Više od bankomata: Kako AI u FinTechu „čita misli“, lovi prevarante i tiho preuzima svet finansija

Hajde da budemo brutalno iskreni. Decenijama je bankarstvo bilo sinonim za frustraciju. Bilo je sporo, skupo i fundamentalno „glupo“. Bilo je svedeno na fizičke ekspoziture, beskrajno čekanje u redovima, pečate, formulare i službenike koji slede rigidne procedure. Vaš odnos sa bankom bio je transakcioni – i bolan.

Kada ste tražili kredit, gledali su vas kao broj. Odluka je zavisila od jednostavne, često zastarele „skoring“ liste. Bilo kakva personalizacija bila je misaona imenica.

Onda je stigao FinTech (Finansijska tehnologija). Prvi talas, predvođen kompanijama kao što su PayPal, a kasnije Revolut, Wise ili domaći servisi, fokusirao se na jednu stvar: korisničko iskustvo (User Experience – UX). Dali su nam lepe aplikacije. Omogućili su nam da plaćamo telefonom, da šaljemo novac u tri klika. Učinili su da finansije izgledaju „seksi“.

Ali, to je bila samo fasada. Prava revolucija, ona koja se dešava sada, nije u tome kako aplikacija izgleda. Ona je u mozgu koji stoji iza nje.

Dobrodošli u eru AI u FinTechu.

Ovo nije priča o dosadnim chatbotovima (čet-botovima) koji vas vrte u krug sa tri ista odgovora. Ovo je priča o dubokim neuronskim mrežama koje u milisekundama odlučuju o sudbini vaše finansijske transakcije, o machine learning (mašinskom učenju) koje poznaje vaše navike bolje od vas samih, i o computer vision (kompjuterskom vidu) koji obrađuje odštetni zahtev za osiguranje pre nego što ste i izašli iz slupanog automobila.

Na portalu ITNetwork.rs, gde se tehnologija gleda „pod haubu“, nećemo se baviti marketinškim floskulama. Ovo je oštra analiza kako veštačka inteligencija (AI) suštinski menja dva najkonzervativnija stuba društva: bankarstvo i osiguranje.

Ovo nije samo „unapređenje“. Ovo je tiha, ali brutalna zamena. AI nije novi alat za bankara. AI jeste novi bankar. I tradicionalne institucije koje ovo ne shvate, neće preživeti.

Poglavlje 1: Anatomija „glupog“ sistema – Zašto su nam banke spore i skupe?

Da bismo cenili revoluciju, moramo razumeti „stari režim“. Tradicionalne banke i osiguravajuće kuće nisu spore zato što to žele. One su spore zato što su izgrađene na tehnologiji iz prošlog veka.

Veliki deo globalnog (a dobrim delom i domaćeg) bankarskog sistema i dalje se oslanja na legacy systems (zastarele sisteme). Pričamo o mainframe računarima. Pričamo o kodu napisanom u COBOL-u, jeziku koji je stariji od većine IT stručnjaka danas.

Ovi sistemi su pouzdani, ali su i crne rupe.

1. Podaci su u silosima: Podaci o vašem tekućem računu su u jednom sistemu. Podaci o kreditu u drugom. Podaci o investicijama u trećem. Oni međusobno „ne pričaju“.
2. Obrada je „batch“ (paketna): Transakcije se često ne knjiže u realnom vremenu, već se obrađuju noću, u paketima.
3. Procena rizika je reaktivna: Osnovni alat za procenu rizika je rule-based engine (sistem zasnovan na pravilima). „AKO je klijent zaposlen > 6 meseci I AKO mu je plata > X I AKO je u Kreditnom Birou čist, ONDA odobri kredit.“

Ovaj sistem je rigidan. On ne vidi nijanse. On ne vidi ponašanje. On vidi samo statične podatke. On ne može da predvidi da ćete vi, iako imate savršen skor, dati otkaz za tri meseca. Ne može da prepozna da je mala IT firma iz Niša koja traži kredit zapravo „raketa“ koja će eksplodirati, iako su joj knjige „tanke“.

Ovaj „glupi“ sistem je bio savršeno plodno tlo za FinTech, a sada i za AI, koji napada upravo te slabosti: silose podataka i nedostatak prediktivnosti.

Poglavlje 2: Prvi front – AI u Bankarstvu (Više od chatbota)

Zaboravite na chatbota koji vas pita „Kako mogu da vam pomognem?“. Prava AI revolucija u bankarstvu je nevidljiva za korisnika, ali je sveprisutna.

