Диана Хабибулина: «ИИ в банке не должен быть последней инстанцией»
Сейчас от ИИ в финтехе часто ждут почти мгновенного эффекта, такого как рост конверсии, снижение издержек, ускорение скоринга и поддержки. Какие ожидания, на ваш взгляд, реалистичны, а какие чаще всего завышены?
Реалистично ожидать от ИИ постепенного улучшения скоринга на 5–10% и снижения рутинной нагрузки на поддержку до 30–40% в горизонте 6–12 месяцев. Заметное снижение операционных издержек достигается только после успешной интеграции ИИ в целевые процессы, а не сразу после пилота. На данный момент, на мой взгляд, мгновенный рост конверсии или полная автоматизация сложных кейсов поддержки являются завышенными ожиданиями, так как они упираются в качество данных и необходимость human-in-the-loop.
ИИ хорошо справляется с типовыми задачами, но в спорных и нестандартных случаях по-прежнему нужен человек. К тому же безусловный плюс человека в том, что он возьмет на себя ответственность за инцидент.
Где в банковском продукте ИИ действительно меняет пользовательский опыт, а где он остается внутренним инструментом, который клиент вообще не должен замечать?
ИИ реально меняет опыт клиента там, где он делает сервис быстрее, удобнее и персонализированнее, например, в подборе инвестиционных продуктов под профиль риска клиента или в работе умных чат-ботов, которые сокращают время решения вопроса в 4–8 раз. При этом большинство AI-процессов клиент не должен замечать — автоматизация скоринга, антифрода и обработки документов работают под капотом, ускоряя одобрение кредитов или открытие счетов без участия человека. Наш опыт показывает: клиент ценит возможность быстрого перехода к живому общению, а не осознание, что он общается с роботом.
Как в продуктовой команде понять, что задачу действительно нужно решать с помощью ИИ, а не обычной автоматизацией, правилами или улучшением процесса?
Ключевой критерий — наличие неструктурированных данных, вариативности или скрытых закономерностей, где жесткие правила не работают. Если решение можно описать конечным набором «если — то» и оно не меняется со временем, ИИ избыточен.
Какие AI-сценарии в финтехе быстрее всего дают измеримый эффект? Это персонализация, антифрод, поддержка, скоринг, рекомендации, операционная аналитика?
По данным российского рынка, кредитный скоринг для массовых продуктов и роботизированные инвестиционные консультации определены как направления с относительно высокой и быстрой окупаемостью. Клиентская поддержка с использованием LLM дает существенный эффект в повышении NPS за счет более быстрых и точных ответов. Также благодаря ИИ исследования фиксируют снижение потерь от мошенничества более чем на 50%, что напрямую отражается в P&L. Но при этом персонализация и рекомендации хотя и повышают метрику удержания, требуют больше времени для выхода на целевую эффективность из-за необходимости накопления данных и обучения моделей.
В экосистемном финтехе у компании обычно больше данных о поведении клиента, чем у классического банка. Как использовать это преимущество так, чтобы не перейти границу между полезной персонализацией и нарушением приватности?
Банк России в «Кодексе этики в сфере искусственного интеллекта» (актуально на июль 2025 г.) закрепил пять принципов: человекоцентричность, справедливость, прозрачность, безопасность и ответственное управление рисками. Кодекс носит рекомендательный характер, но требует информировать клиентов о взаимодействии с ИИ и предоставлять возможность отказаться от такого взаимодействия. Поэтому персонализация происходит на основе явно предоставленных данных и согласий. При этом регулятор особо подчеркивает важность соблюдения конфиденциальности персональных данных, и это всегда строго учитывается.
Какие метрики лучше всего показывают, что внедрение ИИ действительно состоялось как продуктовая история, а не осталось технологическим экспериментом?
Ключевые метрики — это бизнес-эффект, зафиксированный в P&L, то есть рост выручки или снижение операционных затрат. На уровне операционных метрик — рост автоматизации обработки клиентских запросов на X% после масштабирования технологии, сокращение времени открытия счетов до нескольких минут, повышение точности скоринга на Y%. Но чтобы внедрение ИИ состоялось как продуктовая история, необходимо на самом раннем этапе инициативы определять цель и формулировать ожидаемый результат, критерии успешности пилота, а также детально описывать то, как именно модель будет использоваться.
