Aż 52% firm z sektora finansowego już aktywnie wdraża agentyczną AI — systemy zdolne do samodzielnego podejmowania decyzji bez bezpośredniego nadzoru człowieka. To liczba, która powinna przykuć uwagę każdego, kto myśli, że autonomiczne AI w finansach to odległa przyszłość. Bank Anglii właśnie przyznał wprost: istniejące regulacje nie były projektowane z myślą o systemach, które działają samodzielnie, a próba utrzymania ludzkiej kontroli nad każdą ich akcją jest po prostu niepraktyczna.
Czym jest agentyczna AI i dlaczego różni się od zwykłej automatyzacji?
Agentyczna AI (ang. agentic AI) to klasa systemów sztucznej inteligencji, które potrafią samodzielnie wyznaczać pośrednie cele, planować sekwencje działań i realizować je bez ciągłego nadzoru ze strony człowieka. Różni się fundamentalnie od tradycyjnych algorytmów automatyzacji, które wykonują z góry zaprogramowane reguły.
Klasyczne narzędzia do automatycznego tradingu reagują na konkretne sygnały rynkowe według ustalonych warunków. Systemy agentyczne natomiast mogą interpretować cel ogólny — na przykład optymalizację portfela — i samodzielnie dobierać narzędzia oraz kolejność kroków prowadzących do jego realizacji.
Sarah Breeden, zastępczyni gubernatora Banku Anglii, stwierdziła w 2025 roku podczas forum Europejskiego Banku Centralnego w Portugalii, że obecne ramy regulacyjne „nie zostały zaprojektowane z myślą o autonomicznych agentach działających w obszarze płatności, tradingu i funkcji operacyjnych”. To przyznanie przez jeden z największych banków centralnych świata, że luka regulacyjna nie jest hipotetyczna — ona już istnieje.
Jak agentyczna AI działa już dziś w instytucjach finansowych?
Raport Cambridge Centre for Alternative Finance z 2026 roku wykazał, że 81% przebadanych firm sektora finansowego wdraża AI na jakimś poziomie. Spośród nich 52% aktywnie stosuje już rozwiązania agentyczne — to oznacza, że autonomiczne systemy AI nie są eksperymentem laboratoryjnym, lecz codzienną rzeczywistością banków i funduszy.
Obecne zastosowania koncentrują się głównie na funkcjach wewnętrznych: automatyzacji procesów, wizualizacji danych, inżynierii oprogramowania i zarządzaniu wiedzą. Sarah Breeden zaznaczyła w 2025 roku, że wykorzystanie agentycznej AI w tradingu pozostaje na razie skupione przede wszystkim na zadaniach operacyjnych o niższym ryzyku — takich jak rekomendacje produktowe czy obsługa przepływów pracy.
Jednak granica między „niskim ryzykiem operacyjnym” a decyzjami o istotnych konsekwencjach systemowych jest płynna. Systemy trenowane na podobnych danych lub projektowane wokół zbliżonych celów mogą zachowywać się w skoordynowany sposób — nawet bez formalnej koordynacji między instytucjami, które je stosują.
Redakcja IWD Partner: Paradoks, przed którym stoją regulatorzy, przypomina sytuację z wczesnych lat internetu: technologia rozwinęła się szybciej niż zdolność prawa do jej opisania. Tym razem stawką nie jest wolność słowa w sieci, lecz stabilność systemów finansowych obsługujących miliardy transakcji dziennie. Otwarte pytanie brzmi: czy regulacje zdążą nadążyć za tempem adopcji, zanim pierwsza poważna awaria systemu agentycznego zmusi legislatorów do działania pod presją kryzysu?
Dlaczego cyberbezpieczeństwo staje się kluczowym ryzykiem systemowym?
Cyboodporność (cyber resilience) to obszar, który Sarah Breeden z Banku Anglii wskazała w 2025 roku jako jedno z najbliższych jej priorytetowych zagrożeń dla stabilności finansowej związanych z agentyczną AI. Systemy AI przeszły według niej „skokową zmianę” zdolności w obszarze cyber — potrafią dziś łączyć sekwencje działań w skali i z szybkością niedostępną wcześniej dla ludzi.
Dwoistość tej technologii jest szczególnie niepokojąca. Te same narzędzia AI, które pomagają zespołom bezpieczeństwa identyfikować luki w infrastrukturze, mogą być użyte przez złośliwych aktorów do przeprowadzania ataków na masową skalę. Breeden podkreśliła, że otwarte modele AI (open-source) mogą pozostawać zaledwie 4–8 miesięcy za najbardziej zaawansowanymi modelami zamkniętymi — co daje regulatorom bardzo ograniczony margines komfortu wynikający z restrykcji w udostępnianiu tych ostatnich.
