Zrzuty ekranu z banku to prawdziwy sposób pracy
Popytaj wokół, a odkryjesz, że najczęstszym sposobem, w jaki ludzie używają AI przy pieniądzach, nie jest żadna aplikacja ani integracja. To zrzut ekranu. Otwórz aplikację bankową, zrób screenshot, wklej do ChatGPT albo Claude i zapytaj, co się dzieje. Bez rejestracji, bez konfiguracji, za darmo. To zasługuje, żeby traktować to poważnie.
I jakoś to działa. Nowoczesne modele wizyjne dobrze radzą sobie z odczytywaniem zrzutów ekranu aplikacji. Wyciągną nazwy sprzedawców, kwoty i daty z listy transakcji, a potem oddadzą schludne podsumowanie, które wygląda prawidłowo.
Problemy są ciche. Pojawiają się w cyfrach, w tym, czego brakuje w kadrze, i w tym, jak szybko obraz staje się nieaktualny. O tym właśnie jest to porównanie.
Gdzie OCR źle odczytuje liczby
Model wizyjny nie dostaje twojego salda jako liczby. Dostaje piksele i wnioskuje z nich liczbę, a wnioskowanie ma pewien wskaźnik błędów. Aplikacje bankowe używają małej czcionki, zrzuty ekranu są kompresowane i pojawiają się klasyczne pomyłki: 8 odczytane jako 6, 5 odczytane jako 3, przecinek zgubiony w artefakcie JPEG. Saldo $1,847.62 może wrócić jako $1,847.02 i nic w odpowiedzi nie zasugeruje, że model zgadywał.
Skrócony tekst pogarsza sprawę. Aplikacje bankowe ucinają opisy sprzedawców w połowie, więc model widzi coś w rodzaju AMZN Mktp US*2K4 i uzupełnia resztę czymś, co wydaje się prawdopodobne. Zwykle trafia. Czasem łączy dwóch podobnych sprzedawców w jednego.
Do tego dochodzi zwykły chaos prawdziwego telefonu: motywy w trybie ciemnym z niskim kontrastem, powiadomienie zasłaniające wiersz, kompresja spowodowana najpierw wysłaniem zrzutu do siebie. Każde z tego trochę podnosi wskaźnik błędów.
Nic z tego nie czyni zrzutów ekranu bezużytecznymi. Czyni je zawodnymi dokładnie w tych sytuacjach, w których chciałbyś zaufać liczbie.
Jeden ekran to nie twoja historia
Zrzut ekranu mieści może dziesięć transakcji. Większość sensownych pytań wymaga setek.
Ile wydałem na zakupy spożywcze w tym roku?
Żeby odpowiedzieć na to ze zrzutów ekranu, musiałbyś przewinąć i zrobić screenshot trzydzieści razy, a potem liczyć, że model poskleja obrazy bez podwójnego liczenia nakładających się wierszy albo pomijania luk. Ludzie tak robią. Model nie ma pewnego sposobu na deduplikację, więc suma dryfuje, a ty nie wiesz, o ile.
Pytania o cykliczne opłaty są jeszcze bardziej poza zasięgiem. Wychwycenie subskrypcji, która wzrosła z $12.99 do $15.99, wymaga roku historii dla jednego sprzedawcy, ustawionej obok siebie. Nikt nie robi takich zrzutów, a żaden model nie odtworzy tego z jednej klatki.
Oczekujące, zaksięgowane i nieaktualne do wieczora
Zrzut ekranu jest zamrożony w chwili, w której go zrobiłeś. Transakcje oczekujące mogą się pojawiać lub nie, w zależności od tego, który ekran przechwyciłeś, a różnica między saldem bieżącym a saldem dostępnym łatwo ucieka przy kadrowaniu.
Nieaktualność to większy problem. Jeśli pytasz wieczorem, czy pokryjesz jutrzejszą płatność, wczorajszy popołudniowy zrzut ekranu jest złym wejściem. Nie ma w nim opłaty, która zaksięgowała się dziś rano.