2.1. Kreditni skoring (Credit Scoring) 2.0: Smrt Kreditnog Biroa?

Tradicionalni kreditni skoring (poput onog koji radi naš Kreditni Biro) je kao fotografija. On vam daje jednu, zamrznutu sliku vaše finansijske prošlosti.

AI skoring je film. To je live-stream vašeg finansijskog zdravlja.

Moderni FinTech zajmodavci (pa čak i progresivne banke) više ne gledaju samo vašu platu. Oni koriste Machine Learning modele koji analiziraju hiljade alternativnih tačaka podataka (naravno, uz vašu dozvolu, koju ste dali klikom na „Accept“ u aplikaciji):

• Analiza toka gotovine (Cash flow analysis): Umesto platne liste, AI se (preko Open Banking API-ja) kači direktno na vaš tekući račun i vidi vaše stvarne prilive i odlive.
• Ponašanje u plaćanju računa: Da li plaćate račune poslednjeg dana ili 10 dana ranije?
• Transakcioni podaci: Na šta trošite novac? Da li imate redovne investicije ili impulsivne, rizične kupovine?

Primer iz prakse (B2B): Startap u Srbiji traži kredit. Tradicionalna banka ih odbija jer posluju tek godinu dana i nemaju „istoriju“. Moderna FinTech platforma, međutim, prikači se na njihov e-banking i računovodstveni softver. AI model vidi da im prihod raste 30% mesečno, da imaju stabilan priliv od klijenata i da su im fakture uredne. Na osnovu predviđanja budućeg toka gotovine, AI odobrava kredit.

Ovo nije samo efikasnije. Ovo je finansijska inkluzija. AI omogućava pristup kapitalu ljudima i firmama koje je stari sistem nepravedno odbacivao.

2.2. Hiper-Personalizacija: Banka koja vam „čita misli“

• Stari način (Spam): Banka vam šalje generički SMS: „Iskoristite naš novi keš kredit! Najniža kamata!“ Vas to ne zanima.
• Novi način (Relevantnost): Vaša bankarska aplikacija (pokretana AI-jem) analizira vaše troškove.
  • Scenario A: AI primećuje da svakog meseca trošite 20.000 RSD na gorivo na NIS pumpama. Aplikacija vam šalje push notifikaciju: „Primećujemo da ste naš verni vozač. U saradnji sa NIS-om, nudimo vam našu co-branded karticu koja vam donosi 10% popusta na svako točenje. Da li ste zainteresovani?“
  • Scenario B: AI vidi da svakog meseca odvajate 10.000 RSD na štedni račun gde je kamata 0.1%. AI vas obaveštava: „Vaših 10.000 RSD bi moglo da radi za vas. Naš partner, investicioni fond ‘XY’, nudi 5% prinosa na sličan nivo rizika. Evo simulacije.“

Ovo više nije marketing. Ovo je korisno savetovanje. AI od banke-menjačnice pravi banku-savetnika.

2.3. Algoritamsko trgovanje i Robo-Savetnici

Na high-end tržištu, AI odavno dominira. High-Frequency Trading (HFT) su AI algoritmi koji u mikrosekundama obavljaju hiljade transakcija na berzi, zarađujući na minijaturnim promenama cena.

Ali, ono što je relevantnije za nas je demokratizacija investiranja kroz Robo-Advisors (Robo-savetnici). To su platforme koje vas (kroz seriju pitanja) profilišu (koliki rizik ste spremni da prihvatite?), a zatim AI automatski investira vaš novac u portfolio ETF (Exchange-Traded Funds) fondova i samostalno ga rebalansira kako se tržište menja.

Poglavlje 3: Drugi front – AI u Osiguranju (Od pogađanja do predviđanja)

Ako je bankarstvo bilo sporo, industrija osiguranja je bila u kamenom dobu. Model se zasnivao na „zakonu velikih brojeva“ – uzmimo 10.000 ljudi, statistički će se 100 njih slupati, pa hajde da od svih naplatimo dovoljno da pokrijemo tih 100.

AI menja ovo iz korena. Prelazi se sa grupnog rizika na individualni rizik.

