České bankovnictví prochází tichou revolucí. Zatímco média řeší, jestli AI nahradí bankéře, uvnitř bank se děje něco praktičtějšího: AI systémy běží v produkci, snižují ztráty z podvodů o desítky procent a zpracovávají tisíce AML alertů denně. Tohle není budoucnost — tohle je realita roku 2026. A příležitostí je stále víc, než většina bank stíhá využít.

Stav AI v českém bankovnictví

Pojďme si udělat pořádek v tom, co „AI v bance" reálně znamená. Není to jeden velký systém, který řídí všechno. Je to desítky specializovaných modelů, z nichž každý řeší konkrétní problém — od detekce podvodných transakcí přes hodnocení úvěrového rizika až po personalizaci nabídek v mobilní aplikaci.

Velké české banky — ČSOB, Česká spořitelna, Komerční banka, Moneta — mají AI v produkci v různé míře zralosti. Některé provozují pokročilé real-time systémy, jiné teprve škálují z pilotních projektů. Ale směr je jasný: AI přestala být experimentem a stala se provozní nutností.

Co se ale změnilo oproti roku 2024? Tři věci. Zaprvé, regulace se vyjasnila — EU AI Act je v platnosti a banky konečně vědí, co mohou a co ne. Zadruhé, modely se zlevnily — inference costs klesly o řád, takže ROI dává smysl i pro menší banky. A zatřetí, talent dorazil — generace data scientistů, kteří studovali ML na českých univerzitách, je v produktivním věku a ví, jak dostat model z Jupyteru do produkce.

Fraud detection: Kde AI zachraňuje miliardy

Detekce podvodů je nejstarší a nejzralejší use case pro AI v bankovnictví. A z dobrého důvodu — návratnost investice je okamžitá a měřitelná. Každý zachycený podvod je přímá úspora. Každý falešný alarm, který AI odfiltruje, je ušetřený čas analytika.

Jak to funguje v praxi

Moderní fraud detection není jeden model — je to ensemble pipeline. Typická architektura vypadá takto:

• Rules engine — deterministická pravidla pro známé vzory podvodů (transakce nad limit, neznámá země, neobvyklý merchant). Rychlé, předvídatelné, ale rigidní.
• Anomaly detection model — unsupervised ML (isolation forest, autoencoder) hledá odchylky od normálního chování klienta. Zachytí nové typy podvodů, které pravidla neznají.
• Supervised classifier — gradient boosted trees (XGBoost, LightGBM) trénovaný na historických podvodech. Vysoká přesnost na známých vzorech.
• Graph neural network — analyzuje vztahy mezi účty, identifikuje podvodné sítě. Například: 10 účtů založených ze stejné IP adresy, které posílají peníze na stejný cílový účet.
• LLM layer — nově v roce 2026: velké jazykové modely analyzují textová data (poznámky k transakcím, komunikace s klientem) a generují vysvětlení pro analytiky.

Klíčový detail: latence. Bankovní transakce musí být zpracována v řádu milisekund. To znamená, že nemůžete jednoduše zavolat GPT-4 API pro každou platbu kartou. ML modely pro fraud detection běží on-premise nebo v private cloudu, optimalizované pro inference speed. LLM layer se zapojuje až v druhém kroku — při revizi flaggovaných transakcí analytikem.

Reálné čísla z českého trhu

Banky v ČR zpracují denně miliony karetních transakcí. Z nich rules engine flagguje zhruba 0,5–1 % jako podezřelé. Problém? Přes 90 % z nich jsou false positives — legitimní transakce, které jen vypadají podezřele (nákup v zahraničí, vyšší částka než obvykle).

ML modely snižují false positive rate o 30–50 %. V praxi to znamená, že tým fraud analytiků nemusí ručně prověřovat stovky zbytečných alertů denně a může se soustředit na skutečné podvody. To je reálná úspora desítek člověko-hodin týdně — a zároveň vyšší catch rate pro skutečné fraud.

