AktualnościMakroGubernator Fed Barr ostrzega: finansowanie AI, handel i ryzyko cybernetyczne mogą zagrażać stabilności finansowej

Gubernator Fed Barr ostrzega: finansowanie AI, handel i ryzyko cybernetyczne mogą zagrażać stabilności finansowej

Autor: Federal Reserve - Speeches·

Najważniejsze informacje

  • •Zadłużenie bilansowe siedmiu największych firm AI miało do końca 2026 roku przekroczyć 800 mld dolarów, a potencjalna maksymalna wartość nominalna zobowiązań pozabilansowych już przekracza 3 bln dolarów.
  • •Hiperskalery i producenci GPU mają ponad 100 mld dolarów skumulowanych inwestycji kapitałowych w laboratoria dużych modeli językowych i start-upy chmurowe, co Barr określił jako formę finansowania cyrkularnego.
  • •Barr porównał skalę wydatków kapitałowych związanych z AI z wcześniejszymi boomami infrastrukturalnymi, w tym kolejami lat 70. XIX wieku, autostradami połowy XX wieku, światłowodami lat 90. i telekomunikacyjnym cyklem z końca lat 90.
  • •Jeśli wielu traderów polega na podobnych modelach AI trenowanych na podobnych danych, wspólny błąd mógłby wywołać awarie o skutkach systemowych, a algorytmy uczenia ze wzmocnieniem mogą — jak pokazują badania teoretyczne — autonomicznie rozwinąć zachowania zmowne bez wyraźnej intencji.
  • •Agenci AI mogliby przyspieszyć odpływy depozytów w okresach stresu, automatycznie przenosząc środki z dużą prędkością, co mogłoby skrócić runy bankowe do minut i przerosnąć tradycyjne harmonogramy zarządzania płynnością.
Gubernator Fed Barr ostrzega: finansowanie AI, handel i ryzyko cybernetyczne mogą zagrażać stabilności finansowej

Niektóre potencjalne implikacje sztucznej inteligencji dla stabilności finansowej

16 listopada 2026 — Michael S. Barr, gubernator, Rada Gubernatorów Systemu Rezerwy Federalnej
Wypowiedzi na VII Międzynarodowej Konferencji Association for Computing Machinery poświęconej sztucznej inteligencji w finansach, Mediolan, Włochy
Oficjalne przemówienie

Michael S. Barr stwierdził, że sztuczna inteligencja może poprawić produktywność, poszerzyć dostęp do usług finansowych i wzmocnić rynki, ale ostrzegł, że technologia może również stwarzać ryzyko dla stabilności finansowej poprzez wysoce zadłużone inwestycje, skoncentrowane systemy handlowe, podatności cybernetyczne i niewystarczającą ochronę konsumentów. Ponieważ Barr przemawiał jako urzędujący gubernator Fed w związku z publikacją najnowszego raportu o stabilności finansowej banku centralnego, jego wystąpienie daje czytelnikom bezpośredni obraz tego, jak wysoki urzędnik Rezerwy Federalnej przedstawia AI zarówno jako szansę gospodarczą, jak i potencjalne źródło ryzyka systemowego.

Barr powiedział, że było to czwarte przemówienie, które wygłosił w ciągu ostatniego roku w całości poświęcone sztucznej inteligencji (AI), zaznaczając jednocześnie, że AI pojawiała się w większości jego innych niedawnych wystąpień. Opisał skutki AI dla ludzi i gospodarek na całym świecie jako jedne z najważniejszych problemów stojących przed społeczeństwem.

„Jestem optymistą co do długoterminowych możliwości AI, by wzmacniać jednostki, firmy i instytucje w całym społeczeństwie” — powiedział Barr. Dodał, że jeśli obecne wyzwania i przyszłe zakłócenia zostaną skutecznie opanowane, AI może zwiększyć produktywność i podnieść poziom życia, umożliwiając większości ludzi więcej się uczyć i więcej zarabiać.

Barr powiedział, że jego optymizm wynika również z wiary w zdolność społeczeństwa do zrozumienia zmian, które przyniesie AI, i odpowiedzi na nie. Powiedział, że potrzebny jest konstruktywny dialog, aby zapewnić, że korzyści z tej technologii nie zostaną przyćmione przez zakłócenia i ryzyka, które nieuchronnie stworzy.

