Вся информация защищена внутренним NDA
Хотите запустить успешный проект? Напишите нам
Вся информация защищена внутренним NDA
Запросить демо
Банки применяют ИИ там, где объём данных делает ручную работу бессмысленной: оценка кредитных рисков, выявление мошеннических операций в реальном времени, персонализация продуктов, прогнозирование оттока клиентов. Это не будущее — это то, что уже работает в Сбере, Т-Банке, ВТБ и десятках других игроков. В статье — подробно о каждом направлении, о барьерах внедрения и о том, как оценить результат.
Честно о том, с чего всё началось
Потом что-то щёлкнуло. Не одно событие — целая совокупность: объём цифровых транзакций вырос на порядки, появились рабочие инструменты машинного обучения, вышло первое поколение специалистов, которые умели это всё применять. И банки начали получать реальные результаты — не проценты роста конверсии, а миллиарды сохранённых рублей на мошенничестве, измеримое снижение дефолтности портфеля.
Лет десять назад слово «ИИ» в контексте банков звучало примерно как «блокчейн» сейчас: модно, непонятно, все хотят, никто не знает зачем. Банки запускали пилоты, отчитывались на конференциях, а реальных внедрений было кот наплакал.
Сейчас ситуация другая. Применение ИИ в финансах — это уже не вопрос «зачем», это вопрос «как именно» и «насколько глубоко». Банки, которые не внедрили хотя бы базовые ML-модели в скоринг или антифрод, проигрывают конкурентам не метафорически, а вполне конкретно — в деньгах.
Кредитный скоринг: от четырёх параметров к четырёмстам
Классическая скоринговая модель — это почти анекдот для современного дата-сайентиста. Доход. Занятость. Возраст. Кредитная история. Всё. Берёшь эти четыре числа, прогоняешь через линейную регрессию, получаешь балл. Выше порога — одобряем, ниже — отказываем.
Машинное обучение работает принципиально иначе. Современная скоринговая модель может учитывать сотни признаков. Буквально.
Вот примеры того, что реально попадает в модели:
Проблема в том, что такая модель ошибается в обе стороны. Молодой специалист без кредитной истории получает отказ — хотя он вполне надёжный заёмщик. Человек со старой, чистой историей и стабильной зарплатой получает одобрение — хотя за последние полгода его финансовое поведение изменилось так, что это должно было насторожить.
Что это даёт на выходе? Точность предсказания дефолтов растёт ощутимо. Количество необоснованных отказов снижается. Банк одобряет больше заявок от реально надёжных клиентов — и меньше от тех, кто выглядит надёжно, но таковым не является.
Есть и обратная сторона. Чем сложнее модель — тем сложнее её объяснить. Регулятор (об этом ниже) требует, чтобы отказ в кредите можно было обосновать. «Алгоритм так сказал» — не обоснование. Поэтому банки балансируют между точностью и интерпретируемостью модели, и это не всегда простой выбор.
Поведение в мобильном приложении — как часто человек заходит, в какое время, что проверяет в первую очередь. Клиент, который ежедневно смотрит баланс и планирует расходы, статистически ведёт себя иначе, чем тот, кто открывает приложение раз в месяц.
Геолокация (с согласия клиента) — человек, который перемещается по одному маршруту дом-работа-магазин, имеет другой профиль, чем тот, кто постоянно в разъездах.
История платежей за услуги ЖКХ — не кредитная история, а именно коммунальные. Регулярно платит вовремя? Хороший сигнал.
Соотношение входящих и исходящих платежей в динамике за 6–12 месяцев — не просто остаток на счёте, а паттерн движения денег.
То, как заполняется анкета — скорость ввода данных, исправления, паузы. Это звучит странно, но некоторые банки действительно используют поведенческую биометрию при заполнении форм.
Антифрод: когда правила перестают работать
Есть такой тип задачи, где классический подход ломается быстрее всего. Мошенничество — именно такая задача.