Międzynarodowy Fundusz Walutowy ostrzegł, że zagrożenia cybernetyczne wspomagane przez AI powinny być traktowane jako kwestia stabilności finansowej — nie tylko bezpieczeństwa IT. Ataki mogą skalować się błyskawicznie, rozprzestrzeniać między sektorami dzielącymi infrastrukturę cyfrową i powodować szerokie zakłócenia, gdy kilka instytucji zostaje dotkniętych jednocześnie.
Ryzyko korelacji zachowań systemów AI
Breeden zwróciła uwagę na specyficzne ryzyko systemowe: jeśli wiele instytucji finansowych używa agentycznej AI trenowanej na podobnych danych i zoptymalizowanej pod podobne cele, systemy te mogą podejmować zbieżne decyzje w tym samym momencie. Efekt jest analogiczny do rynkowej „stadności”, tyle że realizowanej w milisekundach i bez świadomego wyboru żadnego uczestnika.
Breeden zaapelowała, by nadzorcy przywiązywali większą wagę do scenariuszy jednoczesnych zakłóceń obejmujących kilka firm, a testy warunków skrajnych (stress-testy) obejmowały perspektywę całego systemu finansowego — nie tylko poszczególnych instytucji.
Jak regulatorzy zamierzają odpowiedzieć na te wyzwania?
Bank Anglii prowadzi przegląd obowiązujących ram regulacyjnych pod kątem ich adekwatności wobec agentycznej AI. Kluczowe pytanie to nie czy regulować, lecz jak dostosować istniejące zasady do rzeczywistości, w której system AI może samodzielnie inicjować płatności, przeprowadzać transakcje lub reagować na incydenty bezpieczeństwa.
Breeden w 2025 roku wskazała, że poleganie na bezpośrednim nadzorze człowieka nad każdym działaniem tych systemów „prawdopodobnie nie będzie praktyczne”. Oznacza to konieczność wypracowania nowych mechanizmów odpowiedzialności — takich jak audytowalność decyzji systemu, obowiązkowe rejestry akcji agentów czy limity autonomii w obszarach o podwyższonym ryzyku systemowym.
| Obszar zastosowania AI w finansach | Obecny poziom autonomii | Ryzyko systemowe |
|---|---|---|
| Rekomendacje produktowe | Wysoka automatyzacja, niska autonomia decyzyjna | Niskie |
| Operacyjne przepływy pracy | Średnia autonomia, człowiek w pętli | Niskie–Średnie |
| Trading (zadania operacyjne) | Rosnąca autonomia, ograniczony nadzór | Średnie |
| Cyberbezpieczeństwo (detekcja) | Wysoka autonomia, szybkie działanie | Wysokie (efekt dualny) |
| Płatności i rozliczenia | Wstępna adopcja agentyczna | Potencjalnie bardzo wysokie |
Dlaczego regulacje agentycznej AI w finansach mają znaczenie?
Sektor finansowy obsługuje infrastrukturę krytyczną całej gospodarki — od codziennych płatności po rozliczenia międzybankowe o wartości bilionów dolarów dziennie. Jeśli 52% firm finansowych już aktywnie wdraża agentyczną AI (dane Cambridge Centre for Alternative Finance, 2026), to każda luka regulacyjna przekłada się bezpośrednio na ryzyko dla systemów, od których zależy funkcjonowanie rynków i codzienne życie obywateli.
Inicjatywa Banku Anglii sygnalizuje szerszy trend: banki centralne i nadzorcy finansowi na całym świecie zaczynają traktować AI nie jako temat przyszłości, lecz jako bieżące wyzwanie operacyjne wymagające konkretnych odpowiedzi regulacyjnych tu i teraz. Sposób, w jaki Bank Anglii rozwiąże ten problem, może stać się wzorcem dla innych jurysdykcji — w tym dla regulatorów w Unii Europejskiej, którzy jednocześnie wdrażają przepisy AI Act.
Powiązane pojęcia z AI i uczenia maszynowego
- Agentyczna AI (Agentic AI) — klasa systemów sztucznej inteligencji zdolnych do autonomicznego planowania i realizacji sekwencji działań w celu osiągnięcia zadanego celu bez bezpośredniego nadzoru człowieka przy każdym kroku.
- Human-in-the-loop (HITL) — model nadzoru, w którym człowiek aktywnie uczestniczy w podejmowaniu kluczowych decyzji przez system AI, stanowiący kontrast dla w pełni autonomicznych agentów.
- Ryzyko korelacji systemowej — zagrożenie wynikające z jednoczesnego podejmowania zbieżnych decyzji przez wiele niezależnych systemów AI trenowanych na podobnych danych, co może wzmacniać wahania rynkowe.
- Cyber resilience (cyboodporność) — zdolność organizacji do utrzymania ciągłości działania i szybkiego powrotu do normalnego funkcjonowania po incydencie cybernetycznym.
- Open-source AI — modele sztucznej inteligencji udostępniane publicznie wraz z wagami i kodem źródłowym, co przyspiesza innowacje, lecz jednocześnie obniża barierę dostępu dla złośliwych aktorów.
Na podstawie materiałów źródłowych.