Credit scoring: Přesnější hodnocení, méně defaultů

Úvěrové riziko je core business každé banky. Tradiční credit scoring spoléhá na logistickou regresi s několika desítkami proměnných: příjem, zaměstnání, historie splácení, věk, počet existujících úvěrů. Funguje to. Ale v roce 2026 to nestačí.

Co přináší ML do credit scoringu

Machine learning modely (gradient boosted trees, neuronové sítě) pracují s stovkami až tisíci features. Kromě klasických finančních dat zahrnují:

• Transakční patterns — jak klient utrácí, jak pravidelně mu chodí příjmy, jaký je poměr výdajů k příjmům v čase
• Behaviorální data — jak používá mobilní bankovnictví, jak často kontroluje zůstatek, jestli si nastavuje rozpočtové limity
• Alternative data — platby za energie a telekomunikace, e-commerce transakce (v souladu s GDPR a se souhlasem klienta)
• Makroekonomické features — úrokové sazby, nezaměstnanost v regionu, trend cen nemovitostí

Výsledek? Gini koeficient (standardní metrika discriminační síly scoringového modelu) se u ML modelů typicky pohybuje o 5–15 procentních bodů výše než u logistické regrese. V praxi to znamená přesnější identifikaci rizikových klientů a zároveň schvalování úvěrů klientům, které by tradiční model zamítl — ale kteří reálně splácejí.

Problém explainability

Tady narážíme na zásadní regulatorní překážku. EU AI Act klasifikuje credit scoring jako high-risk AI systém. To znamená povinnost vysvětlitelnosti — banka musí být schopna klientovi vysvětlit, proč byl jeho úvěr zamítnut. „Neuronová síť řekla ne" není přijatelná odpověď.

Proto se v praxi používá hybridní přístup: ML model generuje skóre, ale finální rozhodnutí prochází přes interpretabilní vrstvu. Techniky jako SHAP values (SHapley Additive exPlanations) rozkládají predikci modelu na příspěvky jednotlivých features. Klient tak dostane vysvětlení typu: „Hlavními faktory zamítnutí byly: nízký poměr příjmu k požadované splátce (45 %), krátká historie u banky (12 měsíců), existující závazky u jiných institucí."

České banky, se kterými pracujeme, investují do model governance platforem — systémů, které automaticky sledují model drift, bias, a generují audit reporty vyžadované regulátorem. Není to sexy, ale bez toho model do produkce nepustíte.

AML/KYC: Od manuální dřiny k inteligentní automatizaci

Anti-Money Laundering a Know Your Customer procesy jsou regulatorní nutnost a zároveň jeden z největších nákladových bloků v bankovním provozu. České banky vydávají stovky milionů korun ročně na compliance týmy, které manuálně prověřují podezřelé transakce a onboardují nové klienty.

AI tady nepřináší jen úspory — přináší kvalitativně lepší výsledky.

Automatizovaný AML screening

Tradiční AML systémy fungují na pravidlech: „transakce nad 15 000 EUR", „převod do rizikové země", „neobvyklý vzor transakcí." Problém je stejný jako u fraud detection — obrovský počet false positives. Banky reportují, že 95–98 % AML alertů se po manuální revizi ukáže jako legitimní. To je astronomický objem zbytečné práce.

ML modely trénované na historických vyšetřováních dokážou false positive rate snížit o 40–60 %. Jak? Analýzou kontextu, který pravidla nevidí: celková transakční historie klienta, jeho profil, vazby na jiné entity, srovnání s peer group podobných klientů. Model neříká „tato transakce je podezřelá" — říká „tato transakce je podezřelá v kontextu tohoto klienta a jeho obvyklého chování."

Inteligentní KYC onboarding

Otevření účtu v české bance tradičně znamenalo návštěvu pobočky, předložení dokladů a čekání. V roce 2026 je standard digitální onboarding — a AI hraje klíčovou roli v každém kroku:

• Document verification — OCR + computer vision extrahuje data z občanky/pasu, ověřuje autentičnost dokumentu (security features, manipulace obrazu)
• Biometric verification — liveness detection + face matching porovná selfie s fotkou na dokladu. Moderní modely detekují deepfakes a prezentační útoky.
• Sanctions & PEP screening — NLP modely prohledávají sankční seznamy, adverse media a databáze politicky exponovaných osob. Fuzzy matching řeší překlepy a transliterace jmen.
• Risk assessment — ML model vyhodnocuje celkové riziko klienta na základě všech dostupných dat a přiřazuje risk rating.