Написали правило: «блокировать транзакции больше 50 000 рублей из нетипичного региона». Мошенники адаптировались — начали дробить. Написали правило на дробление. Адаптировались снова. Это бесконечная гонка, в которой правила всегда отстают от реальности — потому что правила пишутся по уже известным схемам.
Машинное обучение отстаёт меньше. Не потому что оно умнее, а потому что работает иначе: строит статистический профиль нормального поведения каждого конкретного клиента и ищет отклонения от него.
Один и тот же паттерн — перевод 80 000 рублей незнакомому получателю ночью — для одного клиента является нормой (он регулярно так делает, это, например, оплата по договору), а для другого — аномалией, которую стоит проверить. Правило такую разницу не уловит. Персонализированная модель — улавливает.
Несколько цифр для контекста. По данным Банка России, только за 2023 год объём несанкционированных операций с платёжными картами превысил 15,8 млрд рублей. Это деньги, которые ушли мошенникам. Банки, перешедшие на ИИ-антифрод, фиксируют снижение потерь от мошенничества в диапазоне 30–60% в течение первых двух лет работы системы. Это не маркетинговые цифры — это то, что видно в P&L.
При этом снижается количество ложных блокировок. Это тоже важно: заблокированная легальная транзакция — это недовольный клиент, звонок в поддержку, возможный отток. ИИ-модель, обученная на реальных данных, точнее отличает подозрительное от нормального.
Скорость тоже важна. Антифрод-решение принимает решение за миллисекунды — до завершения транзакции. Система либо пропускает операцию, либо инициирует проверку (звонок, SMS-подтверждение), либо блокирует. Всё это происходит незаметно для честного клиента и до того, как деньги ушли мошеннику.
Это, пожалуй, самое сложное. Когда клиент сам переводит деньги мошеннику — добровольно, под влиянием психологического давления — техническая защита бессильна. Транзакция выглядит нормально: клиент авторизован, действует сам, сумма может быть любой.
Здесь ИИ используется иначе: анализирует поведенческие паттерны разговора (если есть колл-центр), длительность сессии, нетипичные последовательности действий — например, клиент зашёл в приложение, долго смотрел на экран, потом резко перевёл крупную сумму новому получателю. Это не 100% защита, но это сигнал, который можно перехватить.
Социальная инженерия
Персонализация: когда банк знает, что вам нужно, раньше вас
«Специальное предложение для вас» — эту фразу за последние годы настолько заездили, что она вызывает скорее раздражение, чем интерес. Причина простая: большинство «персонализированных» предложений таковыми не являются. Это рассылка по сегменту «все клиенты до 35 лет с картой», замаскированная под персональный подход.
Настоящая персонализация — другая история.
Возьмём простой пример. Клиент каждый месяц делает перевод на одну и ту же сумму примерно в одно и то же время — около 25-го числа. Получатель каждый раз новый (или один и тот же физлицо). Паттерн устойчивый, полгода подряд. Это, скорее всего, аренда. Банк, который умеет это видеть, может предложить релевантное: специальные условия на переводы, кешбэк на аренду жилья, или — если сумма выросла — кредитный продукт с подходящим лимитом.
Это не магия. Это нормальная работа модели, которая обучилась на исторических данных и научилась узнавать жизненные ситуации клиента.
Другой пример. Клиент три месяца подряд делает крупные покупки в строительных магазинах — «Леруа», «Петрович», OBI. При этом остаток на счёте снижается. Высокая вероятность ремонта. Подходящий момент предложить рассрочку или потребительский кредит с нужным лимитом — не через полгода, когда ремонт закончится, а сейчас.
Сбер, Т-Банк, ВТБ, Альфа-Банк — все они уже работают с такими моделями. Разница в глубине: у кого-то это базовая сегментация на основе транзакций, у кого-то — полноценные рекомендательные системы, которые в реальном времени формируют индивидуальное предложение при каждом открытии приложения.
