Goldman Sachs ograniczył dostęp do Anthropic Claude Code i Microsoft GitHub — narzędzi agentowych, które potrafią czytać pliki, pisać i uruchamiać kod — zamykając go w granicach zespołów inżynierskich. Zgodnie z informacjami Bloomberga, na które powołuje się State of AI, zmiana objęła traderów i bankierów, którzy wcześniej używali tych narzędzi do monitorowania przepływów klientów, modelowania pozycji i przygotowywania materiałów. Część traderów miała być z tego powodu niezadowolona. Decyzja została opisana jako efekt przeglądu produktywności i obaw o ryzyko, a nie incydentu bezpieczeństwa.
Temat dotyczy każdej organizacji, która dała agenta kodującego osobom spoza działu IT — w polskich bankach, fintechach, firmach ubezpieczeniowych i MSP z działami analitycznymi to pytanie pojawia się coraz częściej. Jest ważny, bo pokazuje granicę między „asystentem, który podpowiada” a „agentem, który wykonuje kod z uprawnieniami użytkownika”. Goldman nie zrezygnował z narzędzi agentowych — ograniczył je według roli, nie według lokalizacji. To inny model kontroli niż ten zastosowany w kwietniu, gdy bank usunął Claude z platformy AI dla bankierów w Hongkongu, powołując się na ścisłą interpretację umowy z Anthropic. Warto więc patrzeć na tę decyzję jako na wzorzec wdrożeniowy, a nie jako sygnał, że agenci kodujący są niebezpieczni sami w sobie.
Co dokładnie się zmieniło
Z dostępu do Claude Code i GitHub skorzystać mają nadal zespoły strats, czyli osoby pracujące na styku tradingu, badań ilościowych i inżynierii oprogramowania. Ograniczenie dotyczy zewnętrznych agentów, które samodzielnie piszą i wykonują kod. Wewnętrzny asystent AI banku, oparty na modelach kilku dostawców, pozostaje dostępny w całej firmie. To rozróżnienie jest kluczowe: bank nie wyłączył AI, tylko rozdzielił kanały — asystent z kontrolami zostaje, agent z możliwością wykonania kodu wraca do inżynierów.
Kontekst czasowy jest istotny z dwóch powodów. Po pierwsze, w lipcu CIO Goldmana Marco Argenti publicznie chwalił „vibe coding” pracowników nietechnicznych i opisywał, jak traderzy oraz bankierzy budują narzędzia, które następnie przejmują inżynierowie. Po drugie, Goldman i Morgan Stanley są głównymi underwriterami IPO Anthropic — według S-1 złożonego 26 października. Bank będzie więc sprzedawał akcje spółki, której agenta kodującego większość jego bankierów nie może już używać. To zestawienie jest faktem, nie oceną; nie ma dowodów, by te dwie sprawy były ze sobą powiązane.
Tło techniczne: czym agent kodujący różni się od chatbota
Zwykły asystent AI odpowiada tekstem. Agent kodujący działa w środowisku użytkownika: czyta pliki, tworzy nowe, modyfikuje istniejące i uruchamia polecenia. W typowym wdrożeniu działa z uprawnieniami osoby, która go uruchomiła — widzi to, co widzi ona, i może zapisać to, do czego ona ma prawo zapisu. To nie jest wada konkretnego produktu, lecz właściwość modelu działania agenta.
Różnica w ryzyku nie wynika z jakości modelu, ale z tego, co dzieje się z efektem pracy. Kod napisany przez inżyniera z pomocą agenta przechodzi zwykle przez przegląd, testy i kontrolowany proces wdrożenia. Skrypt, który trader zbudował do podglądu przepływów klientów, może trafić do codziennego użycia bez żadnego z tych etapów — bo nikt nie nadał mu statusu „oprogramowania”, tylko „prywatnego narzędzia”. W praktyce granica między jednym a drugim zaciera się w momencie, gdy skrypt zaczyna być używany przez zespół.