В кредитных продуктах цена ошибки особенно высока. Где, по вашему мнению, ИИ может принимать решение самостоятельно, а где он должен только помогать человеку?
В сегменте займов на небольшие суммы, а также для кредитов для малого и частично среднего бизнеса решения могут приниматься на основе анализа данных алгоритмами. В крупных ипотечных и бизнес-кредитах, где цена ошибки многократно выше, необходима гибридная модель «человек в цикле» (HITL), особенно для пограничных случаев и анализа нестандартных документов. Human-in-the-loop выполняет не только корректирующую роль, но и функцию обеспечения устойчивости при экономических шоках и, что критично, принятие ответственности, которую невозможно полностью делегировать алгоритму.
Если ИИ ошибся в рекомендации товара, это неприятно. Если ИИ ошибся в финансовом продукте, последствия совсем другие. Насколько финтех вообще готов к такому уровню ответственности?
Именно поэтому любое внедрение не происходит одним днем и сразу на большую аудиторию. Проведение закрытых пилотов, приемка результатов ответственными подразделениями, а также ряд других внутренних мер позволяют минимизировать риски.
Как объяснять клиенту решение, принятое с участием ИИ, особенно если речь идет об отказе, лимите, блокировке операции или подозрении на мошенничество? И надо ли это делать?
Банк России в этическом кодексе 2025 года прямо обязывает информировать клиента о взаимодействии с ИИ, но описание детализации внутренней логики модели не требуется. Объяснения должны быть человекочитаемыми без погружения в математику — например, указывать ключевые факторы отказа, такие как недостаточный подтвержденный доход или высокая текущая долговая нагрузка. Отказ в кредите или блокировка операции требуют не просто объяснения, а четкого механизма оспаривания и эскалации человеку, иначе доверие к системе снизится независимо от точности модели.
Банк России рекомендует давать клиенту возможность отказаться от взаимодействия с ИИ и перейти к человеку. Насколько это применимо в массовых цифровых продуктах и как это влияет на экономику сервиса?
Кодекс носит рекомендательный характер, и регулятор подчеркивает, что особую роль может сыграть обмен опытом и лучшими практиками, а не жесткие требования. Полноценный человеческий канал для всех операций потребовал бы кратного увеличения штата, что нивелировало бы экономию от автоматизации. Оптимальный компромисс, который подтверждается исследованиями и практикой, — давать право отказаться от ИИ, например, перевод на консультацию с человеком по запросу клиента.
Что обычно сложнее при внедрении ИИ в финтехе? Это качество данных, интеграция с банковским контуром, регуляторные ограничения, стоимость инфраструктуры или принятие решения внутри команды?
Качество данных и корпоративная инерция — два самых недооцененных барьера. Данные в крупных организациях почти всегда распределены по большому числу внутренних систем и требуют огромной ручной разметки для обучения моделей. Регуляторные ограничения также сдерживают внедрение, пока неочевидно, как будет выглядеть контроль со стороны надзорных органов. Но есть еще один значимый барьер, однако его вполне реально обойти. И это человеческий фактор — сопротивление изменениями внутри компании. Здесь ключевая задача для того, кто является в компании драйвером внедрения ИИ — не просто донести ценность, а помочь сформулировать реалистичный и измеримый бизнес-эффект смежным подразделениям, а также управлять ожиданиями по ходу реализации ИИ-инициативы, стать своеобразным мостом между бизнесом и ML-командами.
Каким вы видите следующий этап использования ИИ в финтехе?
Индустрия сейчас входит в этап гибридного интеллекта, где ИИ отвечает за скорость, масштаб и выявление паттернов, а человек — за контекст, исключения и смысл. Мы уходим от идеи «заменить человека любой ценой» к системам, которые помогают лучше распределять задачи между человеком и алгоритмом. Также еще одно направление — переход от генеративного ИИ к полноценным ИИ-агентам и мультиагентным системам, где разные AI-агенты автономно взаимодействуют для решения сложных цепочек задач — от проверки документов до скоринга и мониторинга залогов, при этом каждый агент должен быть объяснимым и аудируемым. Здесь прослеживается тренд на платформенный подход: развитие ИИ-платформ для централизованного контроля жизненного цикла ассистентов.
Опубликовано 26.05.2026