Помимо предложений клиентам, ИИ используется для оптимизации самих продуктов. Какие ставки по вкладам сработают для какого сегмента? Какой кредитный лимит повысит лояльность без существенного роста риска? Как изменить условия по карте, чтобы увеличить использование именно в нужной категории?
Это не угадывание. Это A/B-тестирование в сочетании с предиктивными моделями: сначала модель предсказывает реакцию разных сегментов на изменение, потом запускается эксперимент, результаты снова идут в модель. Цикл.
Персонализация в управлении продуктами
Прогнозная аналитика: что будет завтра
Это, пожалуй, самое недооценённое направление применения ИИ в финансах. Большинство разговоров крутятся вокруг антифрода и скоринга — потому что там результат очевиден и измерим. Прогнозная аналитика работает тоньше, но эффект может быть не менее значительным.
Стандартная ситуация: клиент закрывает счёт. Банк узнаёт об этом, когда клиент уже позвонил и сказал «хочу закрыть». Удержать на этом этапе сложно — человек уже принял решение, скорее всего, перешёл к конкуренту или нашёл лучшие условия.
Модели прогнозирования оттока работают иначе. Они смотрят на изменение поведения клиента за 60–90 дней до предполагаемого ухода. Снизилась частота использования карты. Перестал пользоваться определёнными сервисами. Несколько раз заходил в раздел «закрыть счёт» и выходил. Это сигналы.
Банк, который умеет их читать, может выйти с удержанием-оффером заранее — пока клиент ещё не принял окончательного решения. Улучшить условия. Предложить что-то релевантное. Это принципиально другой разговор, чем «пожалуйста, не уходите» в момент закрытия.
Банк — это не просто хранилище денег. Это машина, которая постоянно балансирует между привлечёнными средствами и размещёнными активами. Ошибка в прогнозе ликвидности стоит дорого — либо деньги лежат мёртвым грузом (потери на недополученной доходности), либо их не хватает в нужный момент (риски и штрафы от регулятора).
ИИ-модели прогнозируют движение средств — притоки и оттоки депозитов, поведение клиентов в конце месяца, реакцию на изменение ставок. Это позволяет казначейству планировать точнее и с меньшей подушкой безопасности — то есть эффективнее размещать активы.
Регулятор требует от банков регулярного стресс-тестирования портфелей: как поведут себя активы при различных сценариях — росте ставок, падении курса рубля, ухудшении экономической ситуации в отдельных отраслях?
Раньше это делалось вручную: аналитики брали несколько сценариев (оптимистичный, базовый, стрессовый) и считали. Это долго и охватывает мало сценариев.
ИИ генерирует тысячи сценариев автоматически, выявляя нелинейные зависимости и точки уязвимости, которые аналитик мог бы просто не заметить. Скорость выросла в разы, покрытие — тоже.
Противодействие отмыванию денег — одна из самых ресурсоёмких задач в банке. Традиционно это огромные команды, которые вручную проверяют подозрительные транзакции, собирают документы, формируют отчёты для Росфинмониторинга.
ИИ здесь делает две вещи. Первое — отсеивает ложные срабатывания: правила для AML традиционно настраиваются консервативно, что даёт много сигналов, большинство из которых оказываются невинными. Модель учится отличать реально подозрительные паттерны от случайных совпадений. Второе — выявляет сложные схемы: цепочки транзакций через несколько счетов и юрисдикций, которые вручную практически невозможно проследить за разумное время.
Отток клиентов — и как его остановить
Управление ликвидностью
Стресс-тестирование
AML и комплаенс
Использование ИИ в российских банках: своя история
Разговор про ИИ в финансах часто начинается с американских и европейских примеров. Это понятно, но не всегда уместно — у российского рынка своя траектория.
Тинькофф (сейчас работает как Т-Банк) строил аналитику на машинном обучении ещё в начале 2010-х — тогда, когда большинство российских банков ещё спорили, нужен ли им вообще собственный IT-департамент. Это был цифровой банк с рождения, без наследия бумажных процессов, и это позволило ему быстрее внедрять новые подходы.