Drugi problem jest poznawczy. Osoba, która nie pisze kodu zawodowo, rzadziej zauważy, jak wygenerowany program zachowuje się w nietypowych warunkach — przy brakujących danych, nieoczekiwanym formacie pliku czy błędzie połączenia. Na stole tradingowym takie zachowanie przekłada się na decyzje i straty, a nie na komunikat błędu do poprawienia w następnym sprincie.
Dlaczego bariery informacyjne są tu ważniejsze niż samo narzędzie
Banki mają obowiązek utrzymywać bariery informacyjne między grupami — na przykład między bankierami pracującymi nad transakcją a traderami, którzy mogliby na tej wiedzy zarobić. Kontrola tych barier opiera się na uprawnieniach do danych, segregacji systemów i procedurach. Narzędzie, które trader złożył samodzielnie z agentem, nie zostało zaprojektowane z myślą o tych barierach. Może na przykład odczytywać pliki lub raporty, do których trader ma dostęp legalnie, ale których nie powinien łączyć z innymi zbiorami w jeden model.
Nie chodzi tu o zarzut, że traderzy łamali procedury. Chodzi o to, że agent wykonuje polecenia szybko i w skali, a nadzór nad tym, co dokładnie zostało odczytane i połączone, jest trudniejszy niż przy ręcznej pracy w arkuszu. Inżynierowie mogą sprawdzić taki skrypt, ale tylko wtedy, gdy ktoś im go przekazał. Model „zbuduję prototyp i wyślę inżynierom do poprawy”, opisywany przez Argentiego w lipcu, działa dobrze jako sposób na szybkie prototypowanie, ale nie zastępuje formalnego procesu dopuszczenia do produkcji.
Realne konsekwencje dla organizacji
Skutki ograniczenia dostępu nie kończą się na niezadowoleniu użytkowników. Warto je rozłożyć na warstwy:
- Operacyjna: zespoły, które opierały codzienną pracę na własnych skryptach, tracą tempo. Potrzebują alternatywy — albo gotowego narzędzia wewnętrznego, albo wsparcia inżynierów.
- Kontrolna: organizacja zyskuje jawność — wie, kto ma prawo uruchamiać kod generowany przez agenta. To upraszcza audyt, ale wymaga inwentaryzacji narzędzi, które już powstały.
- Kulturowa: odebranie narzędzia bez wyjaśnienia i bez zamiennika jest odbierane jako sygnał „twoja praca była ryzykiem”. To obniża zaufanie do inicjatyw AI w firmie i utrudnia późniejsze wdrożenia.
- Kosztowa: użycie agentów jest rozliczane za tokeny. State of AI podaje przykłady firm, które przy szerokim dostępie odnotowały wzrost wydatków; Accenture ma finansować 29 dolarów miesięcznie na pracownika za Claude. To dane z jednego źródła i dotyczą innych organizacji — nie ma podstaw, by przenosić je wprost na Goldmana.
Scenariusze ryzyka — od najbardziej prawdopodobnego
Scenariusz 1: niekontrolowany kod w codziennym użyciu. Skrypt zbudowany przez osobę nietechniczną działa, ale nikt nie wie, jak reaguje na skrajne dane. Ryzyko: błędne liczby w raporcie, błędne założenia w modelu, trudność w odtworzeniu wyniku. Prawdopodobieństwo wysokie, skutek zależny od zastosowania.
Scenariusz 2: obejście barier informacyjnych przez łączenie danych. Agent czyta zbiory dostępne użytkownikowi i łączy je w sposób, którego nie przewidział żaden proces. Ryzyko: naruszenie segregacji informacji i konsekwencje regulacyjne. Prawdopodobieństwo średnie, skutek wysoki.
Scenariusz 3: wyciek danych przez prompt lub kontekst. Agent wysyła do dostawcy modelu fragmenty plików, które nie powinny opuszczać organizacji. Ryzyko zależy od konfiguracji, umowy i tego, czy wdrożenie jest chmurowe czy lokalne. Prawdopodobieństwo średnie, skutek wysoki.
Scenariusz 4: niekontrolowany koszt. Szeroki dostęp bez limitów prowadzi do użycia agenta do zadań o niskiej wartości. Prawdopodobieństwo wysokie przy braku polityki, skutek finansowy umiarkowany.
