AI w bankowości: algorytmy decydują, kto dostanie kredyt w 2026
Sekundy decydują o latach
Kiedy składasz wniosek o kredyt hipoteczny, algorytm banku odpowiada w mniej niż dwie sekundy. Nie rozmawia z tobą, nie patrzy na twoją historię życia, nie pyta o kontekst. Patrzy na liczby: wynik scoringowy, historia spłat, dochód, kod pocztowy. W sekundę decyduje, czy kupisz dom.
W 2026 roku większość dużych banków w Europie i USA korzysta z modeli AI do oceny ryzyka kredytowego. Zastąpiły one tradycyjne scoringi FICO i ich odpowiedniki. Banki twierdzą, że AI jest bardziej precyzyjne i mniej obciążone błędem ludzkim. Ale czy to prawda?
Odcisk błędu
Problem z AI w bankowości jest prosty. Model uczy się na danych historycznych. A dane historyczne są produktami systemu, który dyskryminował. W USA przez dziesięciolecia banki odmawiały pożyczek dzielnicom zamieszkanym przez osoby kolorowe (redlining). W Europie dyskryminacja dotykała mniejszości narodowych i imigrantów. Algorytm, który uczy się na danych z tego okresu, nie rozumie, że dyskryminacja jest błędem — traktuje ją jako prawidłowość.
Obserwuje się kolejstwo tego problemu: model AI oceniający ryzyko daje wyższy score miejscom, gdzie historycznie spłacano poprawnie, a niższy tam, gdzie spłacano gorzej — nie dlatego, że mieszkają tam gorsi dłużnicy, ale dlatego, że banki nie udzielały im pożyczek na rozwój, więc nie mogli spłacać.
Kod pocztowy jako proxy rasy
Najbardziej znany przykład. Algorytm wydaje się nie używać rasy jako zmiennej, bo to jest nielegalne. Ale używa kodu pocztowego. Kod pocztowy jest skorelowany z rasą, narodowością i dochodem. Algorytm więc nie musi patrzeć na rasę — patrzy na kod pocztowy i wie.
To się nazywa “proxy discrimination” — dyskryminacja przez zastępnik. Prawo zakazuje dyskryminacji ze względu na rasę, ale nie zakazuje dyskryminacji ze względu na kod pocztowy. AI wykorzystuje tę lukę.
Jak daleko sięga problem?
Badania z 2023 roku na zlecenie amerykańskiego Consumer Financial Protection Bureau pokazały, że algorytmy AI odmawiają kredytów czarnoskórym wnioskodawcom 80 procent częściej niż białym przy tym samym profilu dochodowym. W Europie podobne badania dotyczą imigrantów — w Niemczech osoby z tureckim nazwiskiem mają o 40 procent niższy wskaźnik przyzwolenia na kredyt.
Polska nie jest wyjątkiem. Banki wykorzystują modele scoringowe, które uwzględniają zmienne geograficzne. Mieszkaniec Warszawy z tym samym dochodem co mieszkaniec mniejszego miasta dostanie inny wynik. To nie jest świadoma dyskryminacja banku — to algorytm, który został tak nauczony.
Czego brakuje — przezroczystości
Gdy bank odmawia kredytu, ma obowiązek podać powód. Ale w dobie AI powód to najczęściej “niska ocena scoringowa” — bez wyjaśnienia, co na tę ocenę wpłynęło. Klient nie wie, czy to dochód, historia spłat, kod pocztowy, czy kombinacja zmiennych, których nawet bankowcy nie rozumieją.
EU AI Act wchodzi w życie etapami do 2026 roku i sklasyfikuje systemy scoringu kredytowego jako “wysokie ryzyko” — wymagające audytu, dokumentacji i prawa do wyjaśnienia. To krok w dobrym kierunku, ale w praktyce banki będą musiały udowodnić, że ich modele nie dyskryminują. A jak udowodnić, że model z milionami parametrów nie dyskryminuje?
Konkluzja
AI w bankowości nie jest złe same w sobie. Problematyczne jest uczenie na stronniczych danych i brak transparentności. Przy odpowiednim audycie, przezroczystości i prawie do odwołania, AI może być mniej dyskryminujące niż człowiek. Ale bez tego — AI dyskryminuje szybciej, taniej i w większej skali niż jakikolwiek ludzki urzędnik bankowy. I robi to bez emocji, bez refleksji, bez pardon.
