Systemy kredytowe w bankach to jeden z tych obszarów, o których klienci nie myślą - dopóki coś nie zacznie ich irytować. Długi czas rozpatrywania wniosku, niezrozumiałe wymagania dokumentacyjne, brak informacji o statusie sprawy. Za kulisami wygląda to często jeszcze gorzej: przestarzałe oprogramowanie, ręczne przepisywanie danych między systemami i procesy, które nie zmieniły się od dekady. Amerykański startup Fuse właśnie pozyskał 25 milionów dolarów na to, żeby to zmienić - zaczynając od unii kredytowych w USA. Ale lekcja, którą daje, dotyczy całego sektora finansowego, w tym polskiego.
Fuse buduje platformę do obsługi procesu udzielania kredytów od początku do końca, z wykorzystaniem sztucznej inteligencji na każdym etapie - od wstępnej oceny klienta, przez analizę dokumentów, po finalną decyzję. To nie jest kolejny chatbot przyklejony do starego systemu. To wymiana silnika w jadącym samochodzie. I właśnie dlatego ta historia powinna zainteresować polskie banki, fintechy i firmy pożyczkowe, które stoją przed dokładnie tymi samymi wyzwaniami.
Polski sektor finansowy ma specyficzną pozycję: z jednej strony mamy jedne z najnowocześniejszych systemów płatności w Europie (BLIK, szybkie przelewy), z drugiej - procesy kredytowe w wielu instytucjach wciąż opierają się na rozwiązaniach sprzed 10-15 lat. To tworzy lukę, którą AI może wypełnić szybciej, niż wielu się spodziewa.
Co dokładnie robi Fuse i dlaczego to ma znaczenie
Fuse nie jest firmą, która obiecuje „rewolucję dzięki AI" bez pokrycia. Ich platforma zastępuje tak zwane systemy LOS (Loan Origination Systems) - czyli oprogramowanie, które banki i instytucje finansowe używają do przyjmowania, przetwarzania i zatwierdzania wniosków kredytowych. W USA wiele unii kredytowych korzysta z rozwiązań, które powstały w latach 90. lub na początku 2000. Interfejsy wyglądają jak z epoki Windows XP, a integracja z nowoczesnymi narzędziami analitycznymi praktycznie nie istnieje.
Fuse proponuje podejście, w którym AI automatyzuje trzy krytyczne obszary:
- Wstępna kwalifikacja klienta - algorytm analizuje dane wnioskodawcy i w ciągu sekund ocenia wstępne prawdopodobieństwo przyznania kredytu, zamiast kazać klientowi czekać dni na odpowiedź.
- Analiza dokumentów - modele rozpoznawania tekstu (OCR) połączone z dużymi modelami językowymi wyciągają dane z zaświadczeń, wyciągów bankowych i deklaracji podatkowych, eliminując ręczne przepisywanie.
- Wspomaganie decyzji kredytowej - AI nie podejmuje decyzji samodzielnie (to ważne z perspektywy regulacyjnej), ale przygotowuje kompletną analizę ryzyka i rekomendację dla analityka, skracając czas decyzji z dni do godzin.
Według danych podawanych przez Fuse, ich platforma skraca średni czas rozpatrywania wniosku kredytowego o 60-70%. Dla instytucji obsługującej tysiące wniosków miesięcznie to ogromna różnica - zarówno w kosztach operacyjnych, jak i w doświadczeniu klienta.
Polskie realia: gdzie jesteśmy i co nas hamuje
Polskie banki nie są technologicznym pustkowiem. Wręcz przeciwnie - pod wieloma względami wyprzedzamy Europę Zachodnią. PKO BP, mBank czy ING mają zaawansowane aplikacje mobilne, a polski sektor fintech (z firmami takimi jak Cinkciarz.pl, Aion Bank czy kolejne generacje platform pożyczkowych) rośnie dynamicznie. Ale procesy kredytowe to zupełnie inna historia.
