AI в финтехе: почему одни получают эффект, а другие — дорогой пилот

Автор: Иван Манжетов, менеджер портфеля проектов в KODE.

Чтобы внедрение ИИ в финтехе принесло пользу, нужно начинать не с выбора модели, а с конкретной проблемы бизнеса. Компания должна заранее определить показатель успеха, оставить важные решения за человеком, записывать действия системы и проверить результат на одном процессе. Такой подход помогает не потратить бюджет на пилот, который невозможно безопасно запустить в реальной работе.

Искусственный интеллект уже помогает финансовым компаниям отвечать клиентам, искать подозрительные операции, оценивать заявки и разбирать большие объёмы данных. Банк России относит к основным целям применения ИИ снижение затрат, улучшение клиентского опыта, автоматизацию процессов и управление рисками. Но сама по себе новая технология не гарантирует ни экономии, ни роста выручки.

Главный вопрос для бизнеса звучит проще: какую проблему решает ИИ и как компания поймёт, что решение работает? Если на него нет точного ответа, пилот легко превращается в дорогую демонстрацию возможностей.

Что такое ИИ в финтехе

ИИ в финтехе — это программы, которые анализируют данные, находят закономерности, готовят рекомендации или выполняют часть рабочих действий в финансовом продукте. Например, такая система может распределять обращения в поддержку, замечать признаки мошенничества или подсказывать, на каком шаге клиенты чаще бросают заявку.

Не каждый сценарий требует сложной разработки. Иногда компании достаточно подключить помощника к базе знаний. В других случаях нужно обучать отдельную модель, связывать её с внутренними системами и долго проверять качество решения.

Поэтому сначала важно определить уровень задачи. На первом уровне ИИ помогает отдельному сотруднику: ищет информацию, готовит черновики ответов и кратко пересказывает документы. Эффект такого решения можно оценить по времени выполнения задач и количеству обработанных обращений. На втором уровне ИИ улучшает конкретный процесс. Например, проверяет заявки, выявляет подозрительные операции и предлагает следующий шаг. В этом случае измеряют долю ошибок, скорость обработки и снижение потерь от мошенничества. На третьем уровне ИИ участвует сразу в нескольких связанных процессах: получает данные из разных систем, предлагает решение и передаёт задачу сотруднику. Результат оценивают по стоимости операции, скорости всей цепочки и возможности увеличивать объём работы без расширения команды. Первые два уровня подходят для старта. Третий может дать больший эффект, но требует чистых данных, понятных правил и контроля. Пытаться сразу охватить все процессы обычно слишком дорого и рискованно.

Почему пилот ИИ не всегда доходит до запуска

Пилот может хорошо выглядеть на тестовых данных и не справиться с реальной работой. Обычно причина не в том, что модель «недостаточно умная». Проблема возникает вокруг неё. У проекта нет одного владельца. Бизнес ждёт результат от IT-команды, разработчики ждут правила от юристов, а сотрудники не понимают, кто должен проверять ответы системы. В итоге решение формально готово, но никто не может принять его в работу.

Нет исходной цифры. Если до запуска команда не измерила время обработки, число ошибок или стоимость операции, после пилота ей не с чем сравнивать результат. Фраза «стало быстрее» не помогает принять решение об инвестициях.

Данные разбросаны по разным системам или содержат ошибки. ИИ получает неполную картину и даёт нестабильные рекомендации. Команда начинает вручную исправлять результат, и ожидаемая экономия исчезает.

Наконец, компания выбирает слишком большую задачу. За время долгого пилота меняются требования, команда и сам продукт. Проект приходится пересобирать ещё до первого запуска.

Где ИИ чаще всего приносит пользу в финтехе

Лучше всего начинать с процесса, где есть повторяющиеся действия, достаточно данных и понятный показатель качества.

Как ИИ помогает службе поддержки

Система может находить ответ в базе знаний, определять тему обращения, готовить черновик и передавать сложные случаи специалисту. Польза измеряется временем ответа, долей решённых вопросов и количеством повторных обращений.

Полностью отдавать общение с клиентом модели опасно. Клиент может описать нестандартную ситуацию, связанную с деньгами, блокировкой счёта или подозрением на мошенничество. Поэтому правила должны определять, когда ответ можно отправить автоматически, а когда разговор обязан продолжить сотрудник.