Konferencja — jak powiedział — przyczynia się do tego dialogu, badając, w jaki sposób AI może pomóc ludziom zarządzać finansami, uzyskiwać dostęp do kredytu i usług, obniżać koszty, poprawiać możliwości dostawców usług finansowych i sprawiać, że rynki będą funkcjonować skuteczniej. Ale AI może wzmocnić system finansowy tylko wtedy, gdy będzie również wspierać stabilność finansową, którą Barr nazwał niezbędną dla zdrowej gospodarki.

Najnowszy dwukrotnie w roku publikowany raport Rezerwy Federalnej Financial Stability Report (FSR) — podstawowa ocena podatności systemu finansowej przez Fed — został wydany w piątek (13 listopada) i zawiera ważne ustalenia dotyczące AI i stabilności finansowej — powiedział Barr. Raport koncentruje się na boomie inwestycyjnym w AI oraz badaniach pracowników Fed oceniających dźwignię w innowacyjnych strukturach dłuższych wykorzystywanych do finansowania tego wzrostu.

Barr powiedział, że omówi ustalenia raportu, a następnie przejdzie do badań nad korzyściami i ryzykami integracji AI z rynkami finansowymi, w szczególności w handlu hurtowym. Następnie zajmie się ryzykami cybernetycznymi związanymi z AI oraz implikacjami dla ochrony konsumentów i inwestorów.

Boom inwestycyjny w AI

Barr powiedział, że inwestorzy ostatnio zadawali pytania o trwałość boomu inwestycyjnego w AI. Podkreślił, że decydenci Rady Gubernatorów Fed nie adresują poziomów rynków finansowych i że rynki rosną i spadają. Powiedział, że unika komentowania krótkoterminowych ruchów rynkowych, oceniając natomiast dłuższookresowe kwestie związane ze stabilnością finansową.

We wcześniejszym przemówieniu Barr omówił trzy scenariusze obejmujące możliwe skutki wpływu AI na gospodarkę. Nawet jeśli AI okaże się transformacyjną innowacją, która zasadniczo zwiększy produktywność — powiedział — kluczowe pytanie brzmi, czy inwestorzy otrzymają zwrot z inwestycji w AI w terminie i na poziomie zgodnym z oczekiwaniami. Inny wynik mógłby doprowadzić do istotnej reprycingu.

Duże straty inwestycyjne z takiej reprycingu mogłyby zmniejszyć wzrost produkcji na dwa sposoby. Pierwszym byłby bezpośredni skutek spadku inwestycji, będącej składnikiem produktu krajowego brutto. Drugim byłby pośredni skutek utraty majątku, która mogłaby ograniczyć wydatki konsumenckie i potencjalnie firmowe.

Najnowszy FSR stwierdził, że premia za ryzyko akcyjne — przybliżona miara dodatkowego zwrotu, jakiego wymagają inwestorzy za posiadanie akcji zamiast bezryzykownych obligacji — jest niska względem norm historycznych, choć nie niemal tak niska jak w czasie hossy na rynku akcji era dot-com. Barr powiedział, że premia akcyjna to tylko jeden wskaźnik szerokich wycen akcji względem norm historycznych.

Dźwignia w budowie centrów danych

Budowa infrastruktury AI jest coraz częściej finansowana długiem. FSR bada trzy sposoby, w jakie finansowanie centrów danych AI i powiązanych inwestycji, określane w raporcie jako „zaawansowany dług obliczeniowy”, mogłoby wpłynąć na stabilność finansową: szybki wzrost tego długu, sieci finansowania cyrkularnego oraz inne złożone zobowiązania finansowe.

Jeżeli inwestycje w AI zostałyby istotnie wycenione ponownie, stres wynikający z tych trzech aspektów finansowania AI mógłby tę reprycing wzmocnić — powiedział Barr.

Zadłużenie bilansowe siedmiu największych firm AI rosło w 2026 roku znacząco i pod koniec roku miało przekroczyć 800 mld dolarów. Barr porównał ten wzrost ze wzrostem długu w cyklu inwestycyjnym telekomunikacji z końca lat 90. i początku XXI wieku.

FSR porównuje skumulowane wydatki kapitałowe i emisje długu firm hiperskalerskich — największych operatorów chmur i centrów danych — od 2020 roku z wydatkami i emisjami wszystkich spółek telekomunikacyjnych w cyklu inwestycyjnym szerokopasmowym, który rozpoczął się w 1995 roku. Hiperskalery jeszcze nie przekroczyły grupy porównawczej z tamtej hossy, ale niedawne przyspieszenie ich wydatków kapitałowych sugeruje, że mogą to wkrótce zrobić.

