--- title: "Czego AI Act naprawdę wymaga od modelu finansowego" url: "https://obserbi.com/pl/blog/ai-act-a-modele-finansowe" description: "Większość modeli kontrolingowych nie jest wysokiego ryzyka w rozumieniu AI Act — ale dokumentacja, logowanie i nadzór człowieka, których oczekuje, i tak warto wdrożyć." --- # Czego AI Act naprawdę wymaga od modelu finansowego 12 sierpnia 2026·3 min czytania·ObserBI Większość AI używanej w kontrolingu finansowym nie jest systemem wysokiego ryzyka w rozumieniu unijnego AI Act — a działy finansowe uparcie zakładają odwrotnie. Rozporządzenie klasyfikuje według _zastosowania_, a nie według tego, jak ważny czuje się dany dział, i wewnętrzne prognozowanie, analiza odchyleń czy projekcja gotówki zwykle wypadają poza Załącznik III. To, co obowiązuje, to zestaw oczekiwań wobec dokumentacji, logowania i nadzoru człowieka — czyli rzeczy, których poważna funkcja finansowa powinna chcieć niezależnie od przepisów. _To podsumowanie inżynierskie, nie porada prawna. Aktualny tekst i harmonogram zweryfikuj z prawnikiem — kalendarz wdrożenia bywał przedmiotem propozycji zmian od czasu wejścia rozporządzenia w życie._ ## Co w finansach jest wysokiego ryzyka Załącznik III wymienia zastosowania uruchamiające ciężkie obowiązki. Dwa są blisko finansów: - **Ocena zdolności kredytowej osób fizycznych** — scoring osób, z wyłączeniem wykrywania oszustw finansowych. - **Ocena ryzyka i wycena w ubezpieczeniach na życie i zdrowotnych** dla osób fizycznych. Żadne z nich nie opisuje agenta kontrolingowego prognozującego pozycję gotówkową własnej firmy. Liczy się podmiot oceny: Twój własny rachunek wyników nie jest osobą fizyczną. Pułapka leży gdzie indziej. Załącznik III obejmuje także **zatrudnienie** — rekrutację, przydzielanie zadań, monitorowanie i ocenę pracowników. „Agent CFO”, który punktuje produktywność pracowników, układa ranking do restrukturyzacji albo przydziela pracę na podstawie wykorzystania zasobów, wszedł do kategorii wysokiego ryzyka bocznymi drzwiami — mimo że zespół, który go budował, był przekonany, że robi kontroling. ## Obowiązki, które dotyczą wszystkich Dwie rzeczy obowiązują niezależnie od kategorii ryzyka i łatwo je przeoczyć. **Kompetencje w zakresie AI.** Organizacje wdrażające systemy AI mają zapewnić, że osoby je obsługujące rozumieją je w wystarczającym stopniu — na tyle, by interpretować wynik i rozpoznać, kiedy jest błędny. Dla działu finansowego to nie problem szkolenia na wideo; to znaczy, że kontroler korzystający z prognozy powinien umieć powiedzieć, co model dostał i gdzie zwykle się myli. **Przejrzystość treści generowanych maszynowo.** Tam, gdzie wynik jest generowany lub modyfikowany przez AI i mógłby zostać wzięty za materiał ludzki, powinien być jako taki rozpoznawalny. Notatka na zarząd złożona przez model mieści się w tej kategorii. ## Dlaczego i tak warto budować pod standard wysokiego ryzyka Wymogi dla systemów wysokiego ryzyka czytają się jak opis dobrze prowadzonego systemu analitycznego: zarządzanie ryzykiem w całym cyklu życia, ład nad danymi treningowymi i wejściowymi, dokumentacja techniczna, automatyczne logowanie zdarzeń, instrukcje dla wdrażającego, realny nadzór człowieka oraz odpowiednia dokładność, odporność i cyberbezpieczeństwo. Zdejmij warstwę prawną, a każdy z tych punktów jest czymś, czego CFO powinien wymagać, zanim zaufa liczbie w materiałach na zarząd. Jeśli model koryguje prognozę, chcesz wiedzieć, który input się ruszył. Jeśli oznacza klienta, chcesz zobaczyć dowody. Jeśli się myli, chcesz się o tym dowiedzieć z własnych logów, a nie od audytora. Jest też argument praktyczny: klasyfikacja potrafi się zmienić. System, który zaczyna od wewnętrznego prognozowania, dostaje funkcję oceny dostawców, potem oceny klientów — i któraś z nich w końcu dotyka osoby fizycznej. Doklejanie logowania i dokumentacji do systemu, którego nigdy pod to nie zaprojektowano, kosztuje wielokrotnie więcej niż zbudowanie go tak od początku. ## Minimalna poprzeczka dla modelu kontrolingowego Jeśli taki model oceniasz albo budujesz, lista jest krótka: - **Pochodzenie danych.** Każda liczba możliwa do prześledzenia do systemu źródłowego, tabeli i znacznika czasu. - **Logi decyzyjne.** Nie tylko wynik, ale też wejścia i wersja modelu, która go wyprodukowała — przechowywane dłużej niż jeden cykl audytowy. - **Wyjaśnione korekty.** Gdy prognoza się zmienia, system nazywa czynnik sprawczy. - **Wskazany nadzór człowieka.** Osoba, która odpowiada za daną klasę rekomendacji i może ją nadpisać, z zapisem nadpisania. - **Lokalizacja wdrożenia.** Wiedza, w jakiej jurysdykcji odbyła się inferencja — bo w momencie, gdy w grę wchodzą dane osobowe, to pytanie przestaje być akademickie. Zespoły, które spokojnie przejdą kolejny zakręt regulacyjny, to te, które już dziś generują te dowody jako produkt uboczny działania systemu — a nie te, które planują projekt compliance na kwartał przed audytem. - AI Act - governance - kontroling - audyt ## Czytaj dalej - [Autonomiczny CFO to nie dashboard](https://obserbi.com/pl/blog/autonomiczny-cfo-to-nie-dashboard) - [Dlaczego dane finansowe nie powinny opuszczać firmy](https://obserbi.com/pl/blog/lokalne-modele-w-kontrolingu)