Искусственный интеллект в банках: где он оправдал ожидания, а где пока нет — мнение Анны Архангельской
Искусственный интеллект (ИИ) перестал быть экспериментом — он стал инфраструктурной технологией, способной менять финансовый сектор на системном уровне. Алгоритмы машинного обучения, предиктивная аналитика и генеративные модели уже не только сокращают издержки и автоматизируют процессы, но и влияют на стратегию банков, управление рисками и клиентский опыт.
Однако, как отмечает Анна Архангельская, в российском и международном банковском сообществе накопился достаточно трезвый взгляд на ИИ. Несмотря на множество громких кейсов, эффект от внедрения технологий распределён неравномерно: в одних направлениях они дают измеримый результат, в других — остаются скорее в пилотной фазе или требуют серьезной доработки нормативной и методологической базы.
Где искусственный интеллект оправдал ожидания
1. Антифрод и риск-менеджмент
Наиболее зрелое применение ИИ сегодня наблюдается в сфере противодействия мошенничеству и оценки рисков. Алгоритмы машинного обучения способны анализировать миллионы транзакций в реальном времени, выявлять аномалии и нетипичные паттерны поведения клиентов.
В международной практике показательны решения крупных игроков — HSBC, JPMorgan Chase, ING Group — где модели на базе ИИ интегрированы в комплексные платформы AML (Anti-Money Laundering). В России схожие решения активно внедряются в крупнейших банках: автоматизация риск-профилей и сценариев мониторинга операций позволяет оперативно реагировать на подозрительные активности, снижая нагрузку на службы комплаенса.
ИИ также доказал эффективность при стресс-тестировании кредитных портфелей: предиктивные модели позволяют прогнозировать изменение уровня дефолтов при колебаниях макроэкономических параметров и строить более точные сценарии стрессовых ситуаций.
2. Цифровой клиентский сервис
В клиентском обслуживании ИИ давно перестал быть вспомогательным инструментом. Персонализированные рекомендации, чат-боты, голосовые ассистенты — всё это стало стандартом «цифрового фронт-офиса».
Например, Bank of America запустил виртуального помощника Erica, обрабатывающего более 1,5 млн запросов клиентов ежедневно. HSBC применяет машинное обучение для динамического анализа клиентских сегментов, что повышает конверсию маркетинговых кампаний.
По словам Анны Архангельской, российские банки также активно развивают это направление. Внедрение генеративных моделей на основе крупных языковых систем позволяет обрабатывать сложные запросы, требующие контекста. Для банков это не только сокращение издержек, но и повышение качества обслуживания, которое напрямую влияет на лояльность клиентов.
Где ожидания пока опережают результат
1. Комплаенс и регуляторная отчётность
Комплаенс остаётся одной из самых чувствительных областей банковской деятельности, где каждый алгоритм должен быть объясним и воспроизводим. Здесь ИИ сталкивается с барьером прозрачности решений.
Большинство регуляторов — от Европейского банковского управления (EBA) до Банка России — требуют, чтобы решения, влияющие на клиентские риски или комплаенс-процедуры, могли быть верифицированы человеком. В связи с этим «чёрные ящики» ИИ-моделей вызывают настороженность.
Международные примеры показывают, что внедрение explainable AI (XAI) — объяснимого ИИ — становится обязательным условием. Однако такие решения дороги, требуют специфической экспертизы и пока не масштабируются в массовом режиме.
Кроме того, использование ИИ в регуляторной отчётности требует унификации данных и стандартов их обработки. По словам Архангельской, пока ни на российском, ни на международном уровне не создана единая методология, которая позволяла бы банкам безопасно делегировать функции ИИ в этой сфере.
2. Кредитование и инвестиционный анализ
ИИ активно применяется в скоринговых системах, однако его роль в стратегическом кредитном анализе остаётся ограниченной. Проблема — в смещении данных (data bias) и необходимости учитывать качественные факторы, которые алгоритм не всегда способен корректно интерпретировать.
В США, например, практика использования ИИ в потребительском кредитовании уже подвергалась критике со стороны регуляторов за дискриминацию по возрасту и месту жительства. Европейский рынок, напротив, пошёл по пути внедрения гибридных моделей, где алгоритмы дополняются человеческой экспертизой — такой подход демонстрирует Nordea Bank и BNP Paribas.
Анна Архангельская отмечает, что в российских банках подход к скорингу также постепенно смещается в сторону «человеко-машинного контроля», где ИИ помогает сократить время принятия решения, но финальное слово остаётся за кредитным аналитиком. Это особенно важно в корпоративном сегменте, где риски сложны и многослойны.
Баланс инноваций и контроля
По мнению Анны Архангельской, главный вызов для банков — выстроить правильную систему AI governance, то есть управление жизненным циклом ИИ-моделей: от разработки до валидации и постоянного мониторинга.
В международной практике уже формируются стандарты такого управления. В 2024 году Банк международных расчётов (BIS) представил рекомендации по интеграции ИИ в банковские процессы с акцентом на прозрачность, управляемость и киберустойчивость. Эти принципы постепенно внедряются и на российском рынке, однако требуется развитие профессиональных компетенций, особенно на уровне внутреннего контроля и аудита.
В будущем ИИ станет не просто инструментом автоматизации, а основой регуляторных технологий нового поколения (RegTech 2.0). В ближайшие годы искусственный интеллект будет применяться для автоматической проверки сделок, формирования отчётности, оценки ESG-рисков и управления капиталом в реальном времени.
Однако успех возможен лишь при соблюдении трёх условий:
- прозрачность алгоритмов,
- контроль качества данных,
- этичность применения.
Как подчёркивает Анна Архангельская, устойчивый эффект достигается, когда ИИ встроен в стратегию управления рисками и корпоративного контроля, а не существует отдельно от них. Тогда технология становится не просто инновацией, а элементом зрелой финансовой архитектуры.
