Как развитие ИИ трансформировало банковский сектор в России

Банковская сфера – один из лидеров по внедрению ИИ на российском финансовом рынке, как сообщает ЦБ. Каждый четвертый (24%) банк-респондент опроса ЦБ использует ИИ, каждый пятый (19%) тестирует пилотные проекты. Технология проникла практически во все бизнес-процессы и стала одним из драйверов развития современных банков.

Решения на основе моделей

Если раньше ведущую роль играли регламенты и экспертные оценки, то сегодня – данные и обученные на них модели. Развитие ИИ позволило банкам качественно обрабатывать большие объемы информации, что вручную было практически невозможно, и стимулировало движение банков к data-driven системе.

Критические решения в российских банках теперь принимаются на основе моделей, обученных на больших данных. ИИ используется для кредитного скоринга (главное направление применения ИИ в банковской сфере, согласно отчету ЦБ), оценки рисков, прогнозирования поведения клиентов, антифрода.

Алгоритмы обрабатывают сотни параметров за считанные секунды, и это не только информация по транзакциям клиента и его кредитная история: учитываются данные из социальных сетей, геолокации, статистики мобильных приложений и многое другое, вплоть до «лояльности» конкретному банку.

Например, у МТС-банка скоринг-модель анализирует 150 переменных. Кредит для конкретного клиента (стоимость, формат, объем) ИИ определяет за 1,5 секунды. Такой «многослойный» анализ позволяет выявлять скрытые закономерности и повышает точность решений.

В то же время, далеко не все решения сейчас принимаются с активным участием ИИ, даже в рамках кредитов. ИИ действует достаточно формально, он не может учитывать полутона и нюансы. Поэтому, по мнению директора по продажам и маркетингу «Норвик банка» Игоря Розанова, например, при работе с МСП преждевременно внедрять ИИ на уровне выше инструментального.

Важно отметить, что ИИ начинает участвовать в принятии решений не только в отношении кредитных продуктов. Например, ВТБ использует ИИ для анализа регуляторных требований, управления рисками и даже для поиска эффективных локаций под офисы и банкоматы. С помощью алгоритмов машинного обучения банк определяет места с большей проходимостью и потребностью в финансовых услугах, может увидеть нерентабельные отделения и закрыть их до того, как получит серьезные убытки.

Контроль пути клиента и понимание интересов

До активного развития ИИ персонализация подхода банков к взаимодействию с клиентом строилась в основном на базовой сегментации – по полу, возрасту, уровню доходов, месту жительства или пребывания. Основным источником данных были операции по карте. Персональные предложения с учетом этой информации выглядели довольно просто: условным пенсионерам – вклад, молодежи – кредитные карты.

Развитие ИИ дало, во-первых, больший объем информации: вплоть до того, в каком разделе мобильного приложения клиент дольше находился и в какое время открывал приложение. Во-вторых, глубокий анализ больших данных, их обработка и прогнозирование на их основе позволили банкам формировать более точный и полный портрет каждого клиента, предугадывать его вопросы, пожелания и сомнения и оперативно на них реагировать.

Благодаря этому банки, с одной стороны, могут формировать более эффективные гипотезы по дальнейшему развитию, выпуску продуктов, изменению условий обслуживания и другим аспектам. Например, ПСБ после анализа клиентской базы увидел, что 10% неактивных клиентов сегмента МСП сосредоточены в e-commerce, и запустил пакет из 55 инструментов для селлеров маркетплейсов и интернет-предпринимателей.

С другой стороны, они повышают свою конкурентоспособность за счет того, что находят короткий и точный путь к сердцу клиента, завоевывают его лояльность через проявление заботы о персональных интересах и потребностях.

Например, Альфа-банк протестировал автоматизированное решение для генерации персонализированных sales-аргументов, которые формируются с учетом реальных транзакций клиентов и преимуществ продукта. Классические ML-модели выбирают клиентов, склонных к покупке продукта, потом происходит разметка базы с помощью LLM и нейросетей. Дальше LLM помогает сгенерировать персонализированные аргументы, и скрипт назначает их клиентам из целевой выборки.

Для каждого пользователя подбирается уникальная комбинация аргументов. Тестирование продукта показало рост конверсии в согласие (на подключение продукта) и в подключение после триала (пробной версии). Обе конверсии выросли на 16%.

Персонализация предложений продуктов и услуг входит в число основных направлений применения ИИ в банковской отрасли, как показывает отчет ЦБ.

Новый подход к работе с сотрудниками

Развитие чат-ботов и ИИ-ассистентов изменило бизнес-процессы банков на двух уровнях: рутинные задачи сотрудников в контуре компании и взаимодействие с клиентами.

ИИ стал виртуальным помощником сотрудников для поиска информации, подготовки документов, составления ответов на запрос клиента. Он значительно ускорил эти задачи и повысил качество их выполнения. Например, в ВТБ раньше оцифровка отчетности клиентов и проверка результатов требовала несколько часов, а сейчас с помощью ИИ аналитик это делает менее чем за минуту.

