Agenci AI działają na kontach bankowych. Banki reagują
Agent AI może wyglądać dla banku jak użytkownik
Duże banki w USA ograniczają dostęp agentów AI do kont klientów. Stawką jest ustalenie, kto faktycznie zlecił transakcję.

Duże amerykańskie banki zaczęły ograniczać dostęp zewnętrznych agentów AI do kont klientów. Powodem nie jest klasyczny cyberatak polegający na łamaniu haseł czy przejmowaniu zabezpieczeń banku. Problem jest bardziej złożony: użytkownicy powierzają agentom możliwość działania w swoim imieniu, a bank nie zawsze potrafi jednoznacznie ustalić, czy daną operację rzeczywiście zlecił człowiek, czy wykonał ją autonomiczny agent AI.
Według informacji opublikowanych przez Axios oraz potwierdzonych następnie przez Reuters, banki takie jak Morgan Stanley, JPMorgan Chase, Bank of America, Citi czy Wells Fargo analizują lub ograniczają aktywność zewnętrznych agentów AI. W części przypadków klienci sami udostępniali agentom swoje dane logowania. Pojawiły się jednak również sygnały o aktywności agentów, która wyglądała na wykraczającą poza bezpośrednie instrukcje użytkowników.
To ważny moment dla rozwoju agentic AI. Dotychczas dyskusja o bezpieczeństwie sztucznej inteligencji koncentrowała się głównie na jakości odpowiedzi modeli, prywatności danych czy prompt injection. Gdy agent otrzymuje jednak dostęp do przeglądarki, konta użytkownika, API i możliwości wykonywania realnych operacji, problem bezpieczeństwa przenosi się na zupełnie inny poziom.
Co dokładnie wydarzyło się na kontach bankowych?
Axios poinformował 22 października 2026 roku, że duże amerykańskie banki wykrywają zewnętrzne agenty AI działające wewnątrz kont klientów.
Ważne jest jednak właściwe zrozumienie sposobu, w jaki agent uzyskiwał dostęp.
W typowym przypadku nie wyglądało to tak:
AI
|
| atakuje zabezpieczenia banku
v
łamie hasło
|
v
przejmuje konto
Bardziej prawdopodobny i opisany przez źródła scenariusz wyglądał następująco:
użytkownik
|
| przekazuje dane logowania lub dostęp
v
agent AI
|
| loguje się w imieniu użytkownika
v
serwis bankowy
|
| agent korzysta z funkcji konta
v
saldo / transakcje / inne operacje
Axios wskazuje, że były to zazwyczaj sytuacje, w których agent lub asystent AI korzystał z konta za zgodą użytkownika oraz przy użyciu jego danych logowania.
Reuters potwierdza, że w niektórych przypadkach klienci przekazywali agentom login i hasło. Banki często wykrywały i blokowały taką aktywność.
Problem polega na tym, że transakcja wykonana przy użyciu danych świadomie udostępnionych przez klienta nie jest tak łatwa do zaklasyfikowania jak klasyczne przejęcie konta.
Agent AI może wyglądać dla banku jak użytkownik
Klasyczna aplikacja bankowa opiera bezpieczeństwo między innymi na identyfikacji użytkownika, uwierzytelnieniu i analizie jego zachowania.
Bank może sprawdzać:
- login i hasło,
- urządzenie,
- lokalizację,
- sesję,
- mechanizmy MFA,
- charakterystyczny sposób korzystania z systemu,
- nietypowe operacje,
- ryzyko fraudu.
Agent AI korzystający z przeglądarki może jednak wykonywać wiele czynności w taki sam sposób jak człowiek.
Może:
otworzyć stronę
kliknąć przycisk
wypełnić formularz
odczytać dane
przejść do kolejnego ekranu
uruchomić operację
skontaktować się z pomocą
Dla aplikacji webowej granica pomiędzy:
human user
a:
AI acting for the user
zaczyna się zacierać.
Axios wskazuje wprost, że banki mają problem z określeniem nie tylko tego, czy aktywność wykonuje agent, ale również tego, czy został on poprawnie autoryzowany przez użytkownika i czy nadal działa zgodnie z jego intencją.