To ma największe znaczenie dla agentów, którzy działają w czasie. Agent obserwujący konkretną opłatę albo prowadzący twój miesięczny przegląd finansów potrzebuje możliwości ponownego spojrzenia. Zrzutu ekranu nie można zapytać jeszcze raz.
Co zmienia połączenie na żywo, tylko do odczytu
BankBridge to hostowany serwer MCP. Podłączasz bank raz, a twoja AI (Claude, ChatGPT, Cursor, Gemini i około 25 innych hostów) dostaje jedenaście narzędzi tylko do odczytu, które może wywołać, kiedy zadasz pytanie o pieniądze. Liczby przychodzą jako dane strukturalne prosto z warstwy połączenia z bankiem. Nie ma etapu transkrypcji, więc nie ma czego źle przepisać.
Wypisz każdą cykliczną opłatę na mojej karcie kredytowej i oznacz te, które w ciągu ostatnich sześciu miesięcy podniosły cenę.
Jakie jest teraz saldo mojego konta rozliczeniowego i co jest jeszcze w oczekiwaniu?
Za tymi promptami agent wywołuje narzędzia takie jak get_recurring_charges, list_transactions i get_spending_summary. Każde wywołanie pobiera dane na żywo w momencie pytania; nic nie jest cache'owane na serwerach BankBridge. Odpowiedź odzwierciedla twoje konto stan na teraz, z dokładnymi kwotami i pełną historią cofniętą tak daleko, jak sięga twój bank.
To $5 miesięcznie za każdy podłączony bank i możesz anulować w każdej chwili. Konfiguracja zajmuje kilka minut; instrukcje dla Claude i ChatGPT opisują to krok po kroku.
Kiedy zrzut ekranu wystarczy
Zrzuty ekranu nie są złym narzędziem do wszystkiego. Jeśli chcesz wiedzieć, co oznacza zagadkowa pozycja na wyciągu, zrzut ekranu plus pytanie to dobry sposób pracy. Podobnie przy szybkim sprawdzeniu jednej liczby, którą sam możesz zweryfikować.
Co to za obciążenie od 'PAI ISO' na moim wyciągu?
Zasada jest prosta: zrzut ekranu działa, gdy odpowiedź jest w kadrze i drobne przekłamanie nie robi szkody. W chwili, gdy odpowiedź zależy od historii, sum, świeżości albo dokładnie właściwej liczby, wyrastasz z tego.
Kwestia prywatności, wyłożona wprost
Zrzuty ekranu wydają się bardziej prywatne, bo nie ma połączenia z kontem. Ale spójrz, co robisz: wrzucasz obraz swoich finansów do produktu czatowego, gdzie może żyć w historii rozmów bezterminowo. To niekoniecznie bezpieczniejsza opcja.
BankBridge jest tylko do odczytu z założenia. Nie ma narzędzi, które ruszają pieniędzmi, i nigdy nie będzie. Twoje dane logowania do banku przechodzą przez własny przepływ agregatora; BankBridge nigdy ich nie widzi. A ponieważ każde pytanie to pobranie na żywo, twoje transakcje nie leżą w bazie danych czekając na wyciek.
Żadne z tych podejść nie jest zerową ekspozycją. Ale strukturalny dostęp tylko do odczytu, bez niczego przechowywanego, to mocniejsza pozycja niż zdjęcia twojego konta bankowego żyjące w twojej historii czatu.
Krótka wersja
Używaj zrzutów ekranu do jednorazowych pytań mieszczących się w kadrze, gdzie drobny błąd nic nie kosztuje. Używaj połączenia na żywo, gdy pytanie dotyczy historii, sum, aktywności oczekującej albo jakiejkolwiek liczby, na której planujesz coś oprzeć.
Jeśli większość twoich pytań o pieniądze jest tego drugiego rodzaju (a kiedy agent zacznie na nie odpowiadać, będzie), zrzuty ekranu okażą się rzeczą, którą ucieszysz się, że wymieniłeś. Pięć dolarów miesięcznie kupuje wersję, w której liczby są prawdziwe.