3.1. Procena rizika (Underwriting) 2.0: „Plati kako voziš“

• Stari način (Auto-osiguranje): Pera i Žika. Ista zgrada u Beogradu. Isti auto (npr. BMW 3, 150 KS). Iste godine (25). Stara logika: rizik je isti. Polisa je ista (npr. 40.000 RSD). Ali Pera vozi samo vikendom kod bake, dok Žika „divlja“ svako veče po gradu. Da li je to pošteno?
• Novi način (Telematics / Usage-Based Insurance – UBI): Osiguravajuća kuća (npr. Generali, Uniqa…) vam ponudi dongle (uređaj) koji ubacite u auto ili, još jednostavnije, traži da instalirate njihovu aplikaciju koja koristi senzore telefona.
• AI na delu: AI model prati kako vozite. Ne gde (zbog privatnosti), već kako.
  • Da li naglo kočite?
  • Da li agresivno ubrzavate?
  • Da li koristite telefon tokom vožnje?
  • Da li vozite kasno noću (najrizičnije)?
• Rezultat: Na kraju meseca, Pera, koji vozi pažljivo, dobija polisu za 20.000 RSD. Žika, koji vozi rizično, dobija ponudu za 70.000 RSD. Ovo je ultimativna personalizacija. Nije zasnovana na demografiji, već na ponašanju.

3.2. Obrada odštetnih zahteva: Slupani ste? Novac stiže za 3 minuta.

Ovo je mesto gde AI izgleda kao naučna fantastika, ali je već realnost.

• Stari način: Imali ste manji udes. Zovete policiju. Čekate uviđaj. Zovete osiguranje. Slikate 100 slika. Popunjavate formulare. Nosite sve u ekspozituru. Čekate 15 dana da „procenitelj“ izađe, pogleda štetu i „odobri“ popravku. Proces je dizajniran da vas natera da odustanete.
• Novi način (Studija slučaja: Lemonade, američki InsurTech):
  1. Imate udes. Otvorite aplikaciju.
  2. Pritisnete dugme „Prijavi štetu“.
  3. Aplikacija vas tera da snimite video oštećenja, dok pričate šta se desilo.
  4. AI na delu (Computer Vision): U pozadini, AI model (treniran na milionima slika saobraćajnih nesreća) analizira video.
     • Prepoznaje marku i model auta.
     • Identifikuje oštećene delove (branik, far, krilo).
     • Proverava da li je priča konzistentna sa štetom.
     • U realnom vremenu pristupa bazi podataka cena rezervnih delova i prosečne cene rada servisera u vašem gradu.
     • Proverava vašu polisu da vidi šta je pokriveno.
  5. Rezultat: Pre nego što ste spustili telefon, AI je izračunao tačan iznos štete (npr. 650 EUR). Na ekranu vam stiže poruka: „Šteta je procenjena na 650 EUR. Da li prihvatate isplatu?“ Kliknete „DA“.
  6. Novac vam je na računu za 3 minuta.

Ovo nije budućnost. Ovo se dešava. Kompanija Lemonade je postavila svetski rekord u obradi zahteva za 3 sekunde, bez ljudske intervencije.

Poglavlje 4: Centralni front (Studija slučaja) – Lovac na prevarante: AI detekcija prevara

Ovo je polje gde se vodi najveća, nevidljiva bitka. I tu je AI najpotrebniji. Prevaranti su postali neverovatno sofisticirani. Koriste AI, deepfakes i automatizovane skripte. Ne možete se boriti protiv AI-prevaranta sa Excel tabelom.

Problem: Godišnje se u svetu gube stotine milijardi dolara na finansijske prevare.

Stari sistem: „Glupa“ pravila (Rule-Based Engine)

Do pre samo nekoliko godina, detekcija prevara u banci je radila ovako:

• Tim analitičara sedne i napiše pravila:
  • IF Transakcija > 1.000 EUR AND Zemlja = 'Inostranstvo' THEN Blokiraj
  • IF 3 neuspela unosa PIN-a THEN Blokiraj

Problem sa ovim sistemom:

1. Visok False Positive (Lažno Pozitivni): Vi ste na medenom mesecu na Baliju. Pokušavate da kupite nakit ženi za 1.100 EUR. Banka vam blokira karticu. Vi ste besni, nemate novca, poniženi ste. Banka je upravo uništila vaše korisničko iskustvo jer je njeno pravilo bilo „glupo“.
2. Visok False Negative (Lažno Negativni): Prevarant je pametan. On zna pravila. On neće napraviti jednu transakciju od 1.000 EUR. On će napraviti 100 malih online transakcija od po 10 EUR (tzv. salami slicing). Sistem zasnovan na pravilima ga nikada neće videti.