Scenariusz 5: utrata wiedzy o tym, co powstało. Po odebraniu dostępu nikt nie wie, ile skryptów działa i kto za nie odpowiada. Prawdopodobieństwo wysokie, skutek organizacyjny i audytowy.
Jak sprawdzić, czy problem dotyczy Twojej firmy
Poniższa lista pozwala w kilkanaście minut ustalić skalę ekspozycji. Odpowiedź „tak” przy którymkolwiek punkcie oznacza, że warto przejść do planu reakcji.
- Czy w firmie ktoś spoza działu IT ma możliwość uruchomienia agenta kodującego (Claude Code, GitHub Copilot z trybem agentowym, podobne narzędzia) na służbowym komputerze?
- Czy istnieje rejestr skryptów i narzędzi stworzonych przez pracowników nietechnicznych, które są używane w codziennej pracy?
- Czy któryś z tych skryptów korzysta z danych objętych ograniczeniami — danymi klientów, informacjami poufnymi, danymi z różnych działów?
- Czy wdrożenie agenta ma zdefiniowaną politykę wysyłania danych do dostawcy modelu i czy jest ona zapisana w umowie?
- Czy istnieje limit kosztów tokenów na użytkownika lub zespół?
- Czy ktoś formalnie odpowiada za kod wygenerowany przez agenta przed dopuszczeniem go do produkcji?
- Czy po odebraniu dostępu do narzędzia zespół ma alternatywę — wewnętrzne narzędzie lub ścieżkę zgłoszenia do IT?
Plan reakcji krok po kroku
Krok 1: inwentaryzacja
Zbierz listę narzędzi agentowych i skryptów, które już istnieją. Nie oceniaj ich w tym momencie — chodzi o pełny obraz. Uwzględnij pliki na dyskach sieciowych, repozytoria prywatne, arkusze z makrami i narzędzia „tymczasowe”, które przetrwały dłużej niż miesiąc.
Krok 2: klasyfikacja według danych
Podziel narzędzia na trzy grupy: bez dostępu do danych wrażliwych, z dostępem do danych jednego działu, z dostępem do danych z różnych działów lub danych klientów. Trzecia grupa wymaga natychmiastowego przeglądu.
Krok 3: przypisanie odpowiedzialności
Dla każdego narzędzia z drugiej i trzeciej grupy wskaż inżyniera, który przejmuje odpowiedzialność za kod. To nie musi oznaczać przepisania od zera — wystarczy przegląd, testy i wpis do rejestru. Bez nazwiska nie ma odpowiedzialności.
Krok 4: decyzja o dostępie według roli
Ustal, kto może uruchamiać agenta kodującego. Wzorzec z Goldmana — dostęp dla inżynierów i zespołów o profilu technicznym, asystent AI z kontrolami dla reszty — jest jednym z możliwych. Alternatywa to dostęp warunkowy: agent działa w środowisku izolowanym, bez dostępu do danych produkcyjnych, a wynik przechodzi przez przegląd.
Krok 5: komunikacja i zamiennik
Ograniczenie bez zamiennika jest błędem wdrożeniowym. Zanim odbierzesz narzędzie, przygotuj ścieżkę: zgłoszenie do IT, wewnętrzne narzędzie o podobnej funkcji albo jasny termin, w którym zespół inżynierów przejmie konkretne zadania. Zapisz, do czego narzędzie było używane — to materiał na backlog, nie na straty.
Krok 6: monitoring
Ustal limity kosztów i sposób ich raportowania. Ustal też, jak często przeglądasz rejestr narzędzi — raz na kwartał to minimum przy dynamicznym rozwoju narzędzi agentowych.