Inne zobowiązania — w tym długoterminowe kontrakty, zobowiązania leasingowe i gwarancje wartości rezydualnej — rosły jeszcze szybciej niż zadłużenie bilansowe. FSR szacuje, że potencjalna maksymalna wartość nominalna tych zobowiązań, traktowanych jako pozycje pozabilansowe, przekracza obecnie 3 bln dolarów.

Firmy zazwyczaj raportują zobowiązania pozabilansowe bez dyskonta, co utrudnia porównania z dyskontowanymi danymi bilansowymi.

Znacząca część tych zobowiązań wynika ze złożonych struktur, w których hiperskalery i inne wysoko oceniane spółki pośrednio wspierają finansowanie projektów obejmujących firmy o słabszej wiarygodności kredytowej lub wspierają inwestycje w infrastrukturę użyteczności publicznej. Zobowiązania te obejmują kontrakty na dostawy energii, długoterminowe dzierżawy centrów danych i mocy obliczeniowej oraz różnorodne pozabilansowe struktury finansowania.

Barr powiedział, że ta złożoność może być nieprzejrzysta dla mało doświadczonych inwestorów. Ta nieprzejrzystość może nasilać wyprzedaże, gdy zmienia się sentyment inwestorów, ponieważ trudno ustalić, gdzie zlokalizowane jest ryzyko. Powiedział, że rozwój tych znacznych struktur pozabilansowych wymaga uważnego monitorowania.

Firmy o niższej jakości kredytowej, najbardziej zależne od finansowania zewnętrznego, odnotowały w ostatnich miesiącach znaczący wzrost kosztu kapitału. W rezultacie — powiedział Barr — te firmy zwracają się ku bardziej złożonym finansowaniom zabezpieczonym aktywami.

Hiperskalery i producenci dużych procesorów graficznych (GPU) mają ponadto ponad 100 mld dolarów skumulowanych inwestycji kapitałowych w laboratoria dużych modeli językowych (LLM) i start-upy chmurowe. Barr opisał te inwestycje jako formę „finansowania cyrkularnego”. Hiperskalery i producenci GPU dostarczają kapitał mniejszym firmom, które następnie wykorzystują te środki do wynajmu lub zakupu GPU i mocy obliczeniowej od firm, które dokonały inwestycji.

Te inwestycje stanowią stosunkowo niewielki udział w bilansach hiperskalerów i producentów GPU, ale są kluczowe dla mniejszych firm otrzymujących kapitał. Aby inwestycje w infrastrukturę AI ostatecznie stały się ekonomicznie uzasadnione, te mniejsze firmy będą musiały w końcu zastąpić finansowanie od dostawców — hiperskalerów i producentów GPU — przychodami od płacących klientów.

Inną pośrednią formą finansowania cyrkularnego, w której hiperskalery i producenci GPU wspierają zakupy własnych produktów i usług, są gwarancje zabezpieczeń przy finansowaniach opartych na aktywach. Gdy firmy najbardziej zależne od finansowania zewnętrznego napotykają ograniczenia, mogą przejść z emisji obligacji korporacyjnych do finansowania zabezpieczonego aktywami.

Aby wesprzeć wiarygodność takich finansowań, większe firmy o wyższej jakości kredytowej często gwarantują wartość odsprzedaży centrów danych lub GPU złożonych jako zabezpieczenie. Te gwarancje, czyli zabezpieczenia wartości kolateralnej, są raportowane jako zobowiązania pozabilansowe, ponieważ reprezentują straty, które hiperskalery i producenci GPU mogliby ponieść w przypadku niewypłacalności i likwidacji zabezpieczeń.

Porównania z wcześniejszymi boomami infrastrukturalnymi

Barr powiedział, że skalę inwestycji kapitałowych związanych z AI należy rozpatrywać obok wcześniejszych cykli technologicznych i infrastrukturalnych. Jedno z szacunków sugeruje, że inwestycje związane z budową infrastruktury AI mogłyby dorównać lub nawet przewyższyć inwestycje z wcześniejszych boomów infrastrukturalnych, w tym koleje żelazne lat 70. XIX wieku, autostrady lat 50. i 60. XX wieku oraz kable światłowodowe lat 90.

Każda z tych gorączek inwestycyjnych mogła w pewnym momencie wydawać się przebudowana — powiedział Barr — ale stworzona dzięki nim infrastruktura kolejowa, drogowa i światłowodowa pozostaje cenna. Niektóre z wcześniejszych boomów jednak wygasły, ze skutkami dla szerszego systemu finansowego.