Сбер пошёл другим путём. Собственная инфраструктура для работы с большими данными, собственные языковые модели (GigaChat), собственные чипы для AI-вычислений в разработке. Это не стартап-скорость, но это промышленный масштаб, который мало кто в России может себе позволить.
ВТБ и Альфа-Банк активно внедряли ИИ в кредитование и антифрод примерно в 2018–2021 годах. Региональные банки подтягивались позже — и многие до сих пор в процессе.
После 2022 года ситуация изменилась. Ограниченный доступ к западным технологиям — облачным платформам, некоторым инструментам разработки — создал неудобство, но одновременно ускорил развитие собственных решений. Российские вендоры, предлагающие платформы для банковской аналитики, получили рынок, который раньше был занят западными игроками.
Сейчас ИИ в российских банках — это не нишевая история крупнейших игроков. Это уже практика, которая добралась до банков второго-третьего эшелона. Хотя глубина внедрения, конечно, разная.
Что мешает и как с этим живут
Было бы нечестно рисовать картину, где всё идёт гладко. Есть реальные барьеры, и они никуда не делись.
Данные. Самая частая и самая недооценённая проблема. ИИ — это, в сущности, функция от данных. Хорошие данные — хорошая модель. Плохие данные — плохая модель, сколько бы денег вы ни вложили в инфраструктуру. А у многих банков данные живут в разрозненных системах, с разной логикой, разными форматами, дублированием и пропусками. Привести это в порядок — отдельный проект, часто более дорогой и длинный, чем сама разработка модели.
Объяснимость. Банк России и другие регуляторы требуют, чтобы решения, принятые с участием ИИ, можно было объяснить. Особенно — отказ в кредите. «Модель так посчитала» — не ответ, который удовлетворит ни регулятора, ни судью. Это ограничивает использование самых мощных, но непрозрачных алгоритмов. Банки балансируют: либо используют более простые, но объяснимые модели, либо строят слой интерпретации поверх сложных — через SHAP-значения, которые показывают, какой признак как повлиял на решение.
Кадры. Data scientist с пониманием банковской специфики — это редкость. Рынок таких специалистов перегрет: зарплатные ожидания высокие, а опыт специфический. Часть банков решает это партнёрством с внешними командами. Часть выращивает внутри — это дольше, но даёт более устойчивый результат.
Внутреннее сопротивление. Это, пожалуй, самый недооценённый барьер. Аналитик, который 10 лет строил скоринговую модель в Excel и гордится ею, не в восторге от того, что теперь её заменяет нейросеть. Руководитель, который не понимает, как объяснить совету директоров ROI от машинного обучения, не спешит подписывать бюджет. Это человеческие истории, и техническими решениями они не решаются.
Регуляторная неопределённость. Правила игры в части ИИ ещё формируются. Банк России активно работает над регуляторной базой, но ряд вопросов — особенно вокруг использования данных, объяснимости, ответственности за решения ИИ — пока не закрыт. Банки работают в условиях определённой неопределённости, и часть из них предпочитает подождать, пока правила устоятся.
Куда движется рынок
Несколько направлений, за которыми стоит следить:
Embedded finance и ИИ — финансовые продукты встраиваются в нефинансовые экосистемы (маркетплейсы, сервисы доставки), и ИИ там нужен для мгновенного скоринга в точке принятия решения о покупке
Регуляторная отчётность в автоматическом режиме — банки тестируют системы, где формирование отчётности для ЦБ происходит почти без участия людейРегуляторная отчётность в автоматическом режиме — банки тестируют системы, где формирование отчётности для ЦБ происходит почти без участия людей
Предиктивное управление операционными рисками — не только финансовые, но и операционные риски: сбои систем, кибератаки, ошибки процессов
Ужесточение требований к прозрачности — регуляторы по всему миру движутся в сторону обязательной объяснимости ИИ-решений, и российский ЦБ не исключение
FAQ
Нет — но изменит их работу серьёзно. Рутинные задачи уходят: построение стандартных отчётов, мониторинг аномалий по заданным правилам, расчёт типовых скоринговых баллов — всё это автоматизируется. Но интерпретировать результаты, принимать решения в нестандартных ситуациях, объяснять бизнесу, что означают числа, строить гипотезы — это остаётся за людьми. Аналитик, который умеет работать с ML-инструментами и понимает, как устроены модели, стоит дороже, чем тот, кто умеет только строить сводные таблицы.