Výsledek: onboarding, který dříve trval dny, je hotový za minuty. A compliance kvalita je vyšší, protože model nezapomene zkontrolovat sankční seznam a nezkreslí jméno při ruční kontrole.

Konverzační AI: Od FAQ botů k asistentům, kteří řeší problémy

Chatboti v bankovnictví mají špatnou pověst — a právem. Generace chatbotů z let 2018–2023 byla většinou glorifikovaný FAQ: rozuměli pěti formulacím stejného dotazu a na cokoliv jiného odpověděli „Nerozumím, zavolejte na infolinku." V roce 2026 se to zásadně změnilo díky LLM.

Nová generace bankovních asistentů

Moderní konverzační AI v bance není chatbot — je to AI asistent s přístupem k bankovním systémům. Rozumí přirozenému jazyku (včetně češtiny), má kontext o klientovi a dokáže provádět akce:

• „Kolik jsem utratil za jídlo minulý měsíc?" → AI analyzuje transakce, kategorizuje a sečte
• „Zablokuj mi kartu končící na 4523" → AI identifikuje kartu, zablokuje a potvrdí
• „Chci reklamovat transakci z 5. ledna" → AI vytvoří reklamaci, vyplní formulář, eskaluje
• „Vyplatí se mi refinancovat hypotéku?" → AI spočítá scénáře s aktuálními sazbami

Klíčový architektonický pattern je RAG (Retrieval-Augmented Generation) napojený na interní knowledge base banky. LLM negeneruje odpovědi z trénovacích dat — vyhledá relevantní informace z aktuální dokumentace, produktových podmínek a klientského profilu a pak formuluje odpověď. To dramaticky snižuje halucinace a zajišťuje aktuálnost.

Bounded autonomy v bankovním kontextu

Samozřejmě — AI asistent v bance nemůže dělat cokoliv. Tady se aplikuje koncept bounded autonomy, o kterém jsme psali v článku o Agentic AI. AI může odpovídat na dotazy, zobrazovat zůstatky, blokovat karty. Ale nemůže schvalovat úvěry, měnit limity nad určitou hranici ani provádět převody na nové účty bez dodatečné autentizace. Tyto hranice jsou hard-coded — žádný prompt injection je neobejde.

Personalizace: Správná nabídka, správný čas, správný kanál

Banky sedí na obrovském množství dat o svých klientech — transakční historie, produktové portfolio, interakce s bankou, demografické údaje. Většina z těchto dat ale leží ladem. Personalizace pomocí AI to mění.

Next Best Action modely

Next Best Action (NBA) je přístup, kde ML model pro každého klienta v reálném čase vyhodnotí, jaká akce ze strany banky je nejpřínosnější — a to jak pro klienta, tak pro banku. Může to být nabídka produktu, upozornění na riziko, proaktivní servis nebo prostě „teď ho nech být a nic mu neposílej."

Příklady z praxe:

• Klient pravidelně cestuje do zahraničí → nabídka cestovního pojištění ke kartě, optimálně 3 dny před odletem (podle detekce nákupu letenky)
• Klient spoří na termínovaném vkladu, který končí za měsíc → proaktivní nabídka reinvestice s lepší sazbou dříve, než peníze přesune jinam
• Klient má rostoucí výdaje a klesající zůstatek → upozornění na možný overdraft a nabídka konsolidačního úvěru — ne jako agresivní prodej, ale jako proaktivní servis
• Klient přestal používat mobilní aplikaci → churn prediction model identifikuje riziko odchodu, trigger pro retention kampaň

Důležité je, že personalizace není spam. Modely musí respektovat preference klienta, frekvenci komunikace a kanálový mix. Klient, který dostane 5 nabídek týdně, nebude spokojený — bude naštvaný. Dobrý NBA model to ví a optimalizuje i na spokojenost, ne jen na konverzní poměr.

