Agen­tic AI Plat­form zrych­lu­je adop­ci AI v bance. Jak vzniká nový stan­dard pro tvor­bu agentů

Nápad na Agen­tic AI Plat­form se začal for­mo­vat při­b­ližně před rokem a půl. V té době už exis­to­valy izolo­vané AI ini­cia­tivy, ale větši­na týmů narážela na ste­jné problémy: 

• Jak bezpečně napo­jit LLM do bankovního prostředí? 

• Jak vyví­jet AI agen­ty, tak, aby splnili interní i reg­u­la­torní požadavky? 

• Jak je inte­grovat na stá­va­jící systémy? 

Dosavad­ní enter­prise AI plat­for­ma v bance byla sice robust­ní, ale kon­cipo­vaná spíše ​„exper­ti pro exper­ty“. Chy­bě­lo však uni­verzál­ní řešení, které by bylo dos­tup­né i týmům, jež s AI začí­na­jí a zároveň umožni­lo rych­le­ji pokrýt širok­ou škálu use casů. ​„Provedli jsme analýzu, která zohled­ni­la naši znalost bankovního prostředí, známé i očeká­vané poža­davky na dodávání AI v bance, interní možnos­ti a globál­ní trendy. Na zák­ladě toho se začala for­mo­vat idea a architek­tu­ra agentické plat­formy, jak ji známe dnes,” popisu­je Bednář. 

AAiP může teo­ret­icky využít větši­na týmů v bance, ale vždy záleží na konkrét­ních datových zdro­jích a inte­gracích. Plat­for­ma se nejvíce hodí pro busi­ness týmy, které staví jednodušší řešení nebo pracu­jí s nástro­ji bez nativních AI funkcionalit. 

Největší pop­táv­ka přichází z odd­ělení, která spravu­jí back-office pro­cesy – oblasti dlouhodobě zatížené ruti­n­ní lid­sk­ou prací. Zájem mají zvláště riskové týmy a kor­porát­ní seg­ment, kde se agen­ti ukazu­jí jako efek­tivní posi­la při zpra­cov­ání opako­vaných úkolů. ​„Největší zájem mají týmy z risku a kor­porát­ního seg­men­tu, kde je autom­a­ti­zace klíčová pro zrych­lení ruti­n­ních oper­ací,“ dodává Bednář. 

Tech­no­log­ický zák­lad Agen­tic AI Plat­form sto­jí přede­vším na frame­worku Auto­gen, který ban­ka zvo­lila díky jeho výborným výsled­kům při orches­traci více agen­tů i možnos­ti konzul­to­vat architek­tu­ru pří­mo s týmem Microsoft Research. Jak doplňu­je Bed­nář: ​„Ten­to frame­work nám však nepo­mohl jen při stavbě zák­lad­ních tech­nick­ých prin­cipů AI, ale také poskytl Stu­dio, které jsme s drob­ný­mi úprava­mi začle­nili do naše­ho řešení. Stu­dio pro nás bylo klíčové, pro­tože umožňu­je nabíd­nout no-code uži­va­tel­ské prostředí, které pomáhá proni­knout do svě­ta AI i tech­nicky ori­en­to­vaným lidem, kteří však nej­sou vývojáři.” 

Zbytek řešení tvoří stan­dard­ní tech­no­log­ický stack banky, zahrnu­jící Azure, Type­Script, Node.js a Redis, přičemž Redis Streams zde fun­gu­je jako mes­sage bro­ker pro spolehlivé řízení komu­nikace mezi agenty. 

Vytvoření jednoduchého agen­ta lze provést pří­mo ve Studiu, kde uži­va­tel zvolí typ orches­trace, připo­jí LLM mod­el i MCP nástro­je, nas­taví instrukce a může ihned testo­vat chování agenta. 

Pro­dukční řešení je však kom­plexnější. Každý use case musí projít: 

• schválením AI Work­ing Group včet­ně posouzení souladu s EU AI Act, 

• onboardingem do platformy, 

• vývo­jem a laděním agen­tů, které odpovídá bankovním stan­dard­ům pro bezpečnost a spolehlivost. 

Mezi součas­ný­mi imple­men­tace­mi AAiP vyniká něko­lik use casů, které dobře ukazu­jí, jak agen­ti dokážou zrych­lit a zkval­it­nit náročné procesy. 

1. Vytěžování exekučních doku­men­tů – Agen­ti urču­jí kat­e­gorii doku­men­tu a násled­ně sémanticky extrahu­jí pře­dem defi­no­vané infor­ma­ce z nestruk­tur­ovaných zdro­jů, napřík­lad nasken­o­vaných příkazů. 

2. Ověřování jed­natelů společnos­tí – Use case, jehož cílem bylo ověřit, zda klient na pobočce může jed­nat za společnost. Tech­nicky šlo o vytvoření agen­ta inte­grovaného na veře­jný reg­istr, který data sémanticky vyhod­nocu­je a připravu­je tak, aby bankéř mohl co nejrych­le­ji rozhodnout. 

3. Vytěžování akcionářských struk­tur – Byl vytvořený pro potře­by KYC, který svou složi­tostí překonává ostat­ní. Agen­ti zpra­cov­á­va­jí balík doku­men­tů, iden­ti­fiku­jí ty s rel­e­vant­ní­mi infor­ma­ce­mi a násled­ně provádějí analýzu složitých struk­tur a dokážou si pora­dit i s pří­pady, kdy se struk­tu­ry cyk­lí nebo obsahu­jí jiné nes­rov­nalosti. Díky tomu se podaři­lo zrych­lit prá­ci analytiků. 

Testování probíhá ve dvou fázích: 

• Při návrhu – vytváře­jí se eval­u­ační sady doku­men­tů s očeká­vaný­mi výsledky. 

• V pro­duk­ci – sys­tém sbírá zpět­nou vazbu z oprav prove­dených uži­vateli a na zák­ladě dat probíha­jí průběžné optimalizace. 

Výz­nam AAiP potvrzu­je také mez­inárod­ní ocenění v Duba­ji, kde domé­na AI Core získala hned něko­lik ocenění. ​„Pro mě byla ale nej­cen­nější první cena za nejlepší využití AI v oblasti risku, pro­tože řešení bylo postavené právě na naší plat­for­mě,” říká s nadšením Bed­nář. Úspěch je výsled­kem spolupráce něko­li­ka týmů, včet­ně KYC a risku, a ukazu­je, že ban­ka se posou­vá směrem k vyspělé­mu, škálo­vatel­né­mu a strate­gick­é­mu využívání AI ve svých procesech.