Typowe błędy
| Błąd | Dlaczego szkodzi | Co zrobić inaczej |
|---|---|---|
| Odebranie dostępu bez inwentaryzacji | Skrypty zostają w użyciu, tylko nikt ich nie nadzoruje | Najpierw rejestr, potem ograniczenie |
| Traktowanie agenta jak chatbota | Pomija się kontrolę uprawnień i danych | Klasyfikować agenta jak narzędzie wykonujące kod |
| Brak właściciela kodu | Nikt nie odpowiada za błędy w produkcji | Imienny inżynier dla każdego narzędzia |
| Zakaz bez zamiennika | Zespół szuka obejść, zaufanie spada | Ścieżka zgłoszenia i termin przejęcia |
| Brak limitów kosztów | Wydatki rosną bez związku z wartością | Limity na użytkownika i raport miesięczny |
| Ograniczenie tylko według lokalizacji | Nie adresuje ryzyka roli i danych | Kontrola oparta na roli i klasie danych |
Działania krótkoterminowe (do 30 dni)
- Zablokuj możliwość uruchamiania agentów kodujących na komputerach osób spoza IT, jeśli nie ma na to zatwierdzonej polityki.
- Zbierz listę aktywnych skryptów i wskaż dla nich właścicieli.
- Wprowadź limit kosztów tokenów na użytkownika.
- Sprawdź umowy z dostawcami modeli pod kątem przetwarzania danych i retencji.
- Zorganizuj jedno spotkanie z zespołami, którym ograniczasz dostęp — z pytaniem, czego potrzebują.
Działania długoterminowe (3–12 miesięcy)
- Zbuduj lub rozszerz wewnętrzne narzędzie analityczne z kontrolami, które przejmie najczęstsze zastosowania.
- Wprowadź proces dopuszczenia kodu wygenerowanego przez agenta do produkcji — z przeglądem i testami, niezależnie od tego, kto go napisał.
- Ustal politykę agentów według ról i klas danych, zamiast zakazów punktowych.
- Przeszkol zespoły nietechniczne z ograniczeń agentów: co agent widzi, co wysyła, czego nie sprawdzi.
- Włącz rejestr narzędzi do procesu audytu wewnętrznego.
Checklista praktyczna
- Czy wiesz, ile osób spoza IT ma dostęp do agenta kodującego?
- Czy każdy skrypt używany w pracy ma wskazanego właściciela?
- Czy agent ma dostęp tylko do danych, których użytkownik potrzebuje do zadania?
- Czy wdrożenie ma zapisane zasady wysyłania danych do dostawcy?
- Czy koszt tokenów jest limitowany i raportowany?
- Czy istnieje ścieżka zgłoszenia narzędzia do IT i termin odpowiedzi?
- Czy po ograniczeniu dostępu zespół wie, co robić dalej?
- Czy rejestr narzędzi jest przeglądany co najmniej raz na kwartał?
Co powinien zrobić właściciel firmy / administrator
Właściciel firmy: zdecyduj, czy agent kodujący jest narzędziem inżynierskim, czy firmowym. Ta decyzja wyznacza budżet, odpowiedzialność i politykę. Nie zostawiaj jej działowi IT w pojedynkę — to decyzja o ryzyku operacyjnym i regulacyjnym. Ustal, kto w zarządzie odpowiada za rejestr narzędzi AI, i wymagaj raportu kwartalnego. Przy ograniczaniu dostępu zaplanuj komunikację: zespół, który traci narzędzie, musi wiedzieć, co zyskuje w zamian.
Administrator: wdróż kontrolę dostępu opartą na rolach, a nie tylko na lokalizacji. Skonfiguruj limity kosztów i logowanie użycia agenta. Sprawdź, jakie dane agent może odczytać z konta użytkownika, i ogranicz je do minimum potrzebnego do zadania. Przygotuj procedurę przejęcia skryptu przez inżyniera: przegląd, testy, wpis do rejestru. Prowadź rejestr narzędzi i aktualizuj go przy każdym nowym wdrożeniu. Pamiętaj, że agent działa z uprawnieniami użytkownika — więc kontrola uprawnień użytkownika jest kontrolą agenta.
Wnioski dla polskiego rynku
Polskie banki i fintechy mają podobne ograniczenia regulacyjne jak instytucje zagraniczne: bariery informacyjne, ochronę danych klientów i wymóg audytowalności. Wiele z nich wdraża narzędzia agentowe etapami — najpierw w IT, potem w analityce. Doświadczenie Goldmana pokazuje, że etap „analityka z agentem” wymaga wcześniejszego przygotowania: rejestru, właścicieli kodu i polityki danych. Bez tego ograniczenie dostępu staje się operacją ratunkową, a nie decyzją zarządczą.
