Як BBVA масштабує ChatGPT Enterprise у банку: 100 000 користувачів, governance і шлях до AI-native banking

BBVA починала з кількох тисяч ChatGPT Enterprise licenses, а потім масштабувала доступ на порядок. До червня 2026 OpenAI повідомляла про понад 100 000 співробітників BBVA, які користуються ChatGPT Enterprise, і про ширшу програму «The Eight» — трансформацію customer experience, commercial banking, risk, operations, software development та employee productivity.

Цінність кейсу не в цифрі seats. Великий regulated organization має вирішити shadow AI, data handling, legal/compliance alignment, domain enablement і контроль того, де закінчується assistant і починається дія в system of record. BBVA описує early alignment security, legal і compliance, champions/wizards network та навчання керівництва; у власному матеріалі банк окремо зазначає, що AI не записує напряму в central databases без human validation.

OpenAI повідомляє приблизно три години економії на співробітника на тиждень і до 80% efficiency gain у selected workflows. Це reported internal/vendor evidence, а не незалежно виміряний causal uplift для всієї організації. У production planning такі цифри краще використовувати як hypothesis range, а не як фінансову константу в board deck.

Trigger залежить від workflow: legal/risk research request, policy question, document drafting, financial analysis, customer-service knowledge request, coding task або internal support query. Input — user-provided material, approved enterprise documents, role/department context, workflow policy і, де дозволено, data from controlled internal sources. AI stage — synthesis, extraction, structured drafting, reasoning, knowledge assistance або preparation of a candidate action.

Integrations мають бути domain-specific, а не «під’єднаємо весь банк одним admin token». Для research — approved knowledge sources; для internal support — HR/IT/service knowledge; для customer workflows — identity-bound product/account context; для future agents — scoped APIs з explicit tool schemas. Output — draft, analysis, recommended next step, structured artifact або bounded request, який ще проходить business authority checks.

• Trigger → knowledge-work або business-process request;
• Input → approved documents/data + role context + policy;
• AI → research, synthesis, draft, reasoning, candidate action;
• Integrations → domain-scoped sources/tools, не універсальний super-connector;
• Output → reviewed artifact, recommendation або bounded workflow step.

Для regulated bank безпечний reproduction flow виглядає так: `identity/role → task eligibility → data/source retrieval → AI work → evidence/citation or calculation checks → human/domain review → optional tool request → deterministic policy/limits → authoritative confirmation → audit`. Не кожен internal prompt потребує всі кроки, але consequential finance, risk, customer або database action не повинен успадковувати authority просто тому, що модель впевнено сформулювала JSON.

Autonomy A2 відображає публічно підтверджений core кейсу: сильний assistive layer з custom GPTs і specialized workflows, але люди та governance залишаються центральними. Окремі майбутні/спеціалізовані agents можуть перейти на A3–A4, але їх треба оцінювати окремо за tool scopes, approval policy і фактичними side effects.

HITL має бути risk-based. Драфт внутрішнього summary може мати lightweight review; юридична інтерпретація, risk decision, customer communication з material impact, core-system write або regulatory filing — stronger review і explicit accountable owner. «Людина десь у процесі» не є контролем, якщо ніхто не знає, що саме вона повинна перевірити.

Основні failure modes: sensitive data потрапляє в невірний workspace/connector; retrieval повертає застарілу policy; custom GPT використовує неконтрольований external source; модель змішує jurisdictions; employee приймає hallucinated legal/risk answer; agent tool отримує ширші permissions, ніж task потребує; stale session виконує action після зміни policy. Controls: enterprise identity, RBAC/ABAC, approved data classes, source provenance, retention policy, DLP, connector allowlist, deterministic transaction limits, exact-action approvals і audit trail.

У regulated середовищі важлива версійність. Release envelope повинен містити model/revision, system instructions, GPT configuration, retrieval/index version, connectors/scopes, policy rules, eval dataset і rollout cohort. Інакше після інциденту неможливо відповісти на просте питання: яка саме система зробила це рішення вчора о 14:32.

Error handling для tool-enabled workflows: timeout після write не означає failure. Спочатку authoritative reconciliation зі system of record, потім retry з idempotency key. Для ambiguous/no-evidence cases потрібна abstention/escalation, а не статистично правдоподібний banking fan fiction.

Workload у BBVA-style deployment щоденний і heterogeneous: тисячі різних micro-workflows замість одного централізованого use case. Це змінює scaling problem: важливо не лише купити seats, а створити enablement, approved patterns, reusable evals, internal champions, support і deprecation process для поганих custom assistants.

Cost model: enterprise licenses/API + retrieval/storage + connectors + governance/DLP + enablement/training + evaluation + observability + human review + incident/compliance overhead. Порівнюйте не «ціна токена vs зарплата», а cost per successful verified task і marginal reviewer effort. Для knowledge work корисні метрики: weekly active use, repeat-use retention, accepted artifact rate, time-to-answer, rework, unsupported-claim rate та measured time saved на sampled workflows.

OpenAI повідомляє 70%+ active usage і ~3 hours saved per employee/week; BBVA також публікувала 80% daily use на ранішій 11 000-seat фазі. Це різні rollout windows і denominators, тому їх не треба механічно складати в одну «канонічну adoption rate». Правильніше зберігати metric metadata: дата, cohort, active definition, measurement method.

Eval suite ділиться за risk tier. Low-risk knowledge tasks: retrieval precision, citation support, completeness, sensitive-data handling, format correctness. Medium-risk analytical tasks: calculation checks, jurisdiction/policy selection, material omission, scenario assumptions. High-risk action workflows: identity binding, permissions, limits, approval, duplicate event, stale policy, partial failure, tool injection і authoritative postcondition. Aggregate score не може перекрити один critical unsafe action.

Rollout: `secure enterprise workspace → trained pilot cohorts → approved custom GPT templates → domain retrieval → read-only system integrations → reviewed candidate actions → bounded writes with explicit policy`. Для кожної хвилі потрібні promotion criteria і rollback, який може вимкнути конкретний connector/tool або model configuration без зупинки всього enterprise assistant layer.

Production incident перетворюється на minimized eval case. Якщо банк одного разу отримав неправильну legal source, jurisdiction mix-up або duplicate tool action, цей кейс має залишитися permanent regression test. Інакше knowledge organization платить за одну й ту саму помилку кілька разів — дуже традиційний enterprise pattern, тільки тепер із GPU.

Потрібні executive sponsorship, security/legal/compliance co-ownership, enterprise identity, approved data policy, use-case taxonomy, training, domain champions, evaluation infrastructure та чітка лінія між assistive output і system-of-record action. Патерн підходить банкам, страховим, telecom, professional services і великим enterprises, де shadow AI вже існує або неминучий.

Повторення варто починати не зі «120 000 licenses», а з 3–5 high-frequency knowledge workflows, де можна виміряти baseline. Далі — secure workspace, training, reusable prompts/GPTs, telemetry, sampled human audit і domain-specific retrieval. Tool writes додаються останніми, після того як команда вже вміє вимірювати quality і rollback.

Головний ризик масштабування — adoption випереджає governance та evals. Якщо тисячі employees створюють assistants швидше, ніж організація може знайти owner, data source, risk tier і deprecation path, внутрішній AI catalog швидко стає новою версією spreadsheet zoo. Growth має йти разом із inventory та lifecycle management.