Algorytmiczne ustalanie cen w fintechu: 7 ryzyk

Ostatnia aktualizacja: czerwiec 2026

Czym jest algorytmiczne ustalanie cen w fintechu?

Algorytmiczne ustalanie cen fintechu oznacza, że cena nie jest jedną tabelą dla wszystkich klientów. System oblicza ją w czasie rzeczywistym na podstawie danych o ryzyku, kontekście rynkowym i prawdopodobnej reakcji użytkownika. Dla kredytu będzie to marża albo RRSO, dla BNPL wysokość opłat i limitu, dla kantoru lub brokera CFD spread, a dla ubezpieczenia składka. To nie jest to samo co zwykła promocja ani klasyczne prawo elastyczności cenowej popytu z podręcznika. Różnica polega na skali i automatyzacji: model widzi tysiące cech i wybiera cenę dla jednej sesji.

W praktyce trzeba rozdzielić trzy pojęcia, które często są wrzucane do jednego worka:

Jak działa produkcyjny system cenowy AI?

Dobry system nie jest jednym magicznym modelem. Zwykle składa się z pięciu warstw: magazynu cech, modelu ryzyka, modelu reakcji klienta, selektora ceny i bramki zgodności. To rozdzielenie jest ważne, bo każda warstwa odpowiada na inne pytanie. Model ryzyka mówi, ile firma może stracić. Model elastyczności mówi, jak klient zareaguje na cenę. Selekcja ceny wybiera wariant, a bramka zgodności sprawdza, czy wynik nie łamie polityki fairness, RODO lub zobowiązań wobec klienta.

Najtrudniejszy element to brak kontrfaktyków. Jeżeli klient dostał ofertę kredytu z RRSO 18%, firma nie wie, czy zaakceptowałby 15%, 16% albo 21%. Dlatego w pricingu pojawiają się contextual bandits: algorytmy, które uczą się na kolejnych ekspozycjach i równoważą eksplorację z wykorzystywaniem najlepszej znanej ceny. W praktyce model ryzyka i bandit powinny być rozdzielone, bo model ryzyka da się walidować na danych spłat, a bandit uczy się zachowania klienta przy cenie.

Gdzie wchodzi prawo: AI Act, RODO, Omnibus, CCD2

Najważniejszy punkt w EU AI Act to Aneks III pkt 5. Litera (b) obejmuje systemy AI używane do oceny zdolności kredytowej osób fizycznych lub ustanawiania ich scoringu kredytowego, z wyjątkiem wykrywania oszustw finansowych. Litera (c) obejmuje systemy używane do oceny ryzyka i pricingu w ubezpieczeniach życia i zdrowia. To oznacza, że algorytmiczna wycena kredytu i część ubezpieczeń nie jest zwykłą optymalizacją marży. To system, który może materialnie wpłynąć na dostęp do podstawowych usług prywatnych.

Terminy trzeba dziś czytać ostrożnie. Oryginalny tekst rozporządzenia 2024/1689 wprowadzał główne obowiązki według harmonogramu 2026-2027, ale 7 maja 2026 r. Komisja ogłosiła polityczne porozumienie w sprawie AI Omnibus. W publikacji z 19 maja 2026 r. Komisja wskazuje nowy termin dla części systemów wysokiego ryzyka: 2 grudnia 2027 r., a dla systemów wbudowanych w produkty: 2 sierpnia 2028 r. Dla zespołu fintech praktyczna konkluzja nie brzmi „czekamy”. Brzmi: model card, logi, testy fairness i ścieżka odwoławcza powinny powstać teraz, bo RODO art. 22 działa niezależnie od AI Act.

Wyrok TSUE w sprawie Schufa z 7 grudnia 2023 r. zmienił ciężar rozmowy o scoringu. Trybunał wskazał, że scoring może być zautomatyzowaną decyzją indywidualną, jeśli odgrywa determinującą rolę przy udzieleniu kredytu. Dla pricingu oznacza to coś bardzo konkretnego: jeżeli model podnosi klientowi koszt kredytu albo obniża limit w sposób, którego firma nie potrafi wyjaśnić, problem nie zaczyna się dopiero przy odmowie. Problem zaczyna się przy samej cenie.

Osobno działa Omnibus. Jeżeli cena dla konsumenta została indywidualnie dostosowana na podstawie zautomatyzowanego podejmowania decyzji, przedsiębiorca musi jasno poinformować o tym przed zawarciem umowy. UOKiK podaje przykłady takie jak lokalizacja, urządzenie albo historia przeglądania. To nie zakazuje personalizacji, ale zabiera firmie luksus ukrywania faktu, że cena jest wynikiem profilowania.