Как ИИ используют при проверке заявок

ИИ может искать связи в данных и предлагать оценку риска. Но в важных случаях человек должен понимать, какие сведения повлияли на рекомендацию, и иметь возможность проверить решение.

Это не только вопрос доверия. 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. Одной сложной формулы или общего описания программы 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 носит рекомендательный характер, но показывает ожидания регулятора.

В российских банках такие системы уже широко используются. Например, в скоринге и антифроде. В Сбербанк решения принимаются на основе большого количества факторов и сложных моделей, что позволяет достигать высокой точности. При этом 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 предотвратить финансовые потери клиентов от миллионов рублей в отдельных инцидентах до сотен миллионов рублей в масштабах сервиса. Это результат не одной модели, а системы где AI, данные и процессы выстроены в единый контур.

Как ИИ помогает искать мошеннические операции

Система анализирует операции и отмечает подозрительные случаи. Сотрудник получает не весь поток, а более короткий список для проверки. Результат можно считать через долю найденных случаев, число ложных тревог, предотвращённые потери и время проверки.

Важно следить не только за количеством обнаружений. Если система слишком часто ошибается, сотрудники перестают доверять сигналам, а обычные клиенты сталкиваются с лишними проверками.

Как ИИ помогает улучшать продукт

Модель может разбирать путь клиента: где он долго ждёт, возвращается назад или закрывает приложение. Но найденная связь ещё не означает, что система поняла причину. Решение должен проверить человек, который знает продукт, требования закона и ограничения бизнеса.

Крупнейшие банки мира уже прошли этап экспериментов и сейчас считают результат. JPMorgan за два месяца подключил к внутренним AI-инструментам 140 тысяч сотрудников, это почти половина банка. При росте прибыли на 12% штат вырос всего на 1%. Bank of America добился того, что 90% сотрудников ежедневно работают с AI, а обращения в IT-поддержку упали вдвое. Goldman Sachs развернул тысячи автономных AI-агентов и ожидает роста производительности в 3–4 раза.

Все эти результаты — следствие одного и того же подхода: AI встроен в операционку, каждое решение фиксируется, масштаб растёт без пропорционального роста команды.

Как внедрить ИИ в финтехе за пять шагов

Шаг 1. Выберите одну измеримую проблему

Не начинайте с формулировки «нам нужен ИИ». Опишите рабочую проблему: проверка заявки занимает 40 минут, сотрудники повторно отвечают на одни вопросы, а слишком много клиентов уходят на определённом шаге.

Запишите текущий показатель. Он станет точкой сравнения после пилота.

Шаг 2. Проверьте данные

Определите, где лежат данные, кто имеет к ним доступ и можно ли использовать их для выбранной задачи. Проверьте пропуски, ошибки и разные варианты записи одного и того же события.

Сразу уберите лишние персональные сведения. Модель должна получать только те данные, без которых нельзя решить задачу.

Шаг 3. Распределите ответственность

До разработки ответьте на четыре вопроса:

• кто отвечает за показатель бизнеса;
• кто проверяет качество рекомендаций;
• кто принимает окончательное решение;
• кто разбирает ошибки и жалобы клиентов.

Если владельца нет, пилот будет зависеть от личной инициативы отдельных сотрудников и остановится после теста.

Шаг 4. Запустите решение на ограниченной части процесса

Сначала подключите ИИ к небольшой доле обращений, заявок или операций. Сравните результат с обычным процессом. Не меняйте одновременно правила работы, интерфейс, команду и модель: иначе будет трудно понять причину результата.

Заранее задайте условия остановки. Например, пилот прекращается, если растёт число ошибочных блокировок или система передаёт сотрудникам больше ручной работы, чем раньше.

Шаг 5. Посчитайте итог и примите решение

Смотрите не только на точность модели. Полезнее оценить весь процесс:

• сколько времени и денег он экономит;
• как изменилось число ошибок;
• сколько ручной работы осталось;
• можно ли объяснить отдельное решение;
• сколько стоит поддержка системы;
• сохраняется ли качество при росте нагрузки.

После этого у бизнеса есть три честных варианта: расширить решение, доработать его или закрыть пилот. Закрытый пилот тоже может быть полезным результатом, если компания быстро проверила гипотезу и не потратила бюджет на большое внедрение.