Weźmy typowy scenariusz: małe przedsiębiorstwo z Łodzi składa wniosek o kredyt obrotowy na 200 tysięcy złotych. Musi dostarczyć dokumenty finansowe za ostatnie dwa lata, zaświadczenia z ZUS i US, wyciągi bankowe, biznesplan. Analityk kredytowy ręcznie weryfikuje te dokumenty, wprowadza dane do systemu scoringowego, czeka na wynik, konsultuje się z przełożonym. Cały proces trwa od 5 do 14 dni roboczych. W tym czasie przedsiębiorca nie wie, czy dostanie pieniądze, i nie może planować inwestycji.
Według raportu Związku Banków Polskich z 2024 roku, aż 43% małych firm w Polsce wskazuje czas oczekiwania na decyzję kredytową jako główną barierę w korzystaniu z finansowania bankowego. To nie jest problem technologiczny w sensie braku mocy obliczeniowej. To problem procesowy - systemy nie „rozmawiają" ze sobą, dane trzeba przenosić ręcznie, a regulacje (choć uzasadnione) dodają kolejne warstwy weryfikacji.
Jednocześnie polskie regulacje KNF dotyczące wykorzystania AI w decyzjach kredytowych są stosunkowo ostrożne. Rekomendacja D i wytyczne dotyczące zarządzania ryzykiem modeli wymagają pełnej wyjaśnialności decyzji algorytmicznych. To oznacza, że nie można po prostu wrzucić wniosku do „czarnej skrzynki" i czekać na odpowiedź tak/nie. Model musi być transparentny - i to jest akurat dobra wiadomość, bo wymusza budowanie odpowiedzialnych rozwiązań od samego początku.
Gdzie polskie firmy mogą zyskać najwięcej
Nie trzeba być dużym bankiem, żeby skorzystać z podejścia, które reprezentuje Fuse. Polskie małe i średnie firmy z sektora finansowego - firmy pożyczkowe, pośrednicy kredytowi, fintechy oferujące faktoring czy leasing - mogą wdrożyć elementy automatyzacji procesów kredytowych znacznie szybciej niż duże instytucje, właśnie dlatego, że mają mniej warstw biurokracji wewnętrznej.
Oto konkretne obszary, w których AI już teraz zmienia reguły gry:
- Automatyczna analiza dokumentów finansowych - narzędzia takie jak Microsoft Azure Document Intelligence czy Google Document AI potrafią wyciągać dane z polskich dokumentów księgowych (KPiR, bilanse, rachunki zysków i strat) z dokładnością powyżej 95%. Firma pożyczkowa z Wrocławia, która obsługuje 500 wniosków miesięcznie, może zaoszczędzić 80-100 roboczogodzin miesięcznie na samym etapie wprowadzania danych.
- Wzbogacanie profilu kredytowego - zamiast opierać się wyłącznie na historii w BIK, AI może analizować dodatkowe źródła danych (za zgodą klienta): historię transakcji na koncie, regularność przychodów, sezonowość biznesu. Polski fintech Kontomatik już oferuje tego typu rozwiązania, pozwalając na bardziej precyzyjną ocenę ryzyka, szczególnie dla firm bez długiej historii kredytowej.
- Personalizacja oferty w czasie rzeczywistym - zamiast standardowego formularza „wybierz kwotę i okres", AI może zaproponować klientowi optymalną strukturę finansowania na podstawie jego profilu. To podejście, które mBank testuje w segmencie kredytów hipotecznych, a które może być zastosowane szerzej.
- Wykrywanie fraudów na etapie wniosku - modele AI potrafią identyfikować podejrzane wzorce w dokumentach (sfałszowane zaświadczenia, niespójne dane) znacznie skuteczniej niż ludzki analityk przeglądający setki wniosków dziennie. Według danych FICO, wdrożenie AI w wykrywaniu oszustw kredytowych redukuje straty z tego tytułu o 20-30%.
