ИИ в банках и финтехе: 10 сценариев применения искусственного интеллекта

ИИ-скоринг прошёл путь от статичной анкеты с несколькими вопросами до моделей, которые работают с сотнями признаков: транзакционной историей клиента, характером его платежей, историей взаимодействия с банком, а там, где это допустимо юридически, — с альтернативными данными. Вместо жёстких правил вида «доход выше суммы X — одобрить» модель оценивает вероятность дефолта как непрерывную величину и может автоматически принимать предварительные решения по простым, хорошо предсказуемым случаям.

Это меняет роль риск-менеджера. Специалист не оценивает вручную каждую заявку, а настраивает и контролирует модель, разбирает пограничные случаи и следит за её качеством по мере изменения поведения заёмщиков. Отдельная задача — контроль bias: если обучающие данные систематически недооценивают определённую группу заёмщиков, модель унаследует и может усилить это искажение.

Для Казахстана это уже зрелая практика. По словам представителя АФК, нейросети в кредитных решениях казахстанских банков используются около 20 лет, а последние 10 лет через них проходит вся выдача кредитов. Бизнес-эффект измеряется снижением доли невозвратов при сохранении или росте объёма одобрений. Качество скоринга напрямую зависит от полноты и актуальности данных о заёмщике, а объяснимость решения — возможность понять, почему модель отказала конкретному клиенту, — остаётся регуляторным и репутационным требованием.

Антифрод на основе ИИ и противодействие отмыванию денег, или AML, связаны между собой, но решают разные задачи. Антифрод-модель работает в реальном времени: анализирует конкретную транзакцию и последовательность действий клиента, сравнивает их с его обычным поведением и оценивает риск операции за доли секунды, пока она ещё не завершена. Это может быть списание с карты, перевод или вход в приложение с нового устройства.

AML работает с более длинным горизонтом. Его задача — выявить подозрительные паттерны не в одной операции, а в сети связей между клиентами, счетами и транзакциями. Например, система может обнаружить цепочку переводов через несколько промежуточных счетов, характерную для отмывания денег. В таких задачах часто используют графовый анализ: модель строит граф связей между сущностями и ищет в нём структуры, нетипичные для обычной финансовой активности. Результатом обычно становится не автоматическая блокировка, а приоритизация операций для дальнейшей проверки комплаенс-специалистом.

Freedom Bank, например, использует ИИ для автоматизации комплаенс-проверок в рамках более широкой стратегии применения генеративного ИИ в этой области. AML-задача, которая раньше могла требовать часов ручной работы комплаенс-аналитика по каждому подозрительному случаю, превращается в задачу приоритизации: система сортирует операции по уровню риска, а человек сосредотачивается на действительно спорных случаях.

Антифрод снижает прямые потери от мошенничества, а AML помогает уменьшить регуляторные риски и вероятность штрафов за пропущенные подозрительные операции. Обе задачи осложняет сильный дисбаланс данных: подтверждённых случаев мошенничества или отмывания на порядки меньше, чем легитимных операций. Поэтому модель нужно оценивать с учётом этого перекоса, а не по общей точности, которая может быть высокой даже у системы, почти не выявляющей реальное мошенничество.

Чат-бот на первой линии поддержки закрывает типовые запросы: сообщает баланс счёта, условия продукта, статус заявки и ответы на часто задаваемые вопросы. Он делает это с одинаковой скоростью независимо от времени суток и загрузки колл-центра.

Более сложные сценарии — подбор продукта или помощь с финансовым планированием — всё чаще строятся на больших языковых моделях с доступом к актуальной базе знаний банка. Такие системы не следуют жёстко заданному дереву диалогов, а находят информацию в документации и формулируют связный ответ.

Казахстанский пример — чат-бот AiZhan от Home Credit Bank. За первые пять месяцев работы он обработал более миллиона запросов, консультирует по банковским продуктам и элементам финансового планирования, поддерживает несколько десятков языков и передаёт сложные обращения оператору вместе с кратким резюме предыдущего диалога. Клиенту не приходится заново объяснять проблему.

Для казахстанского рынка особенно важна одинаково корректная поддержка русского и казахского языков, а не только английского, на котором обучено большинство базовых языковых моделей. Не менее важны защита клиентских данных и контроль ответов модели. Чат-бот работает с финансовой информацией, поэтому логирование диалогов, ограничение доступа к истории обращений и проверка фактической точности ответов должны быть частью архитектуры с самого начала.

Чем сложнее запрос, тем выше риск, что модель ответит уверенно, но неточно. Для финансовых консультаций нужна чёткая граница, после которой диалог передаётся человеку.