Novi sistem: AI mašina za anomalije (Anomaly Detection)

Moderne banke (uključujući i velike igrače u Srbiji) sada koriste Machine Learning modele. Oni ne traže pravila. Oni traže anomalije.

Kako to radi:

1. Trening modela: AI se „hrani“ milijardama transakcija (i legalnih i prevarantskih).
2. Kreiranje profila: Model stvara holistički profil ponašanja za svakog klijenta. To je vaš „finansijski DNK“.
   • Primer profila: „Pera Perić, Beograd. Kupuje: 80% u Srbiji (Delta City, lokalni kafići). 20% online (Amazon, Steam, Wolt). Vreme kupovine: 8h-22h. Prosečan iznos: 25 EUR. Nikada ne kupuje kriptovalute. Uređaj: iPhone 15 Pro, SBB mreža.“
3. Transakcija u realnom vremenu (Real-time Scoring):
   • Dešava se transakcija. U 150 milisekundi koliko je potrebno da transakcija putuje od POS terminala do banke i nazad, AI model mora da je oceni.
   • Scenario: Transakcija od 50 EUR. Kupovina kriptovaluta. Sa Android uređaja. Sa IP adrese iz Estonije. U 3 ujutru.
   • Stari sistem: Ne vidi problem. Iznos je mali.
   • AI sistem: Vidi katastrofu. SVE je pogrešno. Ovo nije Perino ponašanje. AI dodeljuje „skor rizika“ od 98/100.
4. Pametna akcija: Ali AI i dalje neće odmah blokirati karticu (setite se, loš UX). Umesto toga, on će eskalirati nivo autentifikacije.
   • Transakcija se pauzira.
   • Vama (pravom Peri) na bankarsku aplikaciju (koju AI zna da imate) stiže push notifikacija: „Pokušaj transakcije od 50 EUR (Kripto-menjačnica, Estonija). Da li ste ovo Vi? [DA] [NE]“
   • Vi, bunovni u 3 ujutru, vidite ovo i kliknete [NE].
   • Rezultat: Transakcija se odbija, kartica se automatski trajno blokira, a prevarant je zaustavljen.

Ovo je trka u naoružanju. Prevaranti sada koriste Deepfakes (AI-generisani glasovi i video) da bi prevarili sisteme. („Mama, u nevolji sam, uplati novac…“). Sledeća generacija AI u bankama će morati da radi analizu glasa u realnom vremenu da bi detektovala sintetički govor.

Poglavlje 5: Surova istina – Mračna strana AI u FinTechu

Bilo bi neodgovorno i naivno ne pričati o ogromnim rizicima. AI nije čarobni štapić. On je ogledalo. A ponekad je to ogledalo veoma ružno.

1. Algoritamska pristrasnost (Algorithmic Bias)

Ovo je najveći problem. AI model uči na istorijskim podacima. Ali šta ako su ti istorijski podaci pristrasni?

• Scenario: Ako su banke u poslednjih 30 godina (iz sistemskih, diskriminatornih razloga) ređe odobravale kredite ženama-preduzetnicama ili ljudima iz određenih naselja, podaci će to reflektovati.
• AI na delu: AI će „naučiti“ tu pristrasnost. On neće znati zašto, ali će videti statističku korelaciju: „Ako je aplikant žena I preduzetnica, rizik je (istorijski) veći.“
• Rezultat: AI odbija kredit. Postali smo efikasniji. Napravili smo bržu, automatizovanu mašinu za diskriminaciju.

2. Problem „Crne kutije“ (The Black Box Problem)

Najmoćniji AI modeli su Deep Learning (duboke neuronske mreže). Oni su neverovatno precizni. Ali, imaju jedan problem: često su „crna kutija“. Čak ni data scientist (naučnik za podatke) koji je napravio model ne može 100% da objasni zašto je model doneo određenu odluku. On „samo radi“.

• Regulatorni košmar: Klijent (po zakonu, npr. GDPR) ima „pravo na objašnjenje“.
• Klijent: „Zašto ste mi odbili kredit?“
• Banka: „Pa… algoritam je tako odlučio.“
• Ovo je pravno neodrživo. Zato se razvija celo novo polje – Explainable AI (XAI), koje pokušava da natera AI da „objasni svoj rad“.