7 ryzyk, które trzeba sprawdzić przed wdrożeniem

1. Dyskryminacja proxy. Model nie musi widzieć płci, wieku czy pochodzenia. Kod pocztowy, język przeglądarki, typ urządzenia i wzorce transakcji potrafią odtworzyć chronione cechy pośrednio. Usunięcie kolumny z cechą chronioną nie wystarcza.
2. Niewyjaśnialna cena. Klient może nie potrzebować pełnego wzoru, ale firma musi umieć pokazać logikę decyzji, główne czynniki i sensowną ścieżkę zakwestionowania wyniku.
3. Uczenie się „wrażliwości na cenę”. Model może nauczyć się, że niektóre grupy akceptują gorsze warunki, bo mają mniej alternatyw. To ekonomicznie skuteczne, ale regulacyjnie i reputacyjnie toksyczne.
4. Dryft po zmianie stóp procentowych. Model trenowany w środowisku taniego pieniądza może źle kalibrować ryzyko po zmianie WIBOR, EURIBOR albo kosztu finansowania.
5. Koluzja algorytmiczna. Badanie Calvano et al. pokazało, że niezależne algorytmy pricingowe mogą nauczyć się cen ponadkonkurencyjnych bez jawnej komunikacji. RealPage pokazał drugi wariant ryzyka: wspólny algorytm i wspólne dane konkurentów.
6. Brak logów eksploracji. Jeśli bandit nie zapisuje, jakie ceny rozważał i z jakim prawdopodobieństwem je wybierał, później nie da się zrobić solidnej oceny off-policy ani obronić decyzji przed audytem.
7. Dark patterns i kotwice cenowe. Cena algorytmiczna może być technicznie poprawna, ale połączona z presją czasu, nieuczciwą kotwicą albo ukrytym kosztem staje się problemem konsumenckim. Tu wchodzi psychologia decyzji, podobna do mechanizmu opisanego w tekście o efekcie zakotwiczenia.

Jak audytować algorytmiczną cenę?

Audyt powinien patrzeć na wynik, a nie tylko na listę cech. Jeżeli dwie osoby o porównywalnym ryzyku dostają różne ceny, system musi umieć wyjaśnić różnicę operacyjnie i prawnie. W praktyce kontrola ma trzy warstwy.

Model card dla takiego systemu nie jest ozdobą. Powinien zawierać cel modelu, zakres produktów, zakazane użycia, architekturę, źródła danych, metryki według segmentów, sposób wyjaśniania decyzji, procedurę override i plan monitoringu. To naturalne rozszerzenie pracy opisanej w artykule o ocenie zdolności kredytowej AI.

Przykład: spread FX i CFD

W tradingu różnica między ceną kupna i sprzedaży jest jednym z najprostszych przykładów ceny algorytmicznej. Spread na parze walutowej albo złocie może się rozszerzyć przed decyzją Fed, publikacją CPI albo danymi NFP, bo market maker widzi większe ryzyko adverse selection. Klient, który składa zlecenie pięć minut przed publikacją danych, może być bardziej poinformowany niż klient składający zlecenie w środku spokojnej sesji. System podnosi koszt transakcji, żeby skompensować ryzyko.

To różni się od kredytu, ale logika jest podobna: cena jest funkcją ryzyka i kontekstu. W kredycie kontekstem jest historia spłat, dochód, zobowiązania i cena pieniądza; w CFD kontekstem jest zmienność, płynność, kalendarz makro i przepływ zleceń. Po stronie użytkownika warto to łączyć z analizą spreadu i zasadami z tekstu o praktycznym tradingu CFD. Po stronie firmy warto pamiętać, że dynamiczny spread nie jest automatycznie problemem, ale brak uzasadnienia i logów już może nim być.

Podsumowanie

Algorytmiczne ustalanie cen w fintechu jest jednocześnie techniką optymalizacji, decyzją konsumencką i potencjalnie systemem wysokiego ryzyka. Najgorszy błąd zespołu produktowego to traktować pricing jako „tylko marżę”. W produktach finansowych cena decyduje o dostępie do kapitału, koszcie ryzyka i realnych szansach klienta. Dlatego sensowny system musi mieć nie tylko dobry model, lecz także kontrolę danych, wyjaśnienia, logi, audyt fairness i dokumentację, którą da się pokazać regulatorowi.