Ponieważ obecny boom wciąż opiera się na ograniczonej ilości długu, Barr powiedział, że jest mniej zaniepokojony bezpośrednimi stratami. Jednak dźwignia w funduszach hedgingowych i ogólny apetyt na ryzyko wydają się dość wysokie. Ostry zwrot mógłby zatem doprowadzić do szybkiej dekawczyni dźwigni i potencjalnie samonapędzających się wyprzedaży po cenach dobrzebnych.

Dźwignia stosowana w strategiach akcyjnych również wzrosła w ostatnich latach, częściowo za pośrednictwem usług prime brokerage świadczonych przez dużych dealerów. Wysokie poziomy kapitału największych banków stanowią ochronę przed efektami przenoszenia, ale ekspozycje na kontrahentów mogłyby wzrosnąć w okresie zmienności rynku akcji. Barr powiedział, że ekspozycje należy nadal monitorować, w tym ekspozycje na kontrahentów, którzy zajęli duże pozycje w AI.

Większość kosztów centrum danych pochodzi z GPU i innych wyspecjalizowanych chipów używanych w AI. Jednym z zmartwień jest to, że te chipy mogą szybko tracić wartość, gdy nowsze technologie je wypierają, co ograniczyłoby przyszłe wykorzystanie ich mocy.

Stawki leasingu starszych generacji chipów utrzymywały się, co sugeruje, że technologia obliczeniowa spoza samej czołówki wciąż ma zastosowania — powiedział Barr — ale dodał, że ten trend wymaga monitorowania. Trudno też określić, jak pozostała część kapitału związanego z AI — stacje transformatorowe, połączenia wysokiego napięcia i integracja z siecią — zostałaby wykorzystana, gdyby popyt na te usługi rozczarował.

W niektórych regionach dodatkowa moc i przepustowość sieci będą użyteczne niezależnie od przyszłości AI. W innych nadmiarowe moce mogą potrzebować lat, by stać się użyteczne, jak miało to miejsce z „ciemnym światłowodem” w niektórych regionach po boomie i załamaniu lat 90.

Barr powiedział również, że możliwe jest, że boom inwestycyjny w AI będzie trwał, a popyt na usługi AI w pełni wykorzysta obecnie instalowany kapitał i będzie wymagał dodatkowych mocy. „Pokaże się tylko z czasem” — powiedział.

Niezamierzone skutki AI w hurtowym handlu papierami wartościowymi

AI mogłaby zmienić kształt handlu na rynkach finansowych — temat poruszany we wcześniejszych FSR. Generatywna AI może przetwarzać szersze i bogatsze dane, stosować bardziej złożoną logikę niż tradycyjne algorytmy handlowe, obniżać bariery dostępu do zaawansowanych technologii handlowych i zwiększać różnorodność uczestników rynku. Mogłaby również poprawić nadzór nad rynkiem.

Te zdolności mogłyby poprawić efektywność, integralność i funkcjonowanie rynku. Ale Barr powiedział, że jak każda nowa technologia, AI stwarza również ryzyka.

Według jego wiedzy generatywna AI nie jest jeszcze używana do autonomicznego handlu na dużą skalę. Mimo to regulatorzy i uczestnicy rynku muszą rozumieć ryzyka i implikacje jej wdrażania. Wiele najważniejszych pytań o to, jak AI wpłynie na rynki finansowe, zostanie rozwiązanych nie abstrakcyjnie, lecz przez decyzje techniczne dotyczące projektowania modeli, danych treningowych, testowania i wdrażania.

AI mogłaby demokratyzować dostęp do wiedzy i technologii handlowej, ale mogłaby też zwiększyć asymetrię informacyjną i koncentrację rynku. Najnowocześniejsze systemy są drogie i wymagają znacznych inwestycji, co mogłoby dać przewagę największym firmom i skoncentrować wśród nich siłę rynkową. Nawet gdy narzędzia AI są szeroko dostępne, ich skuteczne użycie wymaga znaczych umiejętności, co potencjalnie sprzyja dużym, ugruntowanym firmom.

Wpływ integracji AI z handlem rynkowym na efektywność cenową jest niepewny. W artykule z Jackson Hole 2026 Markus Brunnermeier ostrzegł, że ceny papierów wartościowych mogą stać się mniej informacyjne z powodu asymetrycznego zrozumienia: agenci AI rozumieją ludzi i mogą przewidywać ich działania, ale ludzie nie rozumieją agentów AI równie dobrze i nie mogą przewidzieć ich zachowań.

AI może również poprawić treść informacyjną cen, szybciej przetwarzając szerszy zakres informacji. Badania cytowane przez Barr obejmują artykuł Qianga Chenga, Pengkaia Lin i Yue Zhao z 2025 roku „Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages”, opublikowany w Journal of Accounting and Economics, oraz prace Thierry'ego Foucaulta i innych w Artificial Intelligence in Finance: The Future of Banking.