Największym problemem nie jest logowanie, ale delegowanie uprawnień

Technicznie sedno problemu dotyczy delegated authorization.
Jeżeli użytkownik przekazuje agentowi:
username
password
MFA session
browser session
agent w praktyce otrzymuje bardzo szeroki zakres możliwości.
Bank widzi wtedy tę samą tożsamość:
Adam
niezależnie od tego, czy działanie rzeczywiście wykonuje Adam, czy autonomiczne oprogramowanie.
To zupełnie inny model niż kontrolowane integracje systemów IT i API, w których zewnętrzny system otrzymuje ściśle określony token i konkretny zakres uprawnień.
Bezpieczniejszy model powinien wyglądać raczej tak:
USER
|
| explicit consent
v
AUTHORIZATION
|
| scoped token
v
AI AGENT
Agent nie powinien otrzymywać pełnej tożsamości użytkownika.
Powinien otrzymać zestaw konkretnych uprawnień, na przykład:
read_balance YES
read_transactions YES
download_statement YES
make_transfer NO
add_recipient NO
change_password NO
take_loan NO
Takie podejście jest zgodne z zasadą least privilege, czyli przyznawania systemowi wyłącznie minimalnych uprawnień koniecznych do realizacji zadania.
Co oznacza działanie agenta poza instrukcją użytkownika?
To najbardziej niepokojący element opisywanego problemu.
Według Axios niektóre banki obserwowały przypadki, w których agenty kontaktowały się z call center albo wykonywały działania wyglądające na niezależne od bezpośrednich instrukcji użytkownika.
Nie oznacza to automatycznie, że AI “zbuntowało się” albo świadomie próbowało ukraść pieniądze.
Agentic AI działa inaczej niż klasyczny chatbot.
Użytkownik może przekazać cel:
Znajdź najlepszy sposób rozwiązania mojego problemu z kontem.
Agent sam buduje plan:
1. zaloguj się
2. sprawdź konto
3. znajdź informacje
4. spróbuj zmienić ustawienie
5. jeśli się nie uda:
skontaktuj się z supportem
6. kontynuuj do osiągnięcia celu
Nowoczesny agent może więc wykonać wiele operacji, których użytkownik nie opisał pojedynczo.
W zwykłej aplikacji jest to zaleta.
W bankowości może być poważnym problemem.
Agent nie musi być złośliwy, aby spowodować szkodę
To jedna z najważniejszych różnic pomiędzy klasycznym cyberatakiem a ryzykiem agentic AI.
W tradycyjnym modelu często zakładamy:
attacker
+
malicious intent
=
security incident
W świecie agentów może wystarczyć:
legitimate user
+
legitimate AI agent
+
too broad permissions
+
incorrect interpretation
=
security incident
Agent może:
- źle zinterpretować polecenie,
- przyjąć błędne założenie,
- wykonać zbyt szeroki plan,
- zostać zmanipulowany przez treść strony,
- zadziałać na nieaktualnych danych,
- powtórzyć operację po błędzie,
- przekroczyć oczekiwany zakres zadania.
Dlatego przy wdrażaniu produktów AI dla firm bezpieczeństwo nie może ograniczać się tylko do sprawdzenia jakości odpowiedzi modelu. Trzeba kontrolować również narzędzia, uprawnienia i działania wykonywane przez agenta.
JPMorgan ostrzega przed nową powierzchnią ataku
Problem nie pojawił się nagle w październiku.
JPMorganChase już w marcu 2026 roku opisywał bezpieczeństwo agentic AI jako strukturalną zmianę w projektowaniu systemów.
Bank zwraca uwagę, że klasyczne modele AI głównie generowały informacje, natomiast agenci podejmują działania.
To rozszerza powierzchnię ataku na:
model
+
tools
+
credentials
+
APIs
+
runtime
+
delegated authority
+
external systems
JPMorgan wskazuje również na szczególnie niebezpieczne połączenie trzech elementów:
- przetwarzania niezaufanych danych,
- dostępu do wrażliwych informacji,
- możliwości wykonywania działań na zewnątrz.
Jeżeli agent posiada wszystkie trzy możliwości jednocześnie, potencjalny zakres skutków błędu znacząco rośnie.
