dopiero wymuszenie dalszej, wielokrokowej konwersacji sprawiło, że asystent AI dociągnął świeże parametry ze strony bankowej i zaktualizował swoją wiedzę.

Jak zacząć? Prosta inżynieria wsteczna

Weryfikacja gotowości oferty na zderzenie z algorytmami sztucznej inteligencji wcale nie wymaga od organizacji natychmiastowego uruchamiania wielkiej i kosztownej transformacji technologicznej. Cały proces warto zainicjować od prostego, wybiórczego ćwiczenia na bazie jednego, konkretnego produktu finansowego.

Pierwszym krokiem jest uruchomienie zaawansowanych narzędzi analitycznych, takich jak funkcja Deep Research w modelach GPT, Gemini czy Claude, w celu bezwzględnego wyszukania ukrytych niespójności. Pozwala to spojrzeć na strukturę informacji w banku z zewnątrz i zidentyfikować rozbieżności merytoryczne w dokumentacji, które na co dzień umykają ludzkiemu oku.

Otrzymany w ten sposób raport staje się fundamentem do przeprowadzenia inżynierii wstecznej. Na bazie wykrytych przez sztuczną inteligencję błędów oraz zgrzytów logicznych projektuje się konkretne scenariusze testowych rozmów.

Poprzez celowo sformułowane prompty sprawdza się w praktyce, czy i w którym momencie wielokrokowej konwersacji wbudowany asystent ujawni te niespójności przed potencjalnym klientem.

Finałem takiego testu jest bezpośrednie zderzenie wyników z audytem działu compliance. To właśnie eksperci od ryzyka i kwestii prawnych muszą ostatecznie ocenić skalę zagrożenia oraz zweryfikować, czy wygenerowane przez AI odpowiedzi są akceptowalne z punktu widzenia formalnego.

Spójrz na problem jak Steve Jobs

Gdy w procesie optymalizacji oferty pod kątem AI dochodzi się do ściany, warto zmienić perspektywę i zadać modelowi pytanie: „Jak ten problem rozwiązałby Steve Jobs?”. Taki trik pozwala wyjść poza standardowe ramy myślenia.

W tym konkretnym przypadku odpowiedź prawdopodobnie brzmiałaby: „Przestańcie myśleć jak fabryka produktu”. Jeśli bank skupi się wyłącznie na mechanicznym zasilaniu silników LLM surowymi danymi produktowymi, sprowadzi swoją rolę do zwykłego podwykonawcy.

Przykład Google pokazuje, że przed nową technologią można się obronić i skutecznie ją zaadaptować. Kluczem dla sektora bankowego jest więc podjęcie walki o kontrolę nad całym doświadczeniem klienta, zamiast bezkrytycznego pozostawiania go w rękach zewnętrznych silników sztucznej inteligencji.