Рекомендательная система в банковском приложении анализирует поведение клиента: какими продуктами он уже пользуется, как тратит деньги, какие разделы приложения открывает чаще и как реагирует на прошлые предложения. На этой основе система формирует персональные рекомендации вместо одинаковой рекламной рассылки по всей базе.

Сценарий охватывает cross-sell — предложение связанного продукта активному пользователю, up-sell — предложение более подходящего тарифа клиенту, который уже перерос текущий, — и прогнозирование вероятности отклика на конкретное предложение до его показа.

Задача состоит в том, чтобы показывать клиенту предложения, которые действительно соответствуют его потребностям, а не увеличивать число рекламных касаний. Несколько релевантных предложений за квартал обычно эффективнее ежедневной рассылки, которую клиент со временем перестаёт замечать или воспринимает как навязчивую. Модель учитывает транзакционные данные, поведение в приложении и реакцию на предыдущие кампании. На её основе банк формирует push-уведомления, email-рассылки и персональный порядок карточек продуктов в приложении.

Эффект измеряют ростом конверсии и CLV, а не охватом кампании. Если банк отправил миллион уведомлений с откликом в доли процента, он потратил коммуникационный ресурс впустую, даже если формально охватил всю клиентскую базу.

Как и скоринг, персонализация может наследовать смещения исходных данных. Если определённой группе клиентов исторически не предлагали конкретный продукт, модель способна продолжить эту практику, даже когда продукт им подходит. Такой перекос нужно контролировать отдельно.

Модель оттока анализирует изменение активности клиента: он реже входит в приложение, совершает меньше операций по карте, закрывает второстепенные продукты. На основе совокупности таких сигналов система определяет клиентов с повышенной вероятностью ухода к конкурентам в ближайшие месяцы.

Для этой задачи важна динамика использования продуктов и приложения за длительный период, а не разовый снимок состояния счёта. Зрелая модель должна не только прогнозировать вероятность оттока, но и помогать выбрать действие для конкретного клиента: предложить улучшенные условия, устранить неудобство в продукте, на которое указывает его поведение, или признать, что удержание экономически нецелесообразно.

Сам по себе прогноз оттока не решает задачу удержания: банку нужно понимать, какое действие предложить конкретному клиенту — улучшить условия, устранить проблему в продукте или не тратить ресурсы на удержание, если оно экономически нецелесообразно. Эффект таких предложений проверяют на контрольной группе клиентов с сопоставимым риском оттока, которым их не показывали. Иначе модель может получить заслугу за клиентов, которые и без вмешательства остались бы с банком.

Бизнес-эффект оценивают по сохранённой выручке от удержанных клиентов за вычетом стоимости предложений. Модель лучше прогнозирует отток клиентов с длительной историей взаимодействия с банком. Для недавно привлечённых пользователей данных о поведении ещё недостаточно, поэтому точность прогноза ниже.

Андеррайтинг кредитных и страховых продуктов традиционно требует ручной проверки документов: справок о доходах, выписок и договоров. AI-инструменты извлекают из них структурированные данные, проверяют полноту пакета и предварительно оценивают риск заявки до передачи специалисту.

Здесь важно разделять RPA и AI. Роботизация процессов автоматизирует действия по жёстко заданным правилам: например, переносит данные между системами по фиксированному шаблону. AI извлекает сведения из неструктурированных документов, классифицирует их по типу и принимает вероятностные решения там, где одного правила недостаточно.

Freedom Bank, например, применяет генеративный ИИ для улучшения парсинга и обработки данных из вложенных документов. Классический RPA плохо справляется с такими задачами, поскольку формат документов не всегда единообразен.

Ещё один элемент сценария — автоматическая маршрутизация заявок. Простые и однозначные случаи система может обработать и направить на предварительное одобрение самостоятельно. Сложные или пограничные заявки сразу передаются профильному специалисту, а не попадают в общую очередь.

Бизнес-эффект — сокращение времени рассмотрения типовых заявок с дней до часов. Точность извлечения зависит от качества исходных документов: сканы низкого разрешения и нестандартные форматы справок снижают качество распознавания и требуют ручной проверки.

ИИ в управлении рисками применяется гораздо шире, чем в скоринге отдельного заёмщика. Модели оценивают кредитные риски на уровне портфеля, рыночные риски при изменении макроэкономических условий и операционные риски — вероятность сбоя процесса или системы.

Прогнозирование финансовых показателей и сценарный анализ используют те же данные и инструменты, но работают с горизонтом в кварталы и годы. Например, модели могут оценивать, как изменится состояние портфеля при росте процентной ставки или падении курса.

Стресс-тестирование, обязательный элемент банковского риск-менеджмента, также выигрывает от ML. Вместо ограниченного набора заранее заданных сценариев модель может прогонять портфель через десятки вариаций параметров и находить сочетания условий, при которых риск концентрируется неочевидным образом. Портфельная аналитика на основе ML помогает выявлять скрытые корреляции между активами, которые не видны при простом суммировании рисков по отдельным позициям.

