Mazovia Digital Finance SA — firma faktoringowa z Warszawy, 320 pracowników, 1,4 mld zł portfela wierzytelności — przetwarzała 8 500 faktur miesięcznie przez 12 pracowników działu weryfikacji. Po wdrożeniu modelu ML do scoringu ryzyka klienta i trzech botów UiPath do weryfikacji NIP w rejestrze KAS i uzgadniania wyciągów bankowych, liczba ta spadła do 2 800 godzin rocznie — z 11 000. UODO i KNF nie zgłosiły zastrzeżeń, bo firma przygotowała analizę wpływu na ochronę danych (DPIA) i dokument wyjaśnialności modelu przed wdrożeniem.
Uczenie nadzorowane (Supervised Learning) w finansach
Trenowanie modelu na oznakowanych danych historycznych, by przewidzieć wynik docelowy: np. klasyfikacja transakcji jako podejrzanych (AML) lub legalnych, scoring wniosków kredytowych, prognoza miesięcznych wpływów. Algorytmy stosowane w polskim sektorze bankowym i fintech: regresja logistyczna, drzewa wzmacniane gradientowo (XGBoost, LightGBM), sieci neuronowe. Wyniki muszą być wyjaśnialne na mocy art. 22 RODO, jeśli decyzja ma istotne skutki prawne lub finansowe dla osoby fizycznej.
Robotic Process Automation (RPA) w polskich finansach
Oprogramowanie naśladujące interakcje człowieka z systemami cyfrowymi — nawigacja w interfejsach, kopiowanie danych między aplikacjami, uruchamianie przepływów opartych na regułach — bez modyfikacji kodu źródłowego. RPA jest odrębne od AI: boty stosują jawne reguły zamiast uczyć się z danych. Platformy stosowane w polskich instytucjach finansowych: UiPath, Power Automate, Blue Prism. KNF Rekomendacja D wymaga zarządzania ciągłością działania procesów zautomatyzowanych.
Procesy finansowe o najwyższym ROI dla RPA w polskich działach finansowych: uzgadnianie faktur przychodzących i ich booking w SAP/Comarch, rekoncyliacja wyciągów bankowych (format MT940/CAMT053), generowanie i przesyłanie JPK_V7M do bramki KAS oraz masowe wysyłki i uzgadnianie potwierdzeń sald. Każdy z tych procesów łączy duży wolumen, deterministyczne reguły i niską tolerancję na błędy — trzy cechy idealnego kandydata do automatyzacji.
| Proces | Szacowany czas ręczny (rocznie, firma 300-os.) | Klasyfikacja regulacyjna KNF |
|---|---|---|
| Booking i uzgadnianie faktur AP (3-way match) | 1 400 godz. | Proces operacyjny (Rekomendacja D) |
| Rekoncyliacja wyciągów bankowych | 680 godz. | Ważny proces biznesowy |
| Generowanie i wysyłka JPK_V7M do KAS | 360 godz. | Obowiązkowe raportowanie podatkowe |
| Potwierdzenia sald (masowe) | 290 godz. | Kontrola wewnętrzna / audyt |
Dział ryzyka Mazovii mapuje proces weryfikacji metodą SIPOC: 91% przypadków to schematy regułowe (bot UiPath), 9% trafia do kolejki manualnej. Trzy boty pracują nocą — do godz. 07:30 weryfikują 1 200 pozycji. Model ML scoringowy, oparty na XGBoost trenowanym na 36 miesiącach danych transakcyjnych, klasyfikuje ryzyko klienta z dokładnością 88%. Model przeszedł audyt wyjaśnialności (SHAP values) przed prezentacją KNF w ramach rocznego przeglądu ryzyka modeli.
⚠️Wdrożenie modelu ML bez DPIA i mechanizmu odwołania
→ Art. 22 RODO wymaga, by każda decyzja oparta wyłącznie na automatycznym przetwarzaniu i mająca istotne skutki dla osoby fizycznej podlegała prawu do interwencji ludzkiej. UODO przeprowadziło kontrole polskich instytucji finansowych — brak DPIA to ryzyko kary do 4% globalnego obrotu.
⚠️Automatyzowanie wadliwego procesu bez uprzedniej standaryzacji
→ RPA osadza wszelkie nieefektywności istniejącego procesu. Przed budową bota przeprowadzić analizę lean — naprawić logikę przepływu pracy, a dopiero potem automatyzować zoptymalizowaną wersję.
⚠️Brak monitoringu i ścieżki audytu dla działań robota
→ Każde działanie bota w systemie finansowym musi być logowane z timestampem i identyfikatorem zadania. Jest to wymóg kontroli wewnętrznej (Rekomendacja D KNF) i ewentualnych kontroli KAS dotyczących JPK.