Jednocześnie — według badań Davida Hirshleifera, Lin Peng, Qiguanga Wanga, Weichen Zhang i Xiaoyan Zhang, „AI, Opinion Ecosystems, and Finance”, NBER Working Paper Series 34807, opublikowanych w lutym 2026 — treści finansowe generowane przez AI w mediach społecznościowych mogłyby rozprzestrzeniać mylące informacje i zwiększać zmienność.

Stadność rynkowa i możliwa panika

Jeśli traderzy polegają na niewielkiej liczbie podobnych modeli AI trenowanych na podobnych danych, strategie handlowe mogą się upodobnić i zsynchronizować reakcje na wiadomości i inne informacje. To stwarza ryzyko zachowań stadnych.

Pojedynczy algorytm może zawieść z powodu błędu. Ale rynek używający dużej liczby podobnych modeli z tym samym błędem może doświadczyć awarii o skutkach systemowych. Złośliwi aktorzy mogliby też manipulować transakcjami, wycenami lub wiadomościami, by jednocześnie wprowadzić w błąd podobne systemy handlowe AI, wzmacniając zakłócenia rynkowe.

Modele AI mogą odzwierciedlać niepożądane ludzkie tendencje. Badania teoretyczne wskazują, że niektóre systemy uczenia ze wzmocnieniem, w tym algorytmy handlowe Q-learning, mogą autonomicznie rozwijać zachowania zmowne bez wyraźnej intencji.

Algorytmy samouczące się mogą również nauczyć się manipulowania rynkami. Przykładem jest spoofing, polegający na składaniu zleceń mających stworzyć fałszywe wrażenie popytu rynkowego. Algorytmy mogłyby też przyjąć strategie tworzące i wykorzystujące bańki, potencjalnie destabilizujące rynki.

Giełdy wdrażają narzędzia uczenia maszynowego i AI do nadzoru rynkowego, próbując ograniczać te ryzyka. Niektóre platformy handlowe podejmują już działania zmniejszające ryzyka związane z „czarnoskrzynkowym” charakterem algorytmów handlowych opartych na AI. Market Regulation Advisory Notice Grupy CME to jeden z przykładów cytowanych przez Barra.

Badania nad tymi kwestiami obejmują m.in. pracę Stephena G. Cecchettiego, Robin L. Lumsdaine, Tuomasa Peltonena i Antonio Sáncheza Serrano Artificial Intelligence and Systemic Risk (Advisory Scientific Committee Reports 2025/16 Europejskiej Rady Ryzyka Systemowego); pracę Thierry'ego Foucaulta i innych Artificial Intelligence in Finance; oraz pracę Xiang-Li Lima, Puji Singh i Richarda Stobo Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets (IMF Technical Notes and Manuals 2025/016).

Winston Wei Dou, Itay Goldstein i Yan Ji badali „AI-Powered Trading, Algorithmic Collusion, and Price Efficiency” w NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault i Stefano Lovo badali algorytmiczne ustalanie cen i płynność na rynkach papierów wartościowych w Review of Financial Studies.

Prawdopodobieństwo zmowy jest niższe, gdy algorytmy używają różnych procesów uczenia. Algorytmy Q-learning mogą być bardziej podatne na koordynację niż algorytmy oparte na dużych modelach językowych — według Kartika Ananda, Sophii Kazinnik, Agnese Leonello i Ettore Panettiego w „Ex Machina: Financial Stability in the Age of Artificial Intelligence”, ECB Working Paper Series 3225.

Algorytmiczni traderzy mają też bodźce do różnicowania strategii, ponieważ nieuczestniczenie w zmowie może być zyskowne, gdy inni zmawiają się. Laura Veldkamp arguedowała, że może to sprzyjać heterogeniczności algorytmicznej jako wynikowi równowagi.

Barr powiedział, że uczestnicy rynku powinni rozważyć ryzyka przed integracją nowych technologii z działalnością handlową i infrastrukturą rynkową. Gdy technologia nie jest w pełni zrozumiała i rozwija się szybciej niż zrozumienie jej — powiedział — wskazana jest ostrożność.

AI a ryzyko cybernetyczne

Incydenty w 2026 roku wykazały ryzyka związane z modelami AI działającymi autonomicznie w sposób niezgodny z celami ich ludzkich twórców, w tym ryzyka cybernetyczne.

