Jak bezpiecznie i zgodnie z prawem wdrożyć AI w polskiej bankowości? Wnioski z Atlassian Team ’26

Polski sektor bankowy charakteryzuje się specyficznym tempem adaptacji innowacji, co wynika z rygorystycznych procesów regulacyjnych oraz wymogów bezpieczeństwa. Jednak po konferencji Atlassian Team ’26 w Anaheim widać wyraźnie, że narzędzia, takie jak Jira czy Confluence, przestają być jedynie pasywną „ticketownią”. Ewoluują one w zintegrowaną płaszczyznę sterowania organizacją (AI Control Plane).

Dla banków istotne jest, aby nie przegapić tego momentu transformacji. Odpowiednie ukierunkowanie obecnych projektów, na przykład migracji do chmury, już teraz zadecyduje o zdolności instytucji finansowych do wdrożenia autonomicznych agentów AI w przyszłości. Jako Atlassian Platinum Solution Partner, Sii Polska analizuje, jak przełożyć technologiczne nowości na stabilną i zgodną z przepisami rzeczywistość bankową.

Przygotowanie gruntu pod AI: koniec ery silosów danych

Wdrożenie narzędzi ery „agentycznej AI”, takich jak Atlassian Rovo, wymaga zapewnienia algorytmom precyzyjnego kontekstu organizacyjnego. Dla banków, w których informacje są naturalnie rozproszone, największym wyzwaniem nie jest brak danych, ale ich spójność.

Aby bank mógł realnie czerpać zyski z automatyzacji i uniknąć tzw. „AI Slop” (niskiej jakości, zafałszowanych wyników generowanych przez sztuczną inteligencję), działania optymalizacyjne należy podjąć natychmiast, w trakcie bieżących wdrożeń.

Istotne obszary inwestycji przedwdrożeniowych:

• Upraszczanie i standaryzacja: redukcja długu technologicznego poprzez upraszczanie skomplikowanych workflow i ujednolicanie procesów w skali całego banku.
• Likwidacja silosów: identyfikacja i otwieranie zamkniętych obszarów danych. Systemy AI potrzebują połączonego kontekstu operacyjnego, by skutecznie agregować informacje i automatyzować raportowanie, które w strukturach bankowych bywa mocno rozproszone.
• Zarządzanie higieną danych: przegląd, konsolidacja i porządkowanie dokumentacji w Confluence i Jira w celu usunięcia nieaktualnych treści oraz ujednolicenia źródeł wiedzy.

Rovo i autonomiczni agenci: efektywność vs ryzyko halucynacji

Wprowadzenie agentów AI do fazy General Availability (GA) otwiera przed sektorem finansowym ogromne możliwości optymalizacji kosztów. Najbardziej naturalnym i mierzalnym use casem dla banków staje się automatyzacja pierwszej linii wsparcia.

• Optymalizacja zasobów: wykorzystanie zaawansowanych konektorów (Teamwork Graph) i integracja systemów Jira Service Management (JSM) z komunikatorami takimi jak MS Teams czy Slack pozwala agentom AI przejąć powtarzalne zapytania operacyjne. W praktyce oznacza to mniejsze zużycie jednostek FTE w zespołach supportowych i natychmiastowe skrócenie czasu reakcji.
• Zastąpienie tradycyjnych skryptów: dotychczasowe automatyzacje czy skomplikowane skrypty Groovy będą w dużej mierze zastępowane przez autonomiczne modele operujące na protokołach MCP i CLI.
• Edukacja i autoryzacja działań: szerokie zastosowanie AI sprawia, że „zwykły” użytkownik systemu uzyskuje znacznie większe możliwości operacyjne niż dotychczas. Generuje to jednak ryzyko halucynacji algorytmów oraz błędów wykonawczych. Przykładowo, nieprawidłowe zakładanie zgłoszeń masowych przez mechanizmy MCP może prowadzić do uszkodzenia struktur raportowych. Dlatego krytycznym elementem wdrożenia pozostaje ciągły trening personelu oraz precyzyjne mapowanie ról.

Bezpieczeństwo i AI Governance w obliczu restrykcji KNF i DORA

Wdrożenie innowacji Atlassian w polskim sektorze bankowym rodzi fundamentalny konflikt między otwartością dostępu do danych (niezbędną do skutecznego działania AI) a koniecznością ścisłej ochrony informacji wrażliwych.

Zespoły realizujące projekty z zakresu cybersecurity czy bankowego kontrolingu operują na danych o najwyższym poziomie poufności (np. transakcje, podatności systemowe). Z tego powodu wdrożenie AI w banku nie może opierać się na uniwersalnym dostępie do wiedzy.

Konflikt dostępu: Otwarty kontekst dla AI vs. Ścisłe restrykcje Cybersecurity i Audytu

Odpowiedzią na te wyzwania jest budowa zaawansowanego ładu architektonicznego (AI Governance). Banki muszą precyzyjnie określić granice wykonawcze dla algorytmów, wdrażając narzędzia, takie jak Atlassian Guard. Inwestycja w ten obszar pozwala na:

• Zapewnienie pełnej ścieżki audytu (audit trail) działań podejmowanych przez maszyny.
• Kontrolę uprawnień i separację danych wrażliwych.
• Spełnienie rygorystycznych wymogów nadzorczych wynikających z unijnego AI Act, wytycznych KNF oraz regulacji DORA w zakresie odporności operacyjnej.

Podobnie jak w przypadku wdrażania mechanizmów data residency dla środowisk chmurowych, tak i teraz kluczowa praca w obszarze pełnej zgodności regulacyjnej leży po stronie producenta oprogramowania. Zadaniem Sii jako partnera jest precyzyjne agregowanie, komunikowanie i mapowanie specyficznych wymagań polskich banków, aby dostosować systemy do lokalnych realiów prawnych.

Podsumowanie: Gdzie banki powinny inwestować już teraz?

Jesteśmy dopiero na początku fali adopcji zaawansowanych agentów sztucznej inteligencji. Obecnie w większości instytucji inicjatywy związane z AI mają charakter rozproszony, brakuje centralnego miejsca koordynacji tych procesów.

Wygrają te banki, które nie będą traktować AI jako odizolowanego projektu technologicznego. Zamiast tego powinny zainwestować w transformację mentalną organizacji, uproszczenie procesów oraz eliminację długu technologicznego w ramach posiadanych systemów Atlassian.

Chcesz dowiedzieć się więcej, jak przygotować bank na migrację do Atlassian Cloud?