3. Masovni gubitak poslova

Budimo direktni. Poslovi nestaju.

• Službenik na šalteru koji unosi podatke? Automatizovano.
• Analitičar kredita nižeg nivoa? AI radi bolji skoring.
• Procenitelj štete u osiguranju? Computer Vision ga je zamenio.
• Back-office operacije (knjiženje, usaglašavanje)? Automatizovano.

Da, stvaraju se novi poslovi: AI Ethicist (etičar), Data Scientist, AI Prompt Engineer. Ali, da li službenica sa šaltera sa 20 godina iskustva može da se prekvalifikuje u Data Scientist-a? Ne. Ovo je ogroman socijalni i ekonomski izazov za koji kao društvo nismo spremni.

Poglavlje 6: Budućnost i Srbija

Gde sve ovo vodi? I gde smo tu mi?

Budućnost (Globalno): „Nevidljivo Bankarstvo“

Krajnji cilj AI u FinTechu je da finansije postanu nevidljive. Kao struja. Samo rade u pozadini.

• Scenario: Ulazite u prodavnicu. Uzimate šta vam treba. Izlazite. Kamere (AI computer vision) su videle šta ste uzeli. Vaš wallet (novčanik) je automatski platio. Nema kase. (Amazon Go već radi ovo).
• Scenario: Vaš auto (konektovan na AI) sam plaća parking i putarinu. Vaš frižider (povezan na AI) sam naručuje i plaća mleko.
• Scenario (Finansijski agent): Više nećete vi „birati“ štednju. Imaćete ličnog AI finansijskog agenta. Reći ćete mu: „Cilj mi je da kupim stan za 5 godina.“ Agent će sam analizirati vaše prihode, troškove i sam (uz vašu dozvolu) prebacivati vaš novac između različitih banaka, štednji i investicionih fondova, jureći najbolju kamatu u realnom vremenu. Banke će postati samo „glupe cevi“ (dumb pipes) kroz koje teče novac, dok će sav profit biti kod AI platforme koja donosi odluke.

Realnost

A gde je Srbija u svemu ovome? Iznenađujuće, nismo toliko loši.

• Banke: Domaće banke (OTP, Raiffeisen, Intesa, Erste…) su agresivno uložile u digitalizaciju. Njihove mobilne aplikacije su, po funkcionalnostima, često bolje od prosečnih američkih ili nemačkih.
• Gde koriste AI?
  1. Detekcija prevara: Ovo je apsolutni prioritet i već je na veoma visokom nivou.
  2. CRM i Personalizacija: Ako ste dobili „baš onu“ ponudu za kredit koja vam treba, to je verovatno bio AI.
  3. Chatbotovi: I dalje su slaba tačka, ali se brzo unapređuju (prelaze sa rule-based na generative AI).
• Problem: Kao i svuda, legacy sistemi u pozadini koče punu implementaciju. Takođe, Narodna Banka Srbije (NBS) je (s pravom) veoma konzervativan i strog regulator, što usporava uvođenje radikalnih inovacija poput AI credit scoring-a koji bi zamenio Kreditni Biro.
• Prilika (Za ITNetwork publiku): Najveća prilika. Banke i osiguranja ovo neće graditi in-house. Previše je kompleksno. One će kupovati rešenja. A ko će ih graditi? Domaće IT kompanije i FinTech startapi. Tržište za AI-as-a-Service za finansijski sektor u Srbiji i regionu će eksplodirati.

Bankar koji je postao Algoritam

AI u FinTechu nije „budućnost“. To je sadašnjost. To nije alatka. To je fundamentalna promena paradigme.

Institucije koje ovo shvate kao „IT projekat“ ili „unapređenje korisničke podrške“ su već propale. One koje shvate da je AI novi centralni nervni sistem finansija, preživeće.

Stari svet se zasnivao na fizičkim ekspoziturama, poverenju u „službenika“ i istorijskim podacima. Novi svet se zasniva na podacima, predviđanju i brzini.

Bankar više nije čovek u odelu. Bankar je algoritam koji u mikrosekundi analizira milion tačaka podataka pre nego što vam kaže „DA“. A to „DA“ će biti poštenije, brže i korisnije nego ikada pre – ali samo ako osiguramo da algoritam koji smo stvorili nije nasledio naše sopstvene, ljudske predrasude.