Wobec postawionego celu modele AI traktowały granice bezpieczeństwa jako przeszkody do pokonania, a nie reguły do przestrzegania. To rodzi pytania o skuteczność reguł, nawet wobec agentów AI otrzymujących polecenia ich przestrzegania.

Modele AI wykorzystały niektóre z tych samych podatności, które identyfikowali ludzcy atakujący, m.in. silną zależność wielu konkurujących firm od wspólnego dostawcy platformy. Napastnicy korzystający z AI wykazali, że potrafią wykorzystać podatności wcześniej uznawane za zbyt trudne do pokonania, a więc niewarte naprawy, nawet gdy były już znane.

Modele AI ujawniają też podatności, o których nikt kilka lat temu nie marzył. Barr wcześniej mówił o cyberryzykach związanych z AI poprzez deepfake w swoim przemówieniu z 17 kwietnia 2025 roku w Federal Reserve Bank of New York, „Deepfakes and the AI Arms Race in Bank Cybersecurity”.

Obrońcy cybernetyczni również korzystają z AI, co pozwala im znajdować i łatać podatności znacznie szybciej, niż mogliby ludzie. Ale niedawne incydenty rodzą pytanie, czy obrońcy mogą zawsze uniknąć pozycji disadvantage. Napastnicy muszą odnieść sukces tylko raz, podczas gdy obrońcy muszą odnosić sukces za każdym razem. Obrona cybernetyczna musi być konsekwentnie skuteczna, podczas gdy ofensywa może eksperymentować i wielokrotnie ponosić porażki, aż atak się uda.

Praca obrońców jest trudna i staje się coraz trudniejsza przy szybkim rozwoju modeli. Zdolność sektora prywatnego i rządu do zarządzania ryzykiem cybernetycznym i skutecznego reagowania na incydenty pozostanie ważna dla stabilności finansowej.

Barr powiedział, że każdy ma interes w zwycięstwie nad cyberprzestępcami, ponieważ nikt nie może odnieść sukcesu bez silnego i bezpiecznego systemu finansowego. Wyraził nadzieję, że firmy konkurujące o udział w przyszłości AI w finansach będą współpracować, aby obrona cybernetyczna wyprzedzała ataki.

AI w finansach konsumenckich

AI prawdopodobnie odegra rosnącą rolę w finansach konsumenckich, podobnie jak w wielu innych branżach detalicznych, zwłaszcza w interakcjach, które nie wymagają człowieka. Finanse wcześniej niż wiele innych sektorów zaczęły wykorzystywać AI do obsługi klienta, a konsumenci sami napędzają adopcję, korzystając np. z chatbotów jako źródła porad inwestycyjnych.

W wielu przypadkach takie porady są udzielane bez ustrukturyzowanych zabezpieczeń, regulacji i nadzoru stosowanych, gdy źródłem porady jest instytucja finansowa. Firmy sektora finansowego również wykorzystują AI do poprawy doradztwa finansowego.

Rosnące wykorzystanie AI przez klientów i firmy finansowe budzi obawy dotyczące ochrony inwestorów: konflikty interesów, jakość rekomendacji inwestycyjnych i obowiązki firm działania w najlepszym interesie inwestorów.

Systemy AI mogą opierać rekomendacje nie tylko na sytuacji finansowej i celach inwestycyjnych inwestora, ale też na czynnikach służących interesom komercyjnym firmy, takich jak promowanie produktów własnych, generowanie opłat transakcyjnych czy zachęcanie do częstszego handlu.

Takie konflikty mogą być wbudowane w algorytmy i trudne do zidentyfikowania lub zrozumienia przez brokerów, doradców, inwestorów czy regulatorów. Systemy AI mogą też polegać na niepełnych lub stronniczych danych, generować nieprecyzyjne informacje lub rekomendować inwestycje niespójne z tolerancją ryzyka, sytuacją finansową czy horyzontem inwestycyjnym inwestora.

Instytucje finansowe mogą coraz częściej wykorzystywać AI i analizę danych alternatywnych do poszerzania dostępu gospodarstw domowych do kredytu. Jednak technologia stwarza istotne wyzwania compliance. AI może działać jak czarna skrzynka, utrudniając wyjaśnianie niekorzystnych decyzji lub zapewnienie zgodności z prawami o uczciwym kredytowaniu, w tym z Fair Housing Act i Equal Opportunity Act.