Hyper-personalizovaný pricing

Další oblast, kde AI mění hru: dynamický pricing úvěrových produktů. Místo tabulkových sazeb „3,9 % pro všechny" model kalkuluje individuální úrokovou sazbu na základě rizikového profilu klienta, konkurenčního prostředí, aktuálních tržních podmínek a elasticity poptávky. Klient s vynikající bonitou dostane lepší sazbu automaticky — a banka maximalizuje marži u rizikových segmentů.

Regulatorní pozor: individuální pricing nesmí být diskriminační. Modely musí být testovány na fairness metriky — disparate impact ratio, equalized odds — aby sazby nesystematicky znevýhodňovaly chráněné skupiny (věk, pohlaví, etnicita).

Regulatorní krajina: EU AI Act a co to znamená pro banky

Žádný článek o AI v bankovnictví nemůže ignorovat regulaci. A v roce 2026 je regulatorní krajina jasnější — ale přísnější — než kdy dřív.

High-risk AI systémy v bankách

EU AI Act klasifikuje jako high-risk mj. systémy pro hodnocení úvěruschopnosti a credit scoring. Pro banky to znamená:

• Conformity assessment — povinné hodnocení shody před nasazením. Dokumentace designu, trénovacích dat, výkonnostních metrik.
• Data governance — trénovací data musí být relevantní, reprezentativní a bez systematického bias. Banky potřebují dokumentovaný data lineage.
• Human oversight — povinný lidský dohled nad rozhodnutími AI. U credit scoringu to znamená, že finální zamítnutí musí mít možnost lidského přezkumu.
• Transparentnost — klient musí být informován, že o něm rozhoduje AI, a musí dostat srozumitelné vysvětlení.
• Continuous monitoring — povinný monitoring výkonu modelu v produkci. Model drift, data drift, bias monitoring — vše musí být měřeno a dokumentováno.

Česká národní banka (ČNB) přidává vlastní doporučení nad rámec EU AI Act, specifická pro bankovní sektor. Banky, které AI nasazují teď, musí architektonicky počítat s tím, že regulatorní požadavky budou pouze přibývat.

DORA a operational resilience

Nařízení DORA (Digital Operational Resilience Act) přináší další vrstvu požadavků na ICT risk management — včetně AI systémů. Banky musí mít zdokumentované disaster recovery procedury pro AI modely, testovat resilience a reportovat incidenty. AI model, který spadne, je z pohledu DORA ICT incident a musí být tak řízený.

Kde jsou největší příležitosti pro české banky

Ne všechny use cases jsou stejně zralé a ne všechny mají stejnou ROI. Tady je náš pohled na to, kde vidíme největší nevyužitý potenciál v českém bankovnictví.

1. Automatizace back-office procesů

Překvapivě — největší příležitost není v sexy ML modelech, ale v automatizaci nudných procesů. Zpracování reklamací, párování plateb, generování regulatorních reportů, kontrola smluv. Tyto procesy dnes stojí banky stovky člověko-hodin měsíčně a jsou ideální pro kombinaci LLM + workflow automation.

Příklad: zpracování reklamace karetní transakce. Dnes to vyžaduje manuální extrakci dat z e-mailu klienta, kontrolu v transakčním systému, vyplnění formuláře pro karetní asociaci a odeslání. S AI: LLM extrahuje data z klientovy zprávy, agentic workflow zkontroluje transakci v systému, předvyplní formulář a připraví k odeslání. Analytik jen schválí. Čas zpracování: z 25 minut na 3 minuty.

2. Proaktivní risk management

Většina bank dnes řídí rizika reaktivně — problém nastane, systém ho detekuje, tým reaguje. AI umožňuje posun k prediktivnímu risk managementu: identifikace klientů, kteří pravděpodobně přestanou splácet za 3–6 měsíců, detekce sektorových rizik v úvěrovém portfoliu, early warning systémy pro tržní rizika.