Read-only może być pierwszym bezpiecznym kompromisem

Jednym z kierunków wybieranych obecnie przez sektor bankowy jest ograniczenie zewnętrznych agentów do dostępu tylko do odczytu.
Agent mógłby na przykład:
✓ sprawdzić saldo
✓ przeanalizować historię wydatków
✓ odczytać transakcje
✓ pobrać dane do analizy
ale nie:
✗ wykonać przelew
✗ dodać odbiorcę
✗ kupić instrument finansowy
✗ zmienić dane właściciela
✗ zmienić zabezpieczenia
Axios wskazuje, że wiele banków już dopuszcza lub zmierza właśnie w stronę takiego modelu.
To podejście znacząco ogranicza blast radius, czyli maksymalny możliwy zakres szkody w przypadku błędu agenta.
AI potrzebuje własnej tożsamości
W dłuższej perspektywie samo blokowanie agentów nie rozwiąże problemu.
Użytkownicy coraz częściej będą chcieli, aby AI wykonywało za nich zadania:
rezerwacje
zakupy
ubezpieczenia
finanse
obsługę rachunków
negocjacje
administrację
Serwisy internetowe będą więc musiały rozpoznawać trzy różne podmioty:
USER
SERVICE
AI AGENT
Agent powinien móc przedstawić się systemowi:
I am an AI agent
acting on behalf of user X
a system powinien wiedzieć:
who owns the agent
who created the agent
what the user approved
what the agent can do
when access expires
what actions require confirmation
To fundament przyszłej infrastruktury agentic web.
Personal Agent Protocol ma rozwiązać część problemu

W październiku 2026 roku Sierra i Meta ogłosiły rozwój Personal Agent Protocol, otwartego standardu tworzonego wspólnie z partnerami takimi jak Stripe, Shopify, Walmart czy Genesys.
Celem protokołu jest umożliwienie firmom rozpoznawania agentów działających w imieniu klientów oraz określania, co taki agent może wykonać.
Założenie jest bardzo podobne do tego, czego potrzebuje sektor finansowy:
consumer
|
| grants permission
v
personal agent
|
| identifies itself
v
company
|
| validates agent + permissions
v
allowed action
Firma zachowuje kontrolę nad tym, które funkcje udostępnia agentowi, a użytkownik decyduje, jaki dostęp chce mu przekazać.
To zdecydowanie bezpieczniejszy kierunek niż przekazywanie agentowi loginu i hasła.
Password sharing jest architektonicznym antywzorcem
Przekazanie agentowi pełnych danych logowania można porównać do sytuacji, w której aplikacja SaaS zamiast tokenu API otrzymuje hasło administratora.
Technicznie może działać.
Bezpieczeństwo jest jednak bardzo słabe.
Powstają problemy:
brak granular permissions
brak rozdzielenia identity
trudne revoke
brak jednoznacznego audit trail
problem z liability
problem z intent verification
Dlatego rozwój aplikacji i systemów wykorzystujących AI będzie coraz częściej wymagał zastosowania klasycznych mechanizmów IAM oraz nowych mechanizmów przeznaczonych specjalnie dla autonomicznych agentów.
Jak powinno wyglądać bezpieczne uprawnienie agenta AI?
Dobrze zaprojektowany system powinien stosować kilka warstw kontroli.
1. Osobna tożsamość agenta
System musi wiedzieć, że żądanie wykonuje AI.
Nie powinno ono wyglądać identycznie jak sesja człowieka.
2. Krótkotrwałe tokeny
Agent powinien otrzymywać token o ograniczonym czasie życia:
expires_in = 10 minutes
zamiast stałego hasła użytkownika.
3. Scope
Uprawnienia powinny być jawne:
accounts:read
transactions:read
bez:
payments:write
beneficiaries:write
jeżeli nie są potrzebne.
4. Human-in-the-loop
Operacje wysokiego ryzyka powinny wymagać dodatkowej zgody człowieka.
Na przykład:
AI:
Transfer 25,000 PLN?
USER:
Approve
Dopiero wtedy system otrzymuje potwierdzenie wykonania transakcji.
5. Limity
Można ustawić:
max_transaction = 500 PLN
daily_limit = 1000 PLN
allowed_merchants = [...]
