Centralny Bank Kenii zidentyfikował niemal 300 konkretnych przypadków zastosowania sztucznej inteligencji w swojej działalności – ze szczególnym naciskiem na poprawę jakości prognoz ekonomicznych. To nie jest deklaracja zamiarów, lecz wynik systematycznej inwentaryzacji przeprowadzonej wewnątrz instytucji, której decyzje dotykają milionów ludzi. Dla redakcji IWD Partner to sygnał, że AI w bankowości centralnej przestaje być tematem konferencji, a staje się codziennym narzędziem polityki monetarnej.
Skąd wzięła się liczba 300 przypadków użycia?
Centralny Bank Kenii przeprowadził wewnętrzny przegląd swoich procesów i obszarów działalności, identyfikując niemal 300 potencjalnych lub realizowanych przypadków użycia AI (ang. use cases). Liczba ta nie powstała przypadkowo – to efekt ustrukturyzowanego mapowania, które ma wskazać, gdzie algorytmy mogą zastąpić lub wesprzeć pracę analityków i decydentów.
Szczególnym obszarem zainteresowania CBK jest prognozowanie ekonomiczne. Banki centralne tradycyjnie opierają się na modelach ekonometrycznych, które mają ograniczoną zdolność do przetwarzania danych niestrukturalnych – takich jak doniesienia medialne, nastroje rynkowe czy dane satelitarne. Modele uczenia maszynowego mogą tu uzupełniać klasyczne podejścia.
AI w bankowości centralnej – co już działa, a co dopiero się sprawdza?
Zastosowania AI w bankach centralnych na całym świecie obejmują m.in. wykrywanie anomalii w systemach płatniczych, analizę ryzyka kredytowego oraz monitorowanie stabilności finansowej. CBK wpisuje się w globalny trend, w którym instytucje regulacyjne sięgają po narzędzia uczenia maszynowego (ang. machine learning) i przetwarzania języka naturalnego (ang. natural language processing, NLP).
Prognozowanie inflacji, PKB czy kursu walutowego to zadania, przy których modele AI mogą przetwarzać znacznie większe zbiory danych niż klasyczne modele strukturalne. Jeśli wdrożenia w CBK przyniosą oczekiwane rezultaty, może to stanowić punkt odniesienia dla innych banków centralnych regionu Afryki Subsaharyjskiej.
Redakcja IWD Partner: Mapowanie blisko 300 zastosowań AI przez jedną instytucję brzmi imponująco, ale kluczowe pytanie nie dotyczy liczby, lecz jakości wdrożeń. Banki centralne krajów rozwiniętych – jak Fed czy EBC – od lat eksperymentują z AI w prognozowaniu, a ich wyniki pozostają niejednoznaczne. Ciekawsze od samej inwentaryzacji będzie to, ile z tych 300 przypadków przełoży się na realne decyzje polityki pieniężnej – i z jakim skutkiem.
Kontekst: jak banki centralne sięgają po AI
Zainteresowanie AI w instytucjach finansowych narastało stopniowo przez ostatnie lata. Poniższa oś czasu pokazuje kilka węzłowych momentów tego procesu:
- Lata 2010–2015 – pierwsze eksperymenty banków komercyjnych z algorytmami scoringowymi opartymi na uczeniu maszynowym.
- Około 2018–2020 – banki centralne (m.in. Bank Anglii, Europejski Bank Centralny) zaczynają publikować raporty o potencjale AI w nadzorze finansowym i prognozowaniu.
- 2022–2023 – upowszechnienie dużych modeli językowych (LLM) otwiera nowe możliwości analizy tekstów ekonomicznych i raportów rynkowych.
- 2025–2026 – instytucje regulacyjne w krajach rozwijających się, w tym w Kenii, intensyfikują własne przeglądy gotowości do wdrożenia AI.
Co zmieni się w prognozowaniu ekonomicznym, jeśli CBK wdroży swoje plany?
Skuteczniejsze prognozowanie ekonomiczne bezpośrednio przekłada się na trafniejsze decyzje o stopach procentowych, interwencjach walutowych i polityce makroostrożnościowej. Dla zwykłych obywateli oznacza to potencjalnie bardziej stabilne ceny i lepiej skalibrowane warunki kredytowe.
Kenia jest jednym z regionalnych liderów technologicznych w Afryce – kraj ten jest znany m.in. z wczesnego upowszechnienia mobilnych płatności. Jeśli CBK rzeczywiście wdroży AI na szerszą skalę, może to przyspieszyć podobne decyzje w innych krajach regionu, gdzie dostęp do danych statystycznych bywa ograniczony, a modele AI mogą częściowo kompensować te braki.
Należy jednak zachować ostrożność: identyfikacja przypadków użycia to dopiero pierwszy krok. Wdrożenie wymaga infrastruktury danych, kompetencji kadrowych i ram regulacyjnych – a te buduje się latami. Według wstępnych danych prezentowanych przez instytucję, prace są na etapie mapowania, a nie masowego uruchamiania systemów.
Powiązane pojęcia z AI i uczenia maszynowego
- Uczenie maszynowe (machine learning) – gałąź AI, w której algorytmy uczą się wzorców z danych bez jawnego programowania reguł.
- Przetwarzanie języka naturalnego (NLP) – technika AI umożliwiająca komputerom rozumienie i generowanie tekstu w języku ludzkim.
- Prognozowanie szeregów czasowych – metoda statystyczna i uczenia maszynowego służąca do przewidywania przyszłych wartości na podstawie danych historycznych uporządkowanych w czasie.
- RegTech – zastosowanie technologii, w tym AI, do automatyzacji procesów regulacyjnych i nadzorczych w sektorze finansowym.
- Duży model językowy (LLM) – rodzaj sieci neuronowej trenowanej na ogromnych zbiorach tekstu, zdolnej do analizy dokumentów, raportów i danych jakościowych.
Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: TechTrendsKE (31.10.2026).
Zdjęcie: Brecht Corbeel / Unsplash