Dla MSP wniosek jest prostszy: agent kodujący u osoby nietechnicznej to narzędzie do prototypowania, nie do produkcji. Jeśli prototyp zaczyna być używany codziennie, musi przejść przez ręce osoby, która potrafi ocenić kod. To nie biurokracja — to różnica między narzędziem a ryzykiem.
Fakty w tym tekście pochodzą z relacji State of AI opartej na doniesieniach Bloomberga oraz z wcześniejszych publikacji o ograniczeniach Claude w Hongkongu. Nie mamy dostępu do pierwotnego materiału Bloomberga ani do wewnętrznych dokumentów Goldmana. Oceny i rekomendacje są autorskie i oddzielone od faktów.
Praktyczna weryfikacja wdrożenia agentów kodujących
Weryfikacja nie polega na deklaracji, że polityka istnieje, ale na sprawdzeniu, czy da się ją wykazać dokumentem, logiem lub nazwiskiem. Poniższe sekcje opisują, jak przeprowadzić taki test w praktyce, bez zmiany wcześniejszych ustaleń.
Test dostępu: kto naprawdę może uruchomić agenta
Deklaracja „tylko IT ma dostęp” wymaga potwierdzenia w systemie, a nie w komunikacie. Weryfikację zacznij od listy kont z uprawnieniem do uruchamiania narzędzi agentowych i zestaw ją z listą osób, które według polityki powinny je mieć. Różnica w obie strony jest sygnałem: nadmiar oznacza, że ograniczenie nie zostało wdrożone, brak oznacza, że proces nadawania uprawnień jest zbyt wolny i zespół będzie szukał obejść.
Sprawdź też, czy agent działa z uprawnieniami użytkownika do plików i danych. Jeśli tak, kontrola uprawnień użytkownika jest kontrolą agenta — i to ona powinna być przedmiotem testu, a nie sama obecność narzędzia na komputerze.
Test rejestru: czy każdy skrypt ma właściciela
Rejestr, który zawiera wyłącznie nazwy narzędzi, nie wystarcza. Dla każdego wpisu sprawdź trzy elementy: imiennego właściciela, klasę danych, do których narzędzie ma dostęp, oraz datę ostatniego przeglądu. Wpis bez właściciela traktuj jak brak wpisu. Osobno zweryfikuj narzędzia „tymczasowe”, które przetrwały dłużej niż miesiąc — to najczęstsze źródło skryptów poza rejestrem.
Test klasy danych: czy narzędzie widzi więcej, niż powinno
Dla każdego narzędzia z dostępem do danych jednego działu sprawdź, czy nie odczytuje danych spoza tego działu. Dla narzędzi z dostępem do danych klientów lub danych z różnych działów — czy przeszły przegląd inżyniera i czy mają wpis w rejestrze. To rozwinięcie klasyfikacji z planu reakcji: klasyfikacja bez weryfikacji zostaje na papierze.
Monitoring po wdrożeniu
Monitoring ma odpowiadać na pytania operacyjne, a nie zbierać dane dla samego raportu. Ustal dla każdego wskaźnika próg i osobę, która reaguje po jego przekroczeniu.
Wskaźniki do śledzenia
- Liczba użytkowników z dostępem do agenta kodującego, w podziale na role — zmiana w górę wymaga uzasadnienia.
- Koszt tokenów na użytkownika i na zespół w ujęciu miesięcznym — z progiem alarmowym.
- Liczba narzędzi w rejestrze bez właściciela lub bez daty przeglądu.
- Liczba narzędzi z dostępem do danych klientów lub danych z różnych działów, które nie przeszły przeglądu.
- Liczba zgłoszeń do IT o narzędzie zastępcze i czas odpowiedzi — miara, czy ścieżka zamiennika działa.