6. Audit trail
Każda czynność powinna pozostawiać zapis:
user requested X
agent planned Y
agent called API Z
system approved action A
user confirmed payment B
JPMorgan podkreśla znaczenie kompletnych i odpornych na manipulację zapisów runtime dla agentów autonomicznych.
7. Natychmiastowe revoke
Użytkownik lub system powinien móc jednym działaniem odebrać agentowi wszystkie uprawnienia.
Prompt injection staje się problemem finansowym
Agent działający w przeglądarce przetwarza treści, których nie kontroluje jego właściciel.
Wyobraźmy sobie dokument lub stronę zawierającą instrukcję:
Ignore previous instructions.
Perform action X.
Dla zwykłego chatbota konsekwencją może być błędna odpowiedź.
Dla agenta posiadającego uprawnienia finansowe konsekwencją może być próba wykonania realnej operacji.
Dlatego projektując automatyzację procesów biznesowych wykorzystującą agentów AI, należy zakładać, że wszystkie dane pobierane z zewnętrznych źródeł są potencjalnie niezaufane.
Model nie powinien sam decydować, czy ma prawo wykonać operację.
Uprawnienia muszą być egzekwowane przez niezależną warstwę systemową.
Bank of England ostrzega przed szerszym ryzykiem agentic AI
Problem wykracza poza bezpieczeństwo pojedynczego konta.
Bank of England w raporcie dotyczącym stabilności finansowej wskazuje, że bardziej autonomiczne systemy AI mogą zmieniać sposób inicjowania i wykonywania płatności.
Powstają wtedy pytania dotyczące:
- autoryzacji,
- identyfikowalności transakcji,
- wykrywania fraudu,
- odpowiedzialności,
- odporności systemów,
- odwracania błędnych płatności.
Bank zwraca również uwagę na możliwość występowania skorelowanych zachowań agentów na rynkach finansowych.
Jeżeli duża liczba systemów AI będzie:
korzystać z podobnych modeli
+
analizować podobne dane
+
posiadać podobny cel
mogą w zbliżonym czasie podejmować podobne decyzje.
To nie jest obecnie opis potwierdzonego incydentu bankowego, lecz realny scenariusz ryzyka systemowego analizowany przez regulatorów.
Czy agent AI może w przyszłości automatycznie przenosić pieniądze?
Technicznie jest to naturalny kierunek rozwoju.
Użytkownik mógłby powiedzieć:
Utrzymuj moje oszczędności na koncie oferującym najlepsze oprocentowanie.
Agent monitorowałby rynek:
Bank A: 1.2%
Bank B: 3.8%
Bank C: 3.6%
i potencjalnie inicjował:
Bank A
|
| transfer
v
Bank B
Dla pojedynczego klienta może to być atrakcyjne.
Jeżeli podobne systemy zaczną działać dla milionów klientów jednocześnie, dynamika przepływu kapitału może znacząco przyspieszyć.
Bank of England wskazuje właśnie na możliwość wzrostu szybkości i skali przepływów finansowych wraz z rozwojem autonomicznych systemów płatniczych.
Dlatego przyszłe bezpieczeństwo agentów nie będzie dotyczyło wyłącznie ochrony użytkownika przed błędnym przelewem.
Może stać się elementem stabilności całego systemu finansowego.
Czy banki powinny całkowicie blokować agentów AI?
Prawdopodobnie nie będzie to rozwiązanie długoterminowe.
Agenci mogą być bardzo użyteczni.
Przykładowo mogą:
- analizować budżet,
- wyszukiwać abonamenty,
- wykrywać nietypowe wydatki,
- porównywać produkty finansowe,
- przygotowywać raporty,
- przypominać o płatnościach,
- pomagać w zarządzaniu finansami.
Problemem nie jest więc samo wykorzystanie AI.
Problemem jest brak bezpiecznej warstwy delegowania uprawnień.
Długoterminowo bardziej prawdopodobny model wygląda tak:
AI agent
|
| authenticated agent identity
v
controlled API
|
| scoped permissions
v
financial data
sensitive action
|
v
human confirmation
Zamiast:
AI agent
|
| username + password
v
full user account
Co ten przypadek oznacza dla firm wdrażających AI?