Tady je obrovský nevyužitý potenciál. Banky mají data. Mají historii. Co jim často chybí, je infrastruktura pro real-time scoring celého portfolia a proaktivní workflow, který na výsledky navazuje.

3. Regulatory technology (RegTech)

Regulatorní reporting je noční můra každé banky. Desítky reportů pro ČNB, ECB, EBA — každý s jiným formátem, jinou frekvencí, jinými definicemi pojmů. AI může automatizovat nejen generování reportů, ale i interpretaci nových regulací. LLM systém, který čte novou vyhlášku ČNB a identifikuje, které interní procesy a systémy jsou dotčeny — to je reálná úspora stovek hodin compliance týmu ročně.

4. SME lending s alternative data

Malé a střední podniky jsou chronicky underserved segment v českém bankovnictví. Tradiční credit scoring pro SME je problematický — krátká historie, volatilní cash flow, omezená finanční data. AI modely pracující s alternative data (platby dodavatelům, e-commerce tržby, social media aktivita, sektorové benchmarky) mohou odemknout segment, který je dnes pro banky příliš rizikový na to, aby ho obsluhovaly efektivně.

Jak začít: Praktický plán pro banku

Pokud jste v pozici, kdy rozhodujete o AI strategii v bance, tady je realistický plán, ne PowerPointová fantazie:

1. Audit datové připravenosti. Než začnete s modely, zjistěte, v jakém stavu jsou vaše data. Máte data lineage? Jsou data quality metriky? Existuje feature store? Bez kvalitních dat žádný model nepomůže.
2. Vyberte jeden high-impact use case. Ne pět. Jeden. Ideálně takový, kde máte jasnou metriku úspěchu (snížení false positives o X %, zkrácení processing time o Y %). Fraud detection a AML jsou nejlepší kandidáti — data existují, business case je jasný.
3. Postavte MLOps platformu. Jeden model v Jupyteru je POC. Produkční AI potřebuje CI/CD pro modely, model registry, feature store, monitoring, A/B testing infrastrukturu. Investice do platformy se vrátí exponenciálně s každým dalším modelem.
4. Řešte governance od začátku. Model governance, data governance, AI ethics review board. Ne jako afterthought, ale jako architektonický požadavek. EU AI Act compliance není optional — a retrofitovat ji je 10× dražší než navrhnout ji od začátku.
5. Najměte (nebo vychovejte) správný tým. Potřebujete ML engineers (ne jen data scientists), platform engineers pro MLOps, a — kriticky — domain experts z bankovního byznysu, kteří rozumí use case. Nejlepší model světa je k ničemu, pokud neřeší reálný problém.
6. Škálujte po validaci. Až první use case prokazatelně funguje v produkci (ne v POC, v produkci!), rozšiřujte na další. Druhý model na stávající platformě nasadíte za zlomek času a nákladů prvního.

Jak to děláme v CORE SYSTEMS

V CORE SYSTEMS máme s bankovním sektorem dlouhodobou zkušenost. Stavíme AI systémy, které přežijí audit ČNB — ne prototypy, které vypadají dobře na demo.

Náš přístup pro bankovní klienty:

• Discovery workshop — zmapujeme datovou připravenost, identifikujeme use case s nejvyšší ROI, definujeme metriky úspěchu
• Architecture & compliance review — navrhneme architekturu, která splňuje EU AI Act, DORA a interní compliance požadavky banky
• MVP za 8–12 týdnů — produkční MVP na reálných datech, ne PowerPoint
• MLOps & governance platforma — nasadíme infrastrukturu pro model lifecycle management, monitoring a audit trail
• Škálování a provoz — rozšíření na další use cases, kontinuální optimalizace, 24/7 podpora

Nejsme AI startup, který prodává vize. Jsme systémová firma s enterprise DNA. Rozumíme bankovní regulaci, rozumíme legacy systémům a rozumíme tomu, že model v produkci potřebuje provozní tým, ne jen data science tým. Podporujeme OpenAI, Anthropic, Azure AI i on-premise modely — protože v regulovaném prostředí je volba infrastruktury rozhodující.