Ważna uwaga: żadne z tych rozwiązań nie eliminuje ludzkiego nadzoru. Najskuteczniejszy model to taki, w którym AI przygotowuje analizę i rekomendację, a człowiek podejmuje finalną decyzję. To nie jest ograniczenie - to zabezpieczenie, które buduje zaufanie klientów i spełnia wymogi regulacyjne.
Co powinny zrobić polskie firmy już teraz
Czekanie na „idealny moment" to w przypadku transformacji AI strategia przegrywających. Rynek się zmienia szybko - i to nie tylko za sprawą startupów takich jak Fuse. Duzi gracze technologiczni (Microsoft, Google, Amazon) budują gotowe komponenty AI dla sektora finansowego, które można integrować z istniejącymi systemami bez konieczności budowania wszystkiego od zera.
Praktyczny plan działania dla polskiej firmy z sektora finansowego wygląda mniej więcej tak:
- Audyt procesów - zidentyfikuj, gdzie w obiegu pracy kredytowej tracisz najwięcej czasu. Zwykle to etap zbierania i weryfikacji dokumentów oraz ręczne wprowadzanie danych do systemów.
- Pilotaż na jednym procesie - nie próbuj automatyzować wszystkiego naraz. Wybierz jeden typ produktu (na przykład kredyty obrotowe do 100 tysięcy złotych) i wdróż automatyzację analizy dokumentów. Zmierz wyniki po 3 miesiącach.
- Zadbaj o dane - AI jest tak dobra, jak dane, na których pracuje. Jeśli twoje historyczne dane kredytowe są rozproszone w Excelach, starych bazach danych i papierowych teczkach, zacznij od ich uporządkowania. To nudna robota, ale bez niej żaden model nie będzie działał poprawnie.
- Rozmawiaj z regulatorem - KNF prowadzi program Innovation Hub, w ramach którego fintechy mogą konsultować planowane rozwiązania technologiczne. Skorzystaj z tego zanim zainwestujesz w budowę systemu, który może nie przejść weryfikacji regulacyjnej.
Warto też patrzeć na to, co robią inni w regionie. Estoński sektor bankowy jest jednym z najbardziej zdigitalizowanych w Europie, a czeski fintech Roger (obecnie część Groupon Capital) pokazał, jak AI może zautomatyzować proces faktoringowy od wniosku do wypłaty środków w mniej niż 24 godziny. Polskie firmy mają porównywalny (a często lepszy) potencjał technologiczny - brakuje czasem odwagi do pierwszego kroku.
Podsumowanie
Historia Fuse to nie jest opowieść o jednym amerykańskim startupie. To sygnał, że era ręcznych, wielodniowych procesów kredytowych dobiega końca. AI nie zastąpi bankierów ani analityków kredytowych - ale firmy, które wykorzystają sztuczną inteligencję do przyspieszenia i usprawnienia swoich procesów, zjedzą lunch tym, które tego nie zrobią.
Dla polskich małych i średnich firm z sektora finansowego to moment, w którym warto działać. Nie za rok, nie po kolejnej konferencji branżowej - teraz. Narzędzia są dostępne, koszty wdrożenia spadają, a klienci coraz wyraźniej komunikują, że nie chcą czekać dwóch tygodni na decyzję o kredycie, który mogliby dostać w dwa dni. Firmy, które to zrozumieją pierwsze, zbudują przewagę, którą konkurencja będzie gonić latami.
Jeśli prowadzisz firmę pożyczkową, fintech albo jesteś decydentem w banku spółdzielczym i zastanawiasz się, od czego zacząć - zapraszam do rozmowy. Transformacja procesów kredytowych z wykorzystaniem AI to dokładnie ten obszar, w którym dobrze przeprowadzony pilotaż potrafi przekonać nawet największych sceptyków.
Źródło: TechCrunch - Fuse raises $25M to disrupt aging loan origination systems used by U.S. credit unions