Каждый банк рано или поздно сталкивается с проблемой: как расти быстрее рынка и при этом не терять устойчивость, управляемость и безопасность? Как развивать внутреннюю экосистему, не подвергая ее чрезмерным нагрузкам и не снижая эффективности?
На опыте нашего банка можно сказать, что внедрение ИИ дает максимальный эффект при точечном использовании – и при должном контроле он буквально врастает в экосистему, ускоряя и усиливая ее.
В феврале 2024 года в банке была утверждена стратегия развития ИИ с четырьмя направлениями:
● клиентоцентричность и гиперперсонализация,
● снижение кредитного фрода и повышение эффективности collection,
● интеллектуальная цифровизация процессов,
● создание централизованной ИИ-платформы.
ИИ превратился в часть самой бизнес-модели. Следующая задача – не просто запускать новые модели, а масштабировать их на ключевые процессы, повышать уровень AI STP и одновременно удерживать прозрачность, этичность и контроль рисков.
Точечный укол
Важно сразу определить: нельзя внедрять ИИ просто потому, что это хайп. Его нужно внедрять для решения какой-то одной конкретной задачи. Каждый шаг должен закрывать конкретный запрос и одновременно готовить инфраструктуру к следующему уровню зрелости.
Мы исходили из конкретной задачи – в конце 2020 года решили оптимизировать базы данных, которые собирались 15 лет. Накопленный объем данных был огромным, казалось, он обеспечит рост. Стали обрабатывать их с ИИ и были неприятно удивлены: качество баз было низким. Неоднородные таблицы, некачественное заполнение, просто ошибки… А ведь 90% успешной работы любой ИИ-модели – это качество начальных данных. На этом этапе основные инвестиции пришлись не на технологии, а на создание команды и разработку методологии. Стало понятно, что у каждой базы данных обязательно должен быть владелец, ответственный за качество. Огромное количество метрик должно быть систематизировано, сведено в отчеты, дашборды – с тем, чтобы мы получали действительно актуальную информацию.
Второй шаг
Из баз данных ИИ логично пришел в кредитование, точнее – в процедуры скоринга. Как решить, давать кредит или нет? Еще не так давно традиционно банки использовали несколько параметров: документы, справки, социальный портрет. При этой схеме процент отказов был очень высоким.
ИИ в корне поменял процедуру. Анализ нескольких тысяч параметров, нелинейных связей, которые человеческому уму практически очень сложно оценить.
Результат оказался потрясающим. Уровень отказов снизился в разы, что позволило совершить рывок на рынке:
● кратно нарастить кредитный портфель и при этом улучшить качество портфеля, поскольку точность прогнозов ИИ возросла до 98–99%;
● освободить человеческие ресурсы в традиционно высокозатратном скоринге.
Первые риски ИИ
За 2025 год мы прошли пять официальных проверок регуляторных органов, ведь это зона высоких рисков, цена ошибки здесь очень велика. И каждый раз проверка валидировала нашу модель и подтвердила: ИИ-интеграция удалась.
Удалась потому, что мы изолировали ИИ, создав песочницу, в которой долгое время его тестировали, настраивали, проверяли. Позднее этот подход оформился уже в более широкий контур централизованного управления ИИ – с унификацией технологий, переиспользованием решений и контролем операционных и этических рисков. По итогам тестов нашими базовыми принципами стали:
● проектное управление внедрением каждого инструмента ИИ;
● вовлечение человека в принятие решений с отказом;
● полная аудируемость решений;
● Explainable AI как инструмент защиты банка и клиента.
ИИ обретает зрение
Эти революционные изменения потребовали новаций и в других областях. Скорость и качество скоринга резко возросли, банк стал больше выдавать кредитов – и увеличилась нагрузка на сопровождение клиентов, систему управления задолженностью (collection), маржинальность процессов. В этих условиях создание ИИ-ассистентов, которые сопровождают сделки, напоминают о платежах и просрочках, стало необходимостью.
Первым шагом было внедрение голосовых ассистентов в collection. Они не просто напоминали о платеже, а определяли оптимальное время и тональность разговора или СМС-сообщения, обращались по имени. Здесь базы данных, созданные в первой фазе, помогли перейти на уровень гиперперсонализации. ИИ подбирал правильный скрипт, время, канал коммуникации, чтобы мотивировать клиента оплатить задолженность.
Рост кредитования всегда под риском мошеннических атак. И здесь внедрение ИИ помогло качественно поднять уровень предотвращения фрода. Применение мультимодальных инструментов ИИ по данным банка позволило снизить уровень мошенничества до 30–40%, а в масштабах розничного кредитования fraud-rate стал одним из самых низких на рынке – в абсолютных цифрах это сотни тысяч человек, которых защитил ИИ. Именно в рамках борьбы с мошенничеством в нашей экосистеме появилось ИИ-зрение. Мы создали модели, которые переводят видео и изображения в векторы, тексты и тщательно анализируют. Мы разработали ассистентов, которые анализируют речь, тональность коммуникации, шаблоны поведения. Они очень эффективно просеивают эпизоды, где применяется социальная инженерия – когда сам клиент готов оформить кредит или снять деньги, будучи под психологическим воздействием.