Rytm przeglądów
Przegląd rejestru raz na kwartał to minimum. Przy dynamicznym rozwoju narzędzi agentowych dodaj przegląd po każdym nowym wdrożeniu i po każdej zmianie umowy z dostawcą modelu. Raport kwartalny powinien trafiać do osoby w zarządzie odpowiedzialnej za rejestr narzędzi AI — bez odbiorcy raport staje się dokumentem archiwalnym.
Sygnały ostrzegawcze między przeglądami
- Skrypt używany codziennie, którego nie ma w rejestrze.
- Narzędzie z dostępem do danych klientów bez wskazanego inżyniera odpowiedzialnego za kod.
- Wzrost kosztów tokenów bez nowego wdrożenia po stronie IT.
- Zgłoszenia zespołów o braku zamiennika po ograniczeniu dostępu.
- Narzędzia uruchamiane poza środowiskiem izolowanym, mimo polityki dostępu warunkowego.
Checklisty weryfikacyjne
Checklista przed ograniczeniem dostępu
- Czy inwentaryzacja objęła pliki na dyskach sieciowych, repozytoria prywatne, arkusze z makrami i narzędzia „tymczasowe”?
- Czy każde narzędzie ma przypisaną klasę danych?
- Czy dla narzędzi z drugiej i trzeciej grupy wskazano imiennego inżyniera odpowiedzialnego za kod?
- Czy zespół, który traci dostęp, ma przygotowaną ścieżkę zgłoszenia do IT lub wewnętrzne narzędzie o podobnej funkcji?
- Czy zapisano, do czego narzędzie było używane, i czy trafiło to do backlogu?
- Czy komunikacja o ograniczeniu zawiera termin przejęcia konkretnych zadań przez zespół inżynierów?
Checklista po wdrożeniu ograniczenia
- Czy lista kont z dostępem do agenta zgadza się z polityką według ról?
- Czy agent ma dostęp tylko do danych potrzebnych do zadania?
- Czy limity kosztów tokenów są skonfigurowane i raportowane?
- Czy logowanie użycia agenta jest włączone?
- Czy każde narzędzie w rejestrze ma właściciela i datę przeglądu?
- Czy ścieżka zgłoszenia do IT ma zdefiniowany czas odpowiedzi?
- Czy wyznaczono osobę w zarządzie odpowiedzialną za rejestr narzędzi AI i raport kwartalny?
- Czy sprawdzono umowy z dostawcami modeli pod kątem przetwarzania danych i retencji?
Checklista przeglądu kwartalnego
- Czy rejestr narzędzi został zaktualizowany o nowe wdrożenia?
- Czy usunięto wpisy narzędzi wycofanych z użycia?
- Czy ponownie sprawdzono klasy danych dla narzędzi z dostępem do danych klientów?
- Czy przejrzano koszty tokenów w zestawieniu z wartością, jaką narzędzia dają?
- Czy zweryfikowano, że ograniczenia dostępu nadal obowiązują, a nie tylko zostały ogłoszone?
- Czy raport trafił do osoby odpowiedzialnej w zarządzie?
Uwagi końcowe do weryfikacji
Wzorzec z Goldmana pokazuje, że ograniczenie oparte na roli jest skuteczniejsze niż oparte wyłącznie na lokalizacji — restrykcja w Hongkongu z kwietnia dotyczyła miejsca i warunków umowy, a październikowa dotyczy roli. Przy weryfikacji własnego wdrożenia sprawdź, na czym opiera się twoja kontrola: jeśli tylko na lokalizacji, nie adresuje ryzyka roli i klasy danych. Fakty przywołane w tych sekcjach pochodzą z relacji State of AI opartej na doniesieniach Bloomberga; oceny i rekomendacje są autorskie.
Źródła i materiały do dalszej weryfikacji
Artykuł jest autorskim opracowaniem przygotowanym na podstawie poniższych materiałów. Linki prowadzą do publikacji źródłowych.
- Goldman Sachs Is Pulling Claude Code From Its Bankers and Traders | State of AI (www.thestateofai.com)
Zdjęcie wyróżniające: Kampus Production / Pexels.


