W 2025 roku M&T Bank — regionalny bank z siedzibą w Buffalo w stanie Nowy Jork — udostępnił narzędzia AI ponad 15 000 spośród swoich 22 000 pracowników, a roczne wydatki na technologię przekroczyły 1,2 miliarda dolarów. To nie jest historia o eksperymencie pilotażowym: to obraz systemowej transformacji instytucji finansowej, która przez lata budowała fundament technologiczny po to, by dziś AI mogła na nim realnie pracować — nie tylko w marketingowych slajdach, lecz w codziennych operacjach.
Jak M&T Bank wdrożył AI na skalę całej organizacji?
Droga M&T Banku do masowego wdrożenia generatywnej AI nie zaczęła się od zakupu licencji — zaczęła się od decyzji o ograniczeniu dostępu. Andrew Foster, Chief Data Officer banku, potwierdził w wywiadzie dla American Banker, że M&T początkowo zablokował pracownikom dostęp do publicznych dużych modeli językowych (LLM), obawiając się, że poufne dane klientów i firmy mogą trafić do zewnętrznych systemów.
Dopiero po przeprowadzeniu oceny dostawców korporacyjnych bank wybrał Microsoft Copilot jako swoje podstawowe narzędzie AI. Program ruszył od pilotażu z udziałem około 800 pracowników, a następnie stopniowo rozszerzono go na całą organizację. Według danych American Banker z września 2025 roku, 16 000 spośród 22 000 pracowników korzystało już z Copilota do codziennych zadań.
Zastosowania są zróżnicowane: drafting e-maili i raportów, streszczanie rozmów z centrum obsługi klienta, generowanie kodu przez programistów przy użyciu narzędzi GitLab, a także analiza ryzyka portfelowego. Każdy z tych przypadków łączy jedno — człowiek pozostaje odpowiedzialny za weryfikację wyników pracy AI.
Ile czasu i pieniędzy oszczędza AI w bankowości?
Najbardziej konkretna liczba, którą podał Foster w rozmowie z American Banker, dotyczy centrum obsługi klienta: użycie generatywnej AI do streszczania rozmów telefonicznych pozwala zaoszczędzić około sześciu minut na każdym połączeniu. Przy tysiącach rozmów dziennie efekt skumulowany jest znaczący — zarówno finansowo, jak i z perspektywy obciążenia pracowników.
Całościowe wydatki technologiczne banku w 2025 roku wyniosły ponad 1,2 miliarda dolarów — to niemal trzykrotność poziomu z 2017 roku. Wzrost ten odzwierciedla wieloletnią strategię, a nie jednorazowy zastrzyk kapitału w AI. Jak ujął to CIO banku Scott Wisler w rozmowie z Forbes w sierpniu 2026 roku, liczba rocznych wydań technologicznych wzrosła z około 15 000 w 2018 roku do 65 000 w 2025 roku.
| Wskaźnik | 2017/2018 | 2025 | Zmiana |
|---|---|---|---|
| Wydatki na technologię | ~400 mln USD | >1,2 mld USD | +300% |
| Roczne wydania technologiczne | ~15 000 | 65 000 | +333% |
| Awarie systemów | poziom bazowy | spadek o >80% | -80% |
| Pracownicy używający Copilota | 0 | 16 000 | nowe wdrożenie |
Co zmieniło się w strukturze technologicznej banku od 2018 roku?
Transformacja M&T Banku nie zaczęła się od AI — zaczęła się od porządkowania fundamentów. W 2018 roku ponad połowa specjalistów technologicznych banku to byli pracownicy zewnętrzni. Dziś proporcja jest odwrócona: 80% zespołu technologicznego to pracownicy wewnętrzni, a bank zatrudnia około 2 000 technologów pracujących w ponad 300 zwinnych zespołach (agile teams).
W ciągu siedmiu lat bank zastąpił dziesiątki przestarzałych platform, a od 2018 roku zatrudnił ponad 1 000 nowych specjalistów technologicznych. Scott Wisler dołączył do M&T jako Chief Information Officer właśnie w 2018 roku, a w 2025 roku objął stanowisko starszego wiceprezesa wykonawczego ds. technologii i operacji — co samo w sobie mówi o rosnącym znaczeniu tego obszaru.