По нашим данным, внедрение моделей глубокого обучения привело к росту объемов продаж в 3–5 раз, а доля просроченной задолженности NPL 90+ составляет 0,9%. Уровень фрода удалось снизить в 5–8 раз. OCR и Computer Vision дали дополнительный эффект: рост продаж на 30% при одновременном снижении фрода на 27%. Отдельный MVP Photoscoring показал снижение фрода социальной инженерии еще на 32%.
Место человека в экосистеме с ИИ
Один из самых популярных страхов – потеря работы, «алгоритмы всех уволят». В масштабах нашей экосистемы получилось наоборот – ИИ создал новые профессии, заставил существующие отделы взаимодействовать на новом уровне. В первый год команда для работы с ИИ в риск-менеджменте розничного кредитования насчитывала 20 человек, а теперь команда офиса Chief Data Officer выросла до 260, включая специалистов по сбору, хранению, обработке данных, их монетизации для роста клиентской ценности, а также по централизованной для всего банка разработке, масштабированию и управлению инструментами AI.
При этом ИИ в банке работает не только как инструмент роста, но и как средство разгрузки людей от рутинных операций. Виртуальный ассистент уже снизил нагрузку на операторов чатов до 45% за счет масштабирования LLM-модели. Голосовые роботы, в свою очередь, позволили снизить операционные расходы более чем на 30% и сократили время коммуникации с клиентом на 40% без потери эффективности. То есть вопрос стоит не в вытеснении человека, а в перераспределении его роли: меньше рутины, больше контроля, работы с настройками и больше решений.
Именно человек и его компетенции, уровень знаний определяют уровень успешности любой модели ИИ. И это, кстати, полностью сочетается с новым законом «Об искусственном интеллекте», где ключевое решение по ИИ – запрет полной автономии в критических решениях. Для банков это прямое требование сохранять человека в контуре принятия решений.
Риски для здоровой эволюции ИИ в бизнес-экосистеме
Есть несколько принципиальных, системных ошибок при внедрении ИИ. Его нельзя грубо навязать извне по кальке – наибольший эффект дает именно точечная прививка в болевые точки компании при строгом контроле процедур.
Довольно распространенная ситуация: в большой компании для улучшения клиентского сервиса внедрили чат-бот… Через какое-то время эффективность снижается – потому что для него нужно постоянно пополнять и актуализировать базу знаний. Бизнес-процессы меняются, и в базы данных нужно вносить изменения. Это огромный постоянный труд, который требуется для устойчивой и эффективной работы ИИ в экосистеме. В противном случае возрастают риски галлюцинаций ИИ, он все чаще переключает клиента на оператора-человека, создавая давление на ваши рабочие структуры и инвестиции.
Есть и серьезный юридический риск для банков. Нельзя внедрять ИИ и регулировать его одинаково на всех уровнях, единственная рабочая модель – разделение систем по уровню регуляторного и социального риска. Собственно, закон «Об искусственном интеллекте» использует гибридную модель управления рисками: три уровня риска и дополнительный критерий автономности. Отчасти это достигается изолированием ИИ от систем антифрода и сервисных моделей при обязательном вовлечении человека в принятие ключевых решений, соблюдением возможности проверки решений ИИ и внедрением Explainable AI как инструмента защиты банка и клиента.
Поэтому управление ИИ здесь строится уже не как набор технических настроек, а как отдельный контур governance. Банк описывает его через внутренние процедуры MLOps, нормы по персональным данным и информационной безопасности, а также через готовящиеся политику применения ИИ и профильный AI-комитет. Каталог рисков включает минимум четыре класса: этические, технические, операционные и регуляторные. В этот же контур входят анонимизация данных, шифрование на всех этапах передачи и хранения, регулярная валидация моделей, fallback-механизмы и правовая экспертиза решений.
В нашем случае при соблюдении принципов предварительного тестирования ИИ в закрытых системах, разделения уровней регулирования и постоянной адаптации ИИ-моделей за несколько лет был выстроен полный цикл работы с моделями: от сбора и очистки данных до валидации, мониторинга и документирования. Плавная эволюция позволила не только снизить операционные риски, но и пройти многочисленные проверки регуляторов без пересмотра процессов.
Роль ИИ в экосистеме банка сегодня
Хочу подчеркнуть: внедрение ИИ не было самоцелью, но его точечная прививка стала менять всю систему шаг за шагом. По внутренним оценкам, совокупный финансовый эффект от внедрения ИИ превысил сотни миллионов долларов. Банк смог перейти от корпоративной модели к цифровому банкингу, сохранив контроль над рисками. Для банковского рынка это важный сигнал: внедрение ИИ в экосистему снимает противоречие между устойчивостью и быстрым ростом.
Следующий этап – уже не просто расширение набора моделей, а создание единого централизованно управляемого контура внедрения ИИ. В этой логике развиваются чат-боты: от FAQ-бота к генеративному, затем к омниканальному и дальше к мультиагентному ассистенту. Параллельно банк внедрил единую платформу искусственного интеллекта, которая должна ускорять запуск ИИ-решений для бизнеса, снижать нагрузку на ИТ, сокращать time-to-market и обеспечивать единые правила качества, безопасности и контроля данных. Иначе говоря, речь идет уже не об отдельных умных инструментах, а об ИИ как новой операционной инфраструктуре банка.
