IG Group — pierwsza generatywna AI w organizacji finansowej: $100k+ rocznych oszczędności

Kontekst

W IG Group spędziłem ponad 6 lat (najpierw jako Senior DS / AI Engineer, później Team Lead). Przez ten czas przeszliśmy ze świata „AI to klasyczne ML i kilka modeli predykcyjnych” do świata, w którym LLM-y są elementem produkcyjnej infrastruktury — ale tylko dlatego, że ktoś musiał to zrobić bezpiecznie, zgodnie z regulacjami i z mierzalnym ROI.

Tą osobą przez ostatnie kilka lat byłem ja.

Co zbudowałem

Chatbot nad wewnętrzną bazą wiedzy

Pierwsza wewnętrzna aplikacja LLM: RAG-owy chatbot nad bazą procedur compliance, polityk HR i instrukcji systemowych. Stack: LangChain + AzureOpenAI (GPT-4) + Vertex AI + ChromaDB. Kluczowym wyzwaniem nie był sam RAG, ale sprawdzenie, czy odpowiedzi są bezpieczne z perspektywy compliance — zbudowałem warstwę weryfikacji, która porównywała każdą odpowiedź z wymaganiami FCA.

Weryfikacja compliance wspierana AI

Narzędzie automatycznie skanujące komunikację marketingową (e-maile, posty, materiały reklamowe) pod kątem zgodności z regulacjami FCA. Model klasyfikował poziom ryzyka, identyfikował problematyczne sformułowania i sugerował poprawki. Zaakceptowane przez compliance jako wsparcie (z human-in-the-loop dla wszystkich przypadków wysokiego ryzyka).

Pipeline machine translation

Pipeline NMT obsługujący trzy zastosowania: content SEO (tłumaczenie wpisów blogowych na 12 języków), komunikacja z agencjami (wiele krajów), komunikacja z klientami (wiadomości serwisowe). Dobór modeli pod konkretny use case, ewaluacja jakości na benchmarku ocenianym przez ludzi, optymalizacja kosztów przez tier-based routing.

Wdrożenia multimodalne

Orkiestracja ewaluacji, fine-tuningu i deploymentu różnych modalności: generacja tekstu, text-to-image, text-to-video, tłumaczenie, generacja audio. Każda przeszła przez review compliance.

Identyfikacja okazji tradingowych (klasyczne ML, duża wartość)

System data-driven identyfikujący klientów z otwartymi pozycjami na akcjach, którzy z wysokim prawdopodobieństwem będą tradować w okolicach ogłoszeń wyników kwartalnych. Analiza statystyczna, A/B testing, analityka predykcyjna. Współpraca z zespołem CRM. ~40 000 USD dodatkowego miesięcznego przychodu z targetowanej kampanii.

Scoring lifetime value i churn

Zaawansowana analityka + pySpark + GCP ML services. Modele oceniające wartość klienta na różnych etapach lifecycle, wsparcie dla zespołów client-facing, marketingu i CRM przy priorytetyzacji. ~250 000 USD rocznych oszczędności dzięki lepszej alokacji zasobów retencji.

Wyniki łącznie

• Ponad 100 tys. USD rocznych oszczędności ze stosu generatywnej AI.
• 40 tys. USD miesięcznie dodatkowego przychodu z modelu okazji tradingowych.
• 250 tys. USD rocznie oszczędności ze scoringu klientów.
• Setki godzin pracy ręcznej miesięcznie mniej w compliance, marketingu i customer support.
• Rozkręcenie kultury data-driven — sesje czytania publikacji, wewnętrzne tech talki, mentoring juniorów.

Czego się nauczyłem

• Compliance-first AI w finansach to przewaga, nie hamulec — firmy, które zrobią to dobrze, mogą wdrażać szybciej niż konkurenci utknięci w fazie PoC.
• Pierwszy LLM w organizacji to test polityczny, nie techniczny — sukces zależy od zaufania CFO/CCO/Legal, a nie od accuracy.
• Klasyczne ML wciąż wygrywa wartością — najwięcej zarobionych pieniędzy przez 6 lat dał prosty scoring klientów, a nie LLM.