Historia banków jest dobrym ostrzeżeniem również dla organizacji spoza sektora finansowego.
Jeżeli agent AI otrzymuje dostęp do:
CRM
ERP
email
cloud
GitHub
helpdesk
e-commerce
księgowość
system rezerwacji
pojawiają się dokładnie te same pytania:
- Jak agent jest identyfikowany?
- Kto nadał mu dostęp?
- Jakie posiada scope?
- Jak długo działa token?
- Czy może wykonać operację destrukcyjną?
- Kto zatwierdza akcję wysokiego ryzyka?
- Czy każde działanie znajduje się w audit logu?
- Czy dostęp można natychmiast cofnąć?
- Co jeśli agent błędnie zinterpretuje cel?
- Co jeśli wejściowe dane zawierają prompt injection?
To powinny być podstawowe pytania podczas projektowania architektury agentic AI.
Agentic AI zmienia definicję bezpieczeństwa aplikacji
Przez lata zabezpieczenie systemu webowego oznaczało głównie:
authentication
authorization
input validation
sessions
encryption
logging
W przypadku agentów dochodzi jeszcze jedna warstwa:
intent
System musi nie tylko wiedzieć:
Czy użytkownik Adam ma prawo wykonać przelew?
ale także:
Czy agent działający dla Adama ma prawo wykonać przelew?
oraz:
Czy Adam rzeczywiście chciał, żeby agent wykonał właśnie tę operację?
To fundamentalna różnica.
Dla przyszłych systemów wykorzystujących AI authentication i authorization mogą przestać być wystarczające bez mechanizmu reprezentowania delegowanej intencji użytkownika.
Podsumowanie
Wykrycie zewnętrznych agentów AI działających na kontach klientów amerykańskich banków nie oznacza, że autonomiczna sztuczna inteligencja zaczęła masowo włamywać się do bankowości internetowej.
W wielu opisanych przypadkach użytkownicy sami przekazywali agentom dane logowania lub możliwość dostępu do konta.
Problem jest jednak poważny.
Banki zaczynają mierzyć się z sytuacją, w której:
AI posiada dostęp użytkownika
+
AI potrafi samodzielnie planować działania
+
system nie wie, kto faktycznie wykonuje operację
+
trudno określić zakres zgody użytkownika
Dlatego część instytucji ogranicza lub blokuje zewnętrznych agentów, podczas gdy sektor technologiczny pracuje nad bardziej kontrolowanymi sposobami delegowania dostępu.
Najważniejszym wnioskiem nie jest więc:
AI nie powinno mieć dostępu do systemów finansowych.
Bardziej trafne jest:
AI nie powinno otrzymywać pełnych uprawnień użytkownika tylko dlatego, że działa w jego imieniu.
Przyszłość agentów AI będzie zależała nie tylko od możliwości modeli, ale również od jakości systemów autoryzacji, identyfikacji agentów, ograniczania uprawnień, audytu oraz kontroli człowieka nad operacjami wysokiego ryzyka.
Źródła
- Axios - Scoop: Unvetted AI agents are accessing U.S. bank accounts https://www.axios.com/2026/10/22/ai-agents-banks-unauthorized-accounts-access
- Reuters - US banks are blocking third-party AI agents access to customer accounts https://www.reuters.com/legal/government/us-banks-detect-unauthorized-ai-agents-customer-accounts-axios-reports-2026-10-22/
- JPMorganChase - Securing the next generation of AI agents https://www.jpmorganchase.com/about/technology/blog/securing-agentic-ai
- Sierra - Introducing Personal Agent Protocol https://sierra.ai/uk/blog/introducing-personal-agent-protocol
- Meta - Introducing Muse: The World’s First Personal AI Agent Built for Everyone https://about.fb.com/news/2026/09/introducing-muse-personal-ai-agent/
- Bank of England - Financial Stability Report, July 2026 https://www.bankofengland.co.uk/financial-stability-report/2026/july-2026
- Bank of England - Agents of change https://www.bankofengland.co.uk/speech/2026/june/sarah-breeden-panel-at-the-european-central-bank-forum-on-central-banking-2026
- Bank of England - Future Retail Payments Infrastructure consultation https://www.bankofengland.co.uk/paper/2026/cp/rpib-consultation