Как внедрить ИИ в финтехе и получить результат, а не дорогой пилот

Автор: Иван Манжетов, менеджер портфеля проектов в KODE

Внедрение ИИ в финтехе логичнее начинать не с вопроса «какую модель выбрать», а с проблемы, которую бизнес хочет решить. Нужно заранее понять, что будет считаться успехом, какие решения останутся за человеком, как фиксировать действия системы и на каком процессе сначала проверить гипотезу.

Иначе легко потратить деньги на пилот, который красиво работает на демо, но оказывается бесполезным или слишком рискованным в реальной работе.

Искусственный интеллект уже используют в финансовых компаниях: он помогает отвечать клиентам, искать подозрительные операции, оценивать заявки, разбирать большие объёмы данных. Банк России относит к основным целям применения ИИ снижение затрат, улучшение клиентского опыта, автоматизацию процессов и управление рисками. Но наличие ИИ само по себе ничего из этого не гарантирует.

Для бизнеса вопрос звучит проще: какую проблему мы хотим решить и по какой цифре поймём, что стало лучше? Если ответа нет, пилот рискует остаться просто дорогой демонстрацией технологии.

Что такое ИИ в финтехе

ИИ в финтехе — это программы, которые анализируют данные, ищут закономерности, готовят рекомендации или берут на себя часть действий внутри финансового продукта.

Например, система может распределять обращения в поддержку, замечать признаки мошенничества или показывать, на каком этапе клиенты чаще всего бросают заявку. Для этого не всегда нужна сложная кастомная разработка. В одном случае компании хватит помощника, подключённого к базе знаний. В другом придётся обучать отдельную модель, интегрировать её с внутренними системами и долго проверять качество работы. Поэтому сначала стоит понять, насколько сложную задачу вы вообще хотите решить. Попытка сразу автоматизировать всё обычно делает проект дороже и добавляет рисков.

Почему пилот ИИ не всегда доходит до запуска

На тестовых данных всё может работать отлично. Потом решение попадает в реальный процесс, где могут начаться проблемы. Причина не обязательно в модели. Часто проект ломается вокруг неё.

Например, у него нет одного владельца. Бизнес ждёт результата от IT-команды, разработчики ждут правила от юристов, сотрудники не понимают, кто должен проверять ответы системы. Формально решение готово, а взять его в работу никто не может.

Другая частая проблема: до пилота не зафиксировали исходные показатели. Команда не знает, сколько раньше занимала обработка заявки, сколько было ошибок и во сколько обходилась одна операция. После запуска сравнивать просто не с чем. Фраза «теперь вроде быстрее» для решения об инвестициях мало что даёт.

Мешают и данные. Они могут лежать в разных системах, дублироваться, конфликтовать между собой или содержать ошибки. Модель получает неполную картину, сотрудники начинают вручную исправлять её ответы, и обещанная экономия быстро исчезает.

Ещё один сценарий: компания сразу берётся за слишком большую задачу. Пилот растягивается на месяцы. За это время успевают поменяться требования, команда или сам продукт. Решение приходится переделывать ещё до первого полноценного запуска.

Где ИИ чаще всего приносит пользу в финтехе

Для первого внедрения лучше брать процесс, в котором много повторяющихся действий, уже накоплены данные и есть понятный показатель качества.

Как ИИ помогает службе поддержки

Система может искать информацию в базе знаний, определять тему обращения, готовить черновик ответа и передавать сложные случаи специалисту. Результат здесь легко измерить: посмотреть на время ответа, долю решённых вопросов и количество повторных обращений.

Полностью отдавать диалог с клиентом модели рискованно. Человек может обратиться с нестандартной ситуацией, связанной с деньгами, блокировкой счёта или подозрением на мошенничество. Такие разговоры требуют другого уровня ответственности.

Поэтому ещё до запуска нужно решить, на какие вопросы система отвечает сама, а в какой момент подключается сотрудник.

Как ИИ используют при проверке заявок

ИИ может искать связи в данных и предлагать оценку риска. Но если от рекомендации зависит важное решение, человек должен понимать, какие данные на него повлияли, и иметь возможность всё проверить.

В феврале 2025 года Суд ЕС по делу Dun & Bradstreet указал, что при автоматической оценке человеку нужно дать понятное объяснение того, как его данные привели к результату. Сложной формулы или общего описания программы для этого недостаточно.

В Кодексе этики Банка России для ИИ на финансовом рынке названы пять принципов: внимание к интересам человека, справедливость, прозрачность, безопасность и ответственное управление рисками. Кодекс рекомендательный, но хорошо показывает, чего регулятор ждёт от таких систем.

Российские банки уже широко используют ИИ в скоринге и антифроде. В Сбербанке решения принимаются с учётом большого количества факторов и сложных моделей. Сам банк отдельно фиксирует необходимость обеспечивать «прозрачность и объяснимость (Explainable AI)» и управляемость таких систем на уровне принципов применения AI.

Т-Банк построил антифрод-систему, которая, по открытым данным, выявляет мошеннические звонки с надёжностью более 99% и позволила предотвращать финансовые потери клиентов: от миллионов рублей в отдельных случаях до сотен миллионов в масштабе сервиса.

Здесь важно, что результат даёт не одна модель. Она работает внутри системы, где связаны данные, процессы и действия сотрудников.

Как ИИ помогает искать мошеннические операции

Система анализирует операции и отмечает те, которые выглядят подозрительно. Сотруднику уже не нужно вручную просматривать весь поток, он получает более короткий список для проверки. Здесь эффект можно считать через долю найденных случаев, число ложных тревог, предотвращённые потери и время проверки. Но количество обнаружений не единственный показатель. Если система слишком часто ошибается, сотрудники перестают доверять её сигналам. А обычные клиенты получают лишние блокировки и проверки.То есть антифрод, который видит мошенников везде, тоже нельзя назвать хорошим.

Как ИИ помогает улучшать продукт

Модель может анализировать путь клиента и находить места, где люди долго ждут, возвращаются назад или просто закрывают приложение. Это полезный сигнал, но не готовый ответ.Если пользователи массово уходят с одного экрана, модель увидит связь. Почему они это делают, ещё предстоит выяснить. Здесь нужен человек, который знает продукт, ограничения бизнеса и требования законодательства.

Крупнейшие банки мира уже прошли стадию экспериментов и сейчас пытаются считать реальную отдачу.JPMorgan за два месяца подключил к внутренним AI-инструментам 140 тысяч сотрудников, почти половину банка. При росте прибыли на 12% штат вырос только на 1%.В Bank of America 90% сотрудников ежедневно работают с AI, а количество обращений в IT-поддержку сократилось вдвое.Goldman Sachs развернул тысячи автономных AI-агентов и ожидает роста производительности в 3–4 раза.

Во всех этих случаях AI встроен в ежедневную работу, а эффект пытаются связывать с конкретными процессами и показателями. Это уже совсем другая история, чем отдельный пилот, которым несколько месяцев пользуется десять сотрудников.