Более узкий сценарий для инвестиционного финтеха — алгоритмическая торговля, в которой модели принимают решения о сделках на основе рыночных сигналов в реальном времени. Это самостоятельное направление со своими требованиями к инфраструктуре сверхнизких задержек. Для большинства банков оно менее приоритетно, чем управление портфельными и операционными рисками.

Модели риск-анализа опираются на историческую статистику. В периоды структурных изменений рынка и резких экономических шоков прошлые паттерны хуже предсказывают будущие риски, чем в стабильные периоды.

Бэк-офис банка во многом работает с документами: обрабатывает входящие заявления, сверяет информацию между внутренними системами, проводит комплаенс-проверки и отвечает на внутренние запросы сотрудников. OCR извлекает текст из сканов и фотографий, а AI-модель классифицирует документ и выделяет нужные поля: номер счёта, сумму, дату и реквизиты контрагента.

Классический RPA эффективен там, где процесс жёстко описан и редко меняется. Например, он может ежедневно выгружать отчёт из одной системы в другую в одинаковом формате. Но если в процесс попадает документ произвольной структуры, изображение нестабильного качества или запрос клиента, сформулированный своими словами, одного RPA недостаточно. Нужен AI-слой, который работает с содержанием, а не только повторяет заданную последовательность действий.

Сверка данных между системами — ещё одна типовая задача бэк-офиса, где сочетание RPA и ML сокращает число расхождений, которые раньше выявляли только при ручной проверке. По той же логике можно автоматизировать комплаенс-проверки и внутреннюю поддержку сотрудников: часть вопросов в IT- или HR-службу закрывает бот на базе языковой модели, а нетиповые случаи передаются специалисту.

Бизнес-эффект выражается в сокращении времени обработки типового комплекта документов и снижении числа ошибок, которые проходят дальше по процессу. Однако комбинированная автоматизация требует пересмотра самого workflow. Если просто наложить AI на неэффективный процесс, технология лишь ускорит существующие проблемы.

Удалённая биометрическая идентификация позволяет клиенту открыть счёт или получить банковскую услугу без визита в отделение. Обычно для этого используют распознавание лица с liveness detection — проверкой, что перед камерой находится живой человек, а не фотография или видеозапись.

Голосовые технологии могут использоваться как дополнительный фактор подтверждения личности, но встречаются реже и обычно не выступают единственным методом идентификации.

Биометрия снижает риск подмены личности при удалённом обслуживании и автоматизирует онбординг нового клиента — процесс, который раньше требовал очного визита и проверки документов сотрудником. В Казахстане удалённая идентификация регулируется требованиями регулятора. Например, требования к информационной безопасности финансовых организаций АРРФР отдельно описывают понятие государственной базы данных изображений для идентификационных целей. Регулятор также выносил предписания банкам за несоответствие мобильных приложений требованиям к биометрической идентификации клиентов.

Техническая возможность применить биометрию не означает, что конкретный сценарий автоматически разрешён регулятором. Требования к каждой операции нужно проверять на момент внедрения. Точность распознавания лица и liveness detection зависит от качества камеры и условий освещения, а методы обхода защиты становятся сложнее по мере распространения технологии, включая подделки на основе генеративного ИИ.

ML-сегментация выявляет группы клиентов со схожими моделями поведения. Основанием становятся не только формальные демографические признаки вроде возраста, но и реальные паттерны использования продуктов и финансовые потребности, которые отражаются в этих паттернах.

На основе сегментации модель может прогнозировать вероятность отклика конкретной аудитории на конкретную маркетинговую кампанию ещё до её запуска. Таргетированные кампании направляют бюджет туда, где ожидаемый отклик выше, вместо равномерного показа по всей клиентской базе.

Тот же подход используют для поиска потенциальных клиентов нового продукта. Модель анализирует внешние или партнёрские данные и ищет профили, похожие на уже успешных пользователей этого продукта. Это может снизить стоимость привлечения по сравнению с широким нецелевым охватом.

Связь между ML-моделями, клиентскими данными и бизнес-метриками здесь измерима: рост конверсии, снижение CAC и более эффективное использование маркетингового бюджета. Однако эффект нужно проверять на контрольной группе, а не оценивать по общему росту продаж, на который влияет множество факторов помимо кампании. Тот же контроль нужен при поиске похожих клиентов: если модель формирует новую аудиторию, но не позволяет проверить, конвертируется ли она лучше случайной выборки, её ценность для бизнеса остаётся недоказанной.

Качество сегментации и таргетинга зависит от полноты и актуальности клиентских данных. Устаревший профиль приводит к нерелевантным предложениям независимо от сложности модели.