Модель не принимает решение в вакууме. Она формирует рекомендацию — и эта рекомендация либо проверяется человеком (в сложных случаях), либо валидируется автоматически по установленным правилам (в стандартных). При этом современные подходы к объяснимости позволяют проследить, какие факторы повлияли на результат. Это не менее прозрачно, чем субъективная оценка кредитного офицера, — а в ряде случаев и более воспроизводимо: алгоритм применяет одни и те же критерии ко всем заявкам, без настроения и усталости.
Несколько стандартных подходов: обезличивание до попадания в обучающую выборку, federated learning (модель обучается локально, без централизованной передачи данных), синтетические данные (генерация «похожих» данных без реальных записей). Плюс регуляторная рамка — 152-ФЗ и требования ЦБ создают обязательства, нарушение которых чревато серьёзными последствиями. Другой вопрос — насколько всё это реально соблюдается в каждом конкретном банке, и здесь уровень разный.
Да. Это не требует строить собственный датацентр или нанимать команду из 20 data scientists. Облачные платформы предоставляют готовые модели по подписке. Специализированные вендоры разворачивают решения «под ключ» — антифрод, скоринг, прогноз оттока — за разумные деньги. Правильная стратегия для небольшого банка: начать с одной задачи, выбрать измеримый результат, запустить быстро и оценить. Масштабировать потом. Главное условие — не размер бюджета, а качество данных и ясность бизнес-цели.
Зависит от задачи. Для антифрода — снижение потерь в рублях, доля корректно заблокированных операций и доля ложных блокировок. Для скоринга — статистики качества модели (Gini, KS) и изменение дефолтности одобренного портфеля. Для оттока — сколько клиентов из «группы риска» удержали и сколько это стоило против потенциальных потерь. Обязательное условие в каждом случае — контрольная группа. Без неё вы не сможете отделить эффект модели от сезонных колебаний или рыночных изменений.
Объяснимый ИИ — это когда модель не просто выдаёт скор или решение, но и показывает, какие факторы на него повлияли и в каком направлении. Например: «вероятность дефолта повышена — основные факторы: рост долговой нагрузки за последние 3 месяца (+18 пунктов), появление нового кредита у другого банка (+12 пунктов), снижение входящих платежей (-9 пунктов)». Это важно по двум причинам: регуляторы требуют обоснования решений, а сотрудники банка должны понимать, что и почему делает модель, чтобы ей доверять. На практике — методы SHAP и LIME позволяют строить такие объяснения даже для сложных моделей.
С диагностики данных. Прежде чем думать о моделях — нужно честно ответить на вопросы: какие данные есть, где они хранятся, насколько они полные и достоверные, есть ли исторические данные с разметкой (например, по дефолтам). Потом — выбрать одну конкретную бизнес-задачу с измеримым результатом. Не «внедрить ИИ», а «снизить потери от мошенничества» или «увеличить точность скоринга». Запустить пилот за 3–4 месяца. Оценить. Масштабировать только то, что доказало результат. Банки, которые начинают с построения «платформы для ИИ» без конкретной задачи, в большинстве случаев тратят бюджет и не получают ничего измеримого.
Хотите разобраться, где именно ИИ-аналитика даст наибольший эффект в вашем банке или финтехе? Оставьте заявку — проведём бесплатную экспресс-диагностику: посмотрим на ваши данные, бизнес-задачи и покажем реальные точки роста.
Оксана Иванова
28 апреля 2026 г.
5 мин.
Получите Консультацию
Cобираем уникальную команду профессионалов под каждого клиента