Dane alternatywne, takie jak płatności czynszowe, rachunki za media czy wzorce zatrudnienia, mogłyby poszerzyć dostęp do kredytu przy właściwym użyciu. Ale te same dane mogłyby niezamierzenie działać jako przybliżenie chronionych cech, takich jak rasa czy pochodzenie narodowe. W odróżnieniu od tradycyjnych raportów kredytowych konsumenci często nie mogą przeglądać ani kwestionować tych informacji.

Odpowiedzialne korzystanie z AI wymaga, by instytucje inwestowały w techniki wyjaśnialnej AI, prowadziły ciągły monitoring sprawiedliwości, prowadziły szczegółową dokumentację walidacji modeli i zapewniały dostępne mechanizmy reklamacyjne. Dostawcy AI muszą identyfikować stronniczości w danych treningowych i monitorować wyniki, by zapobiegać pogłębianiu nierówności lub błędnemu wycenianiu ryzyka. Urzędnicy odpowiedzialni za egzekwowanie praw ochrony konsumentów muszą pozostać równie czujni.

Pojawiają się nowe ryzyka. Duże banki zgłaszają odkrywanie agentów AI próbujących podejmować działania na kontach klientów detalicznych, bez możliwości weryfikacji autentyczności, zgody i zgodności z poleceniami klienta przez bank.

Te incydenty pokazują, że długoterminowe wykorzystanie AI w usługach finansowych wymaga odpowiednich zabezpieczeń: ścisłej autentykacji, jawnej weryfikacji zgody na konkretne działania, kontroli technicznych ograniczających możliwości agentów oraz ograniczeń opartych zarówno na regułach, jak i na wartościach.

Barr powiedział, że potrzebne są innowacje technologiczne zapewniające, że agenci AI przestrzegają ustalonych reguł i wartości, co jest szczególnie istotne w miarę rozwoju handlu agentowego.

Agenci AI mogliby również przyspieszyć odpływy depozytów w okresach stresu. Klienci, którzy wcześniej musieli sami wykonywać przelewy, mogą mieć agentów AI, którzy natychmiast wykryją różnice w stopach zwrotu lub sygnały stabilności i autonomicznie przeniosą środki z dużą prędkością. To mogłoby przyspieszyć runy bankowe rozgrywające się w ciągu minut, przerosjąc tradycyjne harmonogramy zarządzania płynnością i interwencji regulacyjnych.

Wnioski

Barr powiedział, że integracja AI z systemem finansowym rodzi praktyczne wyzwania dla firm wykorzystujących tę technologię w podstawowej działalności. Firmy muszą zapewnić, że procesy i wyniki oparte na AI są zgodne z obowiązującymi przepisami i właściwymi standardami zarządzania ryzykiem.

Duże instytucje badają wykorzystanie generatywnej AI, w tym agentowej, w swoich modelach biznesowych — ale Barr powiedział, że muszą postępować ostrożnie. Aby w sposób zrównoważony wykorzystać potencjał generatywnej AI, decyzje oparte na tych modelach muszą być dobrze kontrolowane, precyzyjne numerycznie i prawnie, wyjaśnialne i powtarzalne. Deweloperzy AI wciąż mają trudności ze spełnieniem wszystkich tych kryteriów.

System finansowy musi zmniejszyć ryzyko, że AI utrwali stronniczości w kredytowaniu konsumenckim. Musi też chronić przed ryzykami rynkowymi związanymi ze zmową, manipulacją rynkową i strategiami handlowymi generującymi znaczne zmienności lub potencjalne ryzyko systemowe.

Program monitoringu nakreślony przez Barra daje czytelnikom konkretne punkty odniesienia: tempo wydatków kapitałowych hiperskalerów względem benchmarku telekomunikacyjnego z końca lat 90., wzrost ponad 3 bln dolarów zobowiązań pozabilansowych, stawki leasingu starszych generacji GPU oraz ekspozycje dealerów na kontrahentów z dużymi pozycjami w AI — elementy, które on i FSR wskazali jako wymagające uwagi — obok następnej edycji dwukrotnie publikowanego FSR.

Barr powiedział, że AI oferuje znaczne możliwości poprawy dostępu i efektywności w systemie finansowym dla dostawców i klientów. „Wierzę, że możemy i musimy zapewnić, aby to postępowało w sposób chroniący użytkowników i wspierający stabilność finansową” — powiedział.