Как измерить экономический эффект ИИ

Основная ошибка — считать только время, которое модель сэкономила одному сотруднику. Нужно учитывать стоимость подготовки данных, подключения к системам, проверки качества, защиты информации и дальнейшей поддержки.

Простая формула выглядит так:

Эффект = полученная экономия или дополнительный доход − все расходы на запуск и работу решения.

Например, помощник сократил время ответа, но число сотрудников не изменилось. Это не обязательно означает, что проект бесполезен. Команда могла начать быстрее решать сложные обращения или обслуживать больше клиентов. Но такой результат нужно показать цифрами, а не обещанием будущей экономии.

PwC в 2025 году оценивала, что широкое применение ИИ в банке может улучшить показатель операционной эффективности до 15 процентных пунктов. Это оценка возможного эффекта, а не гарантированный результат для любого банка. Итог зависит от качества процессов и масштаба внедрения.

Какие риски нужно проверить до запуска

Используйте короткий чек-лист:

• У проекта есть понятная задача и исходный показатель.
• Команда знает, какие данные получает система.
• Персональные данные защищены и не используются без необходимости.
• Важное решение можно проверить и объяснить человеку.
• Сотрудник может отклонить рекомендацию ИИ.
• Все действия и изменения записываются.
• Есть правила для ошибок и жалоб.
• Качество регулярно проверяется после запуска.
• Посчитаны расходы не только на пилот, но и на дальнейшую работу.
• Есть условие, при котором эксперимент нужно остановить.

Если хотя бы на несколько вопросов нет ответа, расширять пилот рано.

Когда стоит привлекать внешнюю команду

Внешняя команда полезна, когда нужно связать ИИ с действующим приложением, внутренними системами и реальным рабочим процессом. Подрядчик должен не просто показать модель, а помочь выбрать метрику, проверить данные, продумать роли и собрать решение, которое можно поддерживать после запуска.

Перед началом попросите команду описать границы пилота, критерии успеха, риски и полную стоимость следующего этапа. Подробнее о запуске финансовых сервисов можно почитать в материале «Как запустить финтех-продукт в России в 2026 году».

Главный вывод

Хорошее внедрение ИИ начинается с понятной проблемы, а не с модной технологии. Сначала выберите один процесс и измерьте его. Затем определите роль человека, настройте запись решений и проверьте пользу на небольшой части операций.

Если система помогает обрабатывать больше задач, снижает ошибки и оставляет процесс понятным для команды, пилот можно расширять. Если результат нельзя доказать цифрами или объяснить клиенту, масштабировать решение опасно — даже если демонстрация выглядит впечатляюще.

Частые вопросы об ИИ в финтехе

С чего начать внедрение ИИ в финтехе?

Начните с одной проблемы, которую уже можно измерить: долгого ответа, ручной проверки или потери клиентов на конкретном шаге. Зафиксируйте исходный показатель и только потом выбирайте технологию.

Сколько времени занимает пилот ИИ?

Единого срока нет: он зависит от данных, числа связей с другими системами и требований безопасности. До старта лучше оценить не только разработку, но и подготовку данных, проверку качества и согласование правил работы.

Можно ли полностью передать решение ИИ?

Для простых и безопасных действий это иногда возможно. Решения, которые влияют на деньги, доступ к услуге или права клиента, должны иметь понятные правила проверки и возможность участия человека.

Как понять, что пилот успешен?

Сравните заранее выбранный показатель до и после запуска. Дополнительно проверьте число ошибок, объём ручной работы, стоимость поддержки и возможность объяснить отдельное решение.

Почему хорошая модель может не дать пользы бизнесу?

Ей могут мешать плохие данные, неясные роли или слишком сложный процесс. Если сотрудники вынуждены постоянно исправлять ответы вручную, техническая точность не превращается в экономический результат.

Что делать, если ИИ ошибся?

Команда должна уметь восстановить цепочку действий: какие данные получила система, что предложила и кто утвердил решение. Затем нужно исправить последствие для клиента, найти причину и обновить правила проверки.

Как задать вопрос эксперту KODE?

Опишите процесс, текущую проблему и показатель, который хотите улучшить. Команда сможет оценить, нужен ли для задачи ИИ, какие данные потребуются и с какого пилота безопаснее начать.