ИИ в банке уже дает вполне приземленный эффект: скоринг может улучшиться на 5–10%, а рутинная нагрузка на поддержку снизиться на 30–40% в горизонте 6–12 месяцев. Но в кредитах, антифроде и блокировках операций алгоритм не должен становиться последней инстанцией: слишком высока цена ошибки, слишком сложно потом объяснять клиенту, что именно произошло.
Такую рамку в разговоре с IT-World задала Диана Хабибулина, руководитель продукта в российском банке. Ее тезис звучит без лишней магии вокруг нейросетей: быстрый эффект от ИИ возможен, но не в формате кнопки, после которой банк сразу экономит миллионы, а клиентский сервис вдруг становится идеальным.
По словам Хабибулиной, реалистичный сценарий внедрения выглядит скучнее презентаций, зато ближе к реальности. Скоринг действительно может стать точнее, а поддержка быстрее, но только после встраивания модели в конкретные процессы, а не сразу после пилота. Именно здесь обычно ломаются завышенные ожидания рынка. Мгновенный рост конверсии, полная автоматизация сложных обращений и замена сотрудников фронта упираются в качество данных, интеграцию с внутренними системами и обязательный human-in-the-loop. Иными словами, ИИ хорошо разбирает типовые случаи, но в спорных ситуациях нужен сотрудник, который не только исправит ошибку, но и возьмет на себя ответственность за решение.
В клиентском опыте ИИ в банке заметен там, где он ускоряет сервис и убирает лишние шаги. В качестве примеров Хабибулина называет подбор инвестиционных продуктов под риск-профиль клиента и умных чат-ботов, которые сокращают время решения вопроса в 4–8 раз. Но значительная часть пользы остается под капотом. Скоринг, антифрод и обработка документов не обязаны быть видимыми для пользователя, если они быстрее открывают счет, ускоряют одобрение кредита или снижают долю мошенничества. Для клиента, по сути, важен не сам факт общения с ИИ, а возможность быстро закрыть задачу и, если что-то пошло не так, сразу перейти к живому специалисту.
Для продуктовых команд здесь есть неприятный, но полезный фильтр. Если задачу можно описать конечным набором правил вида «если — то» и эти правила не меняются со временем, ИИ часто оказывается дорогим украшением. Основание для использования моделей появляется там, где много неструктурированных данных, высокая вариативность или есть скрытые закономерности, которые сложно уложить в жесткую логику. Этот тезис особенно важен для банков, где любое модное внедрение быстро упирается в вопрос окупаемости. По оценке Хабибулиной, быстрее всего измеримый эффект дают кредитный скоринг для массовых продуктов, роботизированные инвестиционные консультации, поддержка на базе больших языковых моделей и антифрод. Последний, по данным рынка, способен снизить потери от мошенничества более чем на 50%, а это уже метрика, которую можно увидеть не в презентации, а в P&L.
При этом не все популярные AI-сценарии одинаково быстро выходят на отдачу. Персонализация и рекомендации выглядят соблазнительно, особенно в экосистемном финтехе, где данных о клиенте больше, чем у классического банка. Но именно здесь проходит тонкая граница между удобством и вторжением в приватность. Хабибулина напоминает, что Банк России в Кодексе этики в сфере искусственного интеллекта, актуальном на июль 2025 года, закрепил пять принципов: человекоцентричность, справедливость, прозрачность, безопасность и ответственное управление рисками. Кодекс носит рекомендательный характер, но логика для отрасли уже задана: клиента нужно информировать о взаимодействии с ИИ и давать возможность отказаться от него. Для банков это означает неприятную, но неизбежную дисциплину: персонализация должна строиться не на фантазии продуктовой команды о пользе данных, а на явно полученных согласиях и понятной модели работы с персональной информацией.
Отдельный узкий участок риска — кредитные продукты, где ошибка модели оборачивается не плохой рекомендацией фильма, а отказом, неверным лимитом или проблемой с крупной сделкой. Здесь собеседница IT-World проводит довольно жесткую границу. В сегменте небольших займов, а также частично в кредитовании малого и среднего бизнеса алгоритмы могут принимать решение сами на основе анализа данных. Но в крупных ипотечных и бизнес-кредитах нужна гибридная модель, где человек остается в цикле, особенно в пограничных кейсах и при работе с нестандартными документами. Это важно не только для точности. Во время экономических шоков и нестандартных рыночных ситуаций именно человек обеспечивает устойчивость процесса и берет на себя ответственность, которую невозможно честно переложить на модель.
Есть и второй слой проблемы, о котором банки теперь уже не смогут говорить уклончиво: объяснимость решений. Если ИИ в банке участвует в отказе по кредиту, блокировке операции или подозрении на мошенничество, клиенту мало услышать, что «так решила система». Объяснение должно быть человеческим, без экскурсии в математику модели, но с указанием факторов, которые действительно повлияли на исход: например, недостаточный подтвержденный доход или высокая долговая нагрузка. Еще важнее, чтобы у клиента был не декоративный, а рабочий механизм оспаривания и эскалации к сотруднику. Иначе доверие к сервису заканчивается ровно в тот момент, когда он впервые ошибается.
Для российских разработчиков, продактов и IT-руководителей из этого интервью следует довольно трезвый вывод. Главный KPI внедрения ИИ в банке — не число пилотов и не наличие LLM в презентации для совета директоров, а зафиксированный бизнес-эффект: рост выручки, снижение затрат, повышение точности и сокращение времени операций. Но чем глубже модель заходит в критичные банковские процессы, тем важнее не сила алгоритма сама по себе, а качество данных, дизайн эскалации и пределы автоматизации. В финтехе, похоже, выигрывать будут не те, кто громче всех объявил себя AI-first, а те, кто заранее решил, где машине можно доверять решение, а где ей лучше остаться быстрым, но все же помощником.