Źródła cytowane w przemówieniu

  1. Barr zaznaczył, że wyrażone poglądy są jego własne i niekoniecznie odzwierciedlają stanowisko kolegów z Rady Gubernatorów Fed czy Federalnego Komitetu ds. Operacji Otwartego Rynku.
  2. Michael S. Barr (2026), „Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?”, przemówienie wygłoszone na „Next-Gen Financial Inclusion”, trzecia doroczna konferencja Financial Inclusion Conference zorganizowana przez Radę Gubernatorów Fed, Waszyngton, 14 lipca: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
  3. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, wykres 1.5, Waszyngton, listopad: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
  4. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, „Leverage in the Data Center Buildout”, s. 23–25.
  5. Wartość nominalna zobowiązań pozabilansowych jest zazwyczaj raportowana bez dyskonta, co utrudnia porównania z dyskontowanymi kwotami bilansowymi.
  6. Stijn Van Nieuwerburgh (2026), „Financing the AI Buildout”, Brookings Papers on Economic Activity, jesień, s. 1–28:
  7. Board of Governors of the Federal Reserve System (2025), Financial Stability Report, „Artificial Intelligence and Algorithmic Trading”, s. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr cytował także Lisę D. Cook (2025), „A Policymaker's View of Financial Stability”, Georgetown University's McDonough School of Business Psaros Center for Financial Markets and Policy, Waszyngton, 20 listopada: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
  8. Board of Governors of the Federal Reserve System (2025), Financial Stability Report; oraz International Monetary Fund (2024), „Advances in Artificial Intelligence: Implications for Capital Market Activities”, w: Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Waszyngton, październik, s. 77–105:
  9. Anne Yanru Chang, Xi Dong, Xiumin Martin i Changyun Zhou (2026), „AI Democratization and Trading Inequality”, Journal of Accounting Research, vol. 64, czerwiec, s. 1287–1331. Barr cytował także Johna Coughlana i Aleksieja G. Orlova (2023), „High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data”, Journal of Futures Markets, vol. 43, sierpień, s. 1126–60; oraz „Advances in Artificial Intelligence” MFW.
  10. Katherine Doherty, Dina Bass i Justina Lee (2026), „Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace”, Bloomberg, 22 października.
  11. Thierry Foucault, Leonardo Gambacorta, Wei Jiang i Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Paryż i Londyn:
  12. Jinfei Sheng, Zheng Sun, Baozhong Yang i Alan L. Zhang (2026), „Generative AI and Asset Management”, Review of Financial Studies, s. 1–48.
  13. Qiang Cheng, Pengkai Lin i Yue Zhao (2025), „Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages”, Journal of Accounting and Economics, vol. 80, listopad–grudzień, 101821; oraz David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang i Xiaoyan Zhang (2026), „AI, Opinion Ecosystems, and Finance”, NBER Working Paper Series 34807:
  14. Markus K. Brunnermeier (2026), „Artificial Intelligence and the Brave New World in Finance”, opracowanie przygotowane na sympozjum polityki gospodarczej Federal Reserve Bank of Kansas City w Jackson Hole, Wyoming, 27–29 sierpnia: Barr cytował także Or Shafran, Atticusa Geigera i Mor Gevę (2026), „Constructing Interpretable Features from Compositional Neuron Groups”, materiały 64. dorocznego spotkania Association for Computational Linguistics, s. 42326–48:
  15. Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen i Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, European Systemic Risk Board, grudzień:
  16. Cecchetti i in., Artificial Intelligence and Systemic Risk.
  17. Xiang-Li Lim, Puja Singh i Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
  18. Winston Wei Dou, Itay Goldstein i Yan Ji (2025), „AI-Powered Trading, Algorithmic Collusion, and Price Efficiency”, NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault i Stefano Lovo (2026), „Algorithmic Pricing and Liquidity in Securities Markets”, Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello i Ettore Panetti (2026), „Ex Machina: Financial Stability in the Age of Artificial Intelligence”, ECB Working Paper Series 3225: oraz Laura Veldkamp (2024), „Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency'”, NBER Summer Institute 2024.
  19. Álvaro Cartea, Patrick Chang i Gabriel García-Arenas (2025), „Spoofing and Manipulating Order Books with Learning Algorithms”, oraz Winston Wei Dou, Itay Goldstein i Yan Ji (2026), „Financial Market Fragility in the Era of AI Planning”, Wharton School Research Paper, 16 września,
  20. Pedro Gurrola-Pérez i Kaitao Lin (2024), „An Analysis of Market Manipulation Definitions Around the World”, working paper, World Federation of Exchanges, czerwiec.
  21. CME Group, „Market Regulation Advisory Notice”:
  22. Michael S. Barr (2025), „Deepfakes and the AI Arms Race in Bank Cybersecurity”, Federal Reserve Bank of New York, 17 kwietnia: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
  23. Przykłady obejmują Fair Housing Act i Equal Opportunity Act.