Redakcja IWD Partner: Historia M&T Banku przypomina nam, że wdrożenie AI w dużej organizacji to maraton, nie sprint — i że „gotowość na AI” to w rzeczywistości „gotowość danych i infrastruktury”. Banki, które dziś próbują nałożyć generatywną AI na przestarzałe systemy, prawdopodobnie doświadczą dokładnie tego, czego M&T Bank uniknął przez siedem lat cierpliwej pracy: efektownych demonstracji bez realnych efektów. Pytanie brzmi: ile instytucji finansowych w Polsce i Europie jest na podobnym etapie transformacji fundamentów — a ile dopiero zaczyna tę drogę?
Dlaczego bezpieczeństwo danych jest kluczowym wyzwaniem we wdrożeniach AI?
Decyzja M&T Banku o blokowaniu publicznych LLM przed wdrożeniem rozwiązań korporacyjnych nie była przesadną ostrożnością — była wyrazem zrozumienia ryzyka, które wiele organizacji ignoruje. Publiczne modele językowe, do których pracownicy wpisują fragmenty dokumentów lub dane klientów, mogą te informacje przechowywać lub wykorzystywać do dalszego treningu.
M&T rozwiązał ten problem przez wybór zamkniętego środowiska Microsoft Copilot oraz stworzenie jasnych zasad korzystania z AI. Kodeks postępowania biznesowego i etyki banku na rok 2026 explicite zabrania wprowadzania poufnych, zastrzeżonych, klientowskich, pracowniczych lub regulowanych danych do niezatwierdzonych systemów. Jednocześnie dokument jasno stanowi, że to pracownik pozostaje odpowiedzialny za dokładność i stosowność pracy wykonanej z pomocą AI.
Andrew Foster równolegle zbudował program data lineage — śledzenia pochodzenia i przepływu danych — który pozwala bankowi wiedzieć, skąd pochodzi każda informacja używana przez systemy AI. Taka transparentność jest wymogiem nie tylko etycznym, ale w sektorze finansowym także regulacyjnym.
Dlaczego AI w bankowości korporacyjnej ma znaczenie?
M&T Bank obsługuje klientów głównie w północno-wschodniej części Stanów Zjednoczonych i zarządza aktywami o wartości przekraczającej 200 miliardów dolarów. Skala wdrożenia AI — 15 000 pracowników z dostępem do narzędzi AI, sześć minut zaoszczędzonych na każdej rozmowie w call center, 65 000 wydań technologicznych rocznie — pokazuje, że sektor finansowy wkroczył w fazę industrializacji AI.
To nie są już eksperymenty: to procesy operacyjne. Gdy instytucja tej wielkości integruje AI agentową (agentic AI) z obszarami cyberbezpieczeństwa i wykrywania fraudów — jak zapowiada M&T — mówimy o systemach podejmujących decyzje lub inicjujących działania w czasie rzeczywistym. Dla branży finansowej oznacza to nową erę zarządzania ryzykiem, ale też nowe pytania o odpowiedzialność i nadzór regulacyjny.
Raport McKinsey Global Institute z 2024 roku szacował, że generatywna AI może dodać od 200 do 340 miliardów dolarów wartości rocznie tylko w sektorze bankowym — głównie przez automatyzację operacji i personalizację obsługi klienta. M&T Bank zdaje się realizować tę tezę w praktyce.
Powiązane pojęcia z AI i uczenia maszynowego
- Generatywna AI (Generative AI) — klasa modeli sztucznej inteligencji zdolnych do tworzenia nowych treści: tekstu, kodu, obrazów lub dźwięku, na podstawie wzorców wyuczonych z danych.
- Duży model językowy (LLM, Large Language Model) — model AI trenowany na ogromnych zbiorach tekstu, zdolny do rozumienia i generowania języka naturalnego; podstawa narzędzi takich jak Microsoft Copilot czy ChatGPT.
- AI agentowa (Agentic AI) — system AI zdolny do autonomicznego planowania i wykonywania sekwencji działań w celu realizacji złożonego zadania, wykraczający poza jednorazowe odpowiedzi na zapytania.
- Data lineage — dokumentowanie i śledzenie pochodzenia, transformacji i przepływu danych przez systemy informatyczne, kluczowe dla audytu i zgodności regulacyjnej w sektorach takich jak finanse czy ochrona zdrowia.
- Microsoft Copilot — korporacyjne narzędzie AI firmy Microsoft oparte na modelach OpenAI, zintegrowane z pakietem Microsoft 365, zaprojektowane z myślą o bezpieczeństwie danych przedsiębiorstw.
Na podstawie materiałów źródłowych.