А внутренний ИИ-ассистент «Сова» помогает сотрудникам Совкомбанка искать корпоративную информацию за 20-40 секунд вместо нескольких минут, решать 99% типовых вопросов без обращения к коллегам (руководителям и HR-специалистам). Банк экономит 310 тыс. часов ежегодно, при этом более 80% сотрудников довольны новым ассистентом.

Также ИИ помогает сотрудникам решать проблемы клиентов. Например, если человек обратился в банк из-за того, что у него в банкомате застряла карта, сотрудник получает детали проблемы (какой банкомат, кто клиент) и инструкцию по ведению диалога. Или если сотрудник запрашивает информацию по продукту, перед сотрудником выводятся все доступные для конкретного человека предложения.

Благодаря этому повышается качество работы сотрудников и обслуживания клиентов. В Почта-банке отметили, что ИИ помог уменьшить время решения по обращениям, повысить NPS (лояльность потребителей) и снизить число жалоб пользователей.

Вместе с этим ИИ выходит на полноценную коммуникацию с клиентом. В чате поддержки бот обрабатывает простые запросы и жалобы, и только при столкновении со сложной ситуацией переводит беседу к оператору. У ВТБ в 2024 году чат-бот обслуживал больше 3 млн. клиентов ежемесячно и на 85% запросов отвечал без участия сотрудника.

Следующий этап – переход к более сложным ИИ-ассистентам, которые станут персональными помощниками клиентов. Не просто консультировать пользователя, а совершать за него заданные операции: подобрать и открыть вклад, сформировать заявку, провести перевод и т.д.

Сейчас банки постепенно исследуют это направление, особенно для бизнес-клиентов. «Точка» с осени 2023 года развивает «Ассистента» – ИИ-сервис для предпринимателей. Он может посчитать долги контрагентов, ответить на вопросы про бизнес (по базе знаний «Точки») и про уплату налогов, сделать перевод по СБП, открыть депозит.

А Сбербанк работает над системой ИИ-агентов на базе своей модели GigaChat для обслуживания бизнеса. Агенты ориентированы на работу с наиболее востребованными у предпринимателей вопросами: расчеты, эквайринг, самоинкассация и другие.

ИИ-агенты и мультиагентные системы становятся глобальным трендом в цифровизации банков по всему миру. Но при этом важно анализировать, где именно ИИ-ассистент или чат-бот оправдан, а где его применение избыточно, в том числе с экономической точки зрения.

Например, в банке «Синара» столкнулись с ситуацией нехватки ресурсов на развитие чат-ботов для работы с клиентами. Анализ показал, что на конкретных объемах работы для банка более целесообразно взять больше операторов колл-центра, чем команду разработки ИИ для чат-бота.

Изменение роли банка для клиента

Вырос уровень сервиса и объем возможностей, которые банк готов предоставить потребителю. В результате трансформировалась сама роль банка: теперь недостаточно просто сберегать и/или приумножать деньги клиента, помогать ему проводить финансовые операции – нужно встраиваться в его повседневные и стратегические задачи.

Большинство экспертов, опрошенных в исследовании ОТП-банка, ассоциации ФинТех и НАФИ, полагают, что ИИ будет одним из главных трендов, меняющих банковскую сферу в ближайшие годы. Для каждого четвертого клиента (27%) ИИ в работе банка уже становится конкурентным преимуществом – это особенно актуально для потребителей в возрасте 25-34 лет.

Банки, в свою очередь, видят реальную экономическую ценность технологии. Сбер сообщал, что по итогам 2024 года финансовый эффект от внедрения ИИ превысил 400 млрд. рублей. В 2025 году ожидали как минимум такой же результат. От генеративного ИИ не менее 50 млрд. рублей. А в 2026 году Сбер прогнозирует 550 млрд. рублей общего эффекта от внедрения ИИ во всех направлениях.

ВТБ в конце 2025 года оценивал совокупный эффект от внедрения ИИ в бизнес всей группы в 15 млрд. рублей. И по прогнозам в ближайшие два года показатель может вырасти до 50 млрд. рублей. Хотя «на первоначальной стадии это в основном большие затраты», по словам главы ВТБ Андрея Костина.

У Россельхозбанка, по словам заместителя Председателя правления Россельхозбанка Екатерины Елмановой, ожидаемый экономический эффект от внедренных решений до 2029 года составляет не менее 8,8 млрд. рублей. Банк использует системный подход к большим языковым моделям и продолжит использовать отраслевые и малые языковые модели и мультиагентные системы.

* * *

ИИ становится необходимым инструментом для банковской отрасли: технологией, которая помогает качественнее работать с клиентом, расширяет возможности банков и ускоряет многие бизнес-процессы. Но ощутимую пользу от внедрения ИИ получают те, кто не ждет от ИИ эффекта волшебной палочки, которая починит все несовершенства. Чтобы он работал, ему нужен крепкий фундамент, качественная базовая инфраструктура. Только тогда он начинает оправдывать вложенные инвестиции.