ИИ в банке: где внедрять и какой эффект ждать

Банки внедряют ИИ дольше и системнее большинства отраслей: скоринг и антифрод на машинном обучении работают больше десяти лет. Сейчас к ним добавились языковые модели для сотрудников и клиентов, и портфель ИИ-проектов в крупных банках исчисляется десятками. Управленческий вопрос сместился: не «внедрять ли ИИ», а куда направить ограниченные ресурсы данных, команды и инфраструктуры, чтобы эффект был измеримым и не потерялся среди пилотов.

В открытой базе platforms.su больше 100 кейсов из банковской отрасли. Почти половина построена на предиктивной аналитике, ещё около 40% – на генеративных моделях. Повторяются пять сценариев.

Антифрод и защита клиентов от социальной инженерии

Задача: мошеннические схемы меняются быстрее правил, а большая доля хищений происходит, когда клиент сам подтверждает операцию под давлением. Модели оценивают каждую транзакцию в реальном времени, за доли секунды, учитывают поведение клиента во всех каналах, а графовые методы выявляют сети дропперов и организованные группы. Типичный результат – предотвращённые потери от сотен миллионов до миллиардов рублей в год и меньшая доля ложных блокировок, которые раздражают добросовестных клиентов.

Кредитный скоринг и андеррайтинг

Задача: ручной андеррайтинг малого и среднего бизнеса занимает часы, специалист обрабатывает единицы заявок в день, а классические скоринговые карты медленно адаптируются к поведению заёмщиков. Модели на последовательностях событий кредитной истории и данных об обороте выдают решение за секунды или минуты. В кейсах фиксируют снижение дефолтности в разы и сокращение срока рассмотрения сложных заявок с месяцев до дней.

Ассистенты для сотрудников на внутренних знаниях

Задача: сотрудники отделений и поддержки держат в голове сотни продуктов и тарифов или ищут ответ в разрозненных системах. Ассистент на языковой модели с поиском по базе знаний (RAG) находит и суммирует ответ. Время поиска сокращается примерно в 9–10 раз, в масштабах сети отделений эффект измеряется десятками миллионов рублей в год с ростом при тиражировании.

Клиентские ассистенты и контакт-центр

Задача: рост обращений без роста штата. Диалоговые помощники в приложении отвечают на вопросы об условиях продуктов, голосовые роботы и подсказки операторам ускоряют обслуживание, речевая аналитика проверяет все разговоры, а не выборку. Крупнейшие помощники обрабатывают миллионы запросов в месяц, переход от кнопочных ботов к генеративным моделям кратно увеличивает долю решённых вопросов.

Обработка документов и внутренние процессы

Задача: многостраничные договоры, ипотечные досье, входящая корреспонденция, обращения в ИТ-поддержку. ИИ классифицирует, извлекает данные, маршрутизирует. Время обработки внутренних обращений сокращается с дней до секунд, подготовка аналитики – в 2–3 раза. Экономичнее всего гибридная схема: языковая модель подключается только там, где правила и распознавание не справляются.

Сроки и порядок эффекта

Ассистент для сотрудников на готовой платформе и базе знаний запускается в пилоте за 1–3 месяца, но тиражирование на всю сеть отделений занимает до года. Модели антифрода и скоринга дают эффект быстро, если данные и платформа уже есть, и медленно, если их приходится строить. Совокупный эффект ИИ в крупных банках раскрывается в масштабе сотен миллионов и миллиардов рублей в год, но складывается из десятков проектов, каждый из которых по отдельности скромнее.

• Единая ML-платформа. Банки, которые собрали общий цикл разработки и вывода моделей в эксплуатацию, сокращают путь от гипотезы до промышленной модели с месяцев до недель. Без платформы каждая команда изобретает свой инструментарий.
• Модели в контуре банка. Генеративные сервисы для сотрудников массово запускались только после развёртывания моделей внутри периметра. Это снимает основное возражение ИБ и ускоряет работу моделей.
• Эффект считают в деньгах портфеля. Зрелые банки раскрывают совокупный эффект ИИ за год и прогноз до конца десятилетия. Это требует единой методики учёта эффекта по всем проектам.
• Массовое обучение сотрудников. Доступ к языковым моделям без обучения и библиотеки сценариев используется слабо. Удачные проекты сопровождаются программой для всех сотрудников, а не только ИТ.
• Мониторинг качества моделей. Антифрод и скоринг деградируют при смене поведения клиентов и схем мошенников. Без регулярного переобучения эффект уходит за кварталы.

1. Распылять бюджет на десятки чат-ботов. Каждое подразделение запускает своего помощника на своей платформе. Через год возникают дублирование затрат и разные стандарты безопасности.
2. Отдавать языковой модели решения с регуляторными последствиями. Ответ клиенту об условиях продукта или решение по кредиту требует проверяемости. Генеративная модель здесь – помощник человека или элемент гибридной схемы.
3. Оценивать антифрод только по предотвращённым потерям. Ложные блокировки и лишняя аутентификация стоят денег и клиентов. Нужны обе метрики.
4. Не учитывать требования к объяснимости. Решения по кредитам и блокировкам приходится объяснять клиенту и регулятору. Это закладывают в выбор модели.
5. Считать пилот успешным по отзывам пользователей. Без контрольной группы и базовой линии нельзя отделить эффект ИИ от сезонности и изменений продукта.

1. Свести все текущие ИИ-инициативы в один реестр: цель, владелец, метрика, статус, затраты.
2. Определить 3 приоритетных направления по сочетанию эффекта и готовности данных. Для большинства банков это антифрод, кредитный процесс и ассистент для сотрудников фронт-офиса.
3. Принять решение об общей платформе для моделей и языковых сервисов в контуре банка.
4. Утвердить единую методику расчёта эффекта: базовая линия, контрольная группа, срок оценки.
5. Запустить обучение сотрудников с библиотекой проверенных сценариев.
6. Назначить ответственного за риски моделей: мониторинг качества, объяснимость, соответствие требованиям регулятора и закона об ИИ.

• Как будет измерен эффект и кто подтверждает базовую линию?
• Где размещается модель и какие данные клиентов она видит?
• Как часто модель переобучается и кто следит за деградацией качества?
• Можно ли объяснить решение модели клиенту и регулятору?
• Какая доля обращений или операций проходит без человека и что происходит с остальными?
• Встраивается ли решение в общую платформу банка или требует отдельной инфраструктуры?
• Какова полная стоимость владения на три года, включая лицензии, вычисления и поддержку?

В банках ИИ уже дал отдачу в антифроде, кредитном процессе и работе с внутренними знаниями. Следующий шаг – управлять им как портфелем: единая платформа, единая методика эффекта и контроль рисков моделей. Отраслевые примеры собраны в базе кейсов ИИ на platforms.su. Центр компетенций ИИ проводит экспресс-диагностику портфеля и независимую оценку пилотов.