Как банки могут догнать финтехи в искусственном интеллекте

Свежие тренды ИИ в банкинге рассказывают одну историю: искусственный интеллект, а особенно агентный ИИ, меняет то, как финансовые организации зарабатывают деньги и удерживают их. Но этот сдвиг происходит неравномерно. Мы изучили свыше 600 ИИ-проектов примерно по 30 направлениям, чтобы понять реальное положение дел. Мы отслеживали инициативы, запущенные после выхода ChatGPT в конце 2022 года до середины 2025, сравнивая, что строили финтехи и что внедряли традиционные банки и платежные компании. Разрыв реален. Финтехи не просто быстрее экспериментируют. Они выводят решения в промышленную эксплуатацию, пока многие банки всё ещё застряли на стадии пилотов. Согласно анализу McKinsey, рынок ИИ в банкинге достигнет $315.5 миллиарда к 2033 году, растя на 31.83% в год. Это огромная возможность. Банки, которые не сдвинутся с места сейчас, рискуют её упустить. Мы разберём, что работает, что нет, и что банкам нужно сделать, чтобы сократить отрыв от финтех-конкурентов.

Традиционные банки всё ещё далеко позади финтехов по части внедрения ИИ с измеримым бизнес-эффектом. Картина из наших данных очевидна: мы смотрели примерно на 4000 крупнейших финтехов по выручке и оценке. Хотя финтехи составляют лишь 40% выборки, они генерируют почти 70% всех ИИ-инициатив. Поразительно, но неудивительно, если вы наблюдали, как эти две группы работают. Финтехи двигаются быстро, потому что могут. Они не тащат на себе десятилетия технического долга. Их команды меньше, плоские, построены вокруг выпуска продуктов, а не управления комитетами. Когда финтех хочет протестировать ИИ-модель кредитного скоринга, время от принятия решения до запуска измеряется неделями. В крупном банке то же самое решение может занять месяцы только на внутренние согласования.

Почему банки отстают в ИИ

Банки сталкиваются с тройным ограничением, которого финтехи в основном избегают:

• Регуляторная нагрузка. Каждая ИИ-модель, работающая с клиентскими данными, требует проверки комплаенсом, документации по интерпретируемости и аудиторских следов. Закон ЕС об ИИ, который вступает в полную силу для высокорискованных банковских систем в августе 2026, добавляет ещё один слой. Скоринг кредитов, мониторинг AML и инструменты автоматизированного кредитования теперь должны соответствовать строгим требованиям прозрачности и человеческого контроля, со штрафами до 7% от глобального годового оборота.
• Фрагментированные технологические стеки. Большинство крупных банков работают на лоскутном одеяле устаревших систем, некоторые из которых датируются 1990-ми или раньше. Интеграция моделей машинного обучения в платформы кор-банкинга на COBOL сложна и дорога. Цифровая трансформация требует мидлвэра, API-слоёв и часто полной миграции в облако, прежде чем какая-либо ИИ-модель получит доступ к продуктивным данным.
• Организационная инерция. Банки по своей природе иерархичны. Добиться согласования между рисками, комплаенсом, ИТ и бизнес-подразделениями по одной ИИ-инициативе требует политического капитала, которого у большинства спонсоров проектов просто нет.
• Рабочая сила. Найти инженеров по машинному обучению, которые разбираются в банковской специфике, сложно. Банки конкурируют с технологическими гигантами и финтехами, которые предлагают более быструю среду и лучшие опционы.

После периода интенсивных экспериментов общий темп внедрения ИИ в финансовых услугах выравнивается. Многие приложения стали базовым стандартом. ИИ-ассистенты для разговоров, автоматизация финансового закрытия и базовые инструменты скрининга мошенничества теперь стандартные функции, внедряемые примерно с той же скоростью, что и продукты без конкретного фокуса на ИИ. Интересный рост происходит на периферии.

Где сосредоточен рост ИИ в банкинге

Приложения с самой быстрой скоростью внедрения в основном агентные и ориентированные на выручку:

• ИИ-платформы мульти-активной торговли, которые принимают алгоритмические решения в реальном времени
• Предиктивная аналитика и системы управления решениями, которые применяют машинное обучение и обработку естественного языка для выявления трендов и оценки рисков
• Автономные агенты обслуживания клиентов, которые обрабатывают полные рабочие процессы без передачи человеку, используя NLP для понимания контекста и намерений
• Интеграции открытого банкинга, где ИИ-модели работают поверх общих API-экосистем, собирая данные от множества провайдеров для построения более богатых профилей клиентов Финтехи доминируют в этих высокоростных категориях. По нашему мнению, этот разрыв возникает из нежелания банков выпускать ИИ-продукты прямо для клиентов. Наш датасет по ИИ-запускам включает около 600 продуктовых запусков. Это примерно 3% от всех запусков продуктов и услуг за тот же период (2022 до середины 2025). Три процента. Эта цифра должна беспокоить банковских топ-менеджеров. Она означает, что подавляющее большинство инноваций в цифровом банкинге всё ещё происходит без ИИ в основе. Финтехи же строят вокруг него целые бизнес-модели.

Из того, что мы видели, выявление мошенничества это область, где ИИ в банкинге имеет самую проверенную историю. И потребность продолжает расти. Только мошенничество с кредитными картами достигнет $43 миллиардов к концу 2026 года, согласно отраслевым оценкам. Традиционные системы на основе правил не справляются с объёмом или сложностью современных паттернов мошенничества.

Как ИИ меняет выявление мошенничества

Модели машинного обучения анализируют паттерны транзакций в реальном времени, выявляя аномалии, которые системы на правилах пропускают. Разница существенна.

• Скоринг в реальном времени. ML-модели оценивают тысячи переменных за транзакцию за миллисекунды, выявляя синтетическое мошенничество с личностью и захват аккаунтов, которые статические правила не обнаруживают.
• Адаптивное обучение. В отличие от систем на основе правил, ИИ-модели постоянно переобучаются на новых паттернах мошенничества. Это сокращает окно между новым вектором атаки и способностью системы его поймать.
• Сокращение ложных срабатываний. Здесь финансовый эффект становится реальным. Традиционные системы генерируют огромные объёмы ложных срабатываний, каждое из которых требует ручной проверки. Банки, использующие ИИ-скрининг мошенничества, сообщают о сокращении ложных срабатываний на 50-70%.

Кредитный скоринг и оценка рисков

ИИ-кредитный скоринг это ещё одна область, где банки начинают догонять. Традиционные кредитные модели полагаются на узкий набор переменных: история платежей, текущий долг, длительность кредитной истории. Модели машинного обучения могут собирать тысячи альтернативных точек данных, от оплаты коммунальных услуг до паттернов трат, и строить более точный профиль риска. Для банков, обслуживающих население с тонкими кредитными файлами, это имеет большое значение. Это открывает совершенно новые сегменты клиентов, которые раньше были неоценимы.

Если есть одна область, где ROI ИИ в банкинге трудно оспорить, это KYC и AML-комплаенс. Цифры говорят сами за себя: банки обычно назначают 10-15% своих штатных сотрудников на KYC и AML-активности. Несмотря на ежегодное увеличение расходов на комплаенс до 10%, финансовая индустрия выявляет лишь около 2% глобальных финансовых потоков преступлений. Это несоответствие между вложениями и результатом поразительно.

Проблема ложных срабатываний

В традиционных AML-процессах до 95% алертов — ложные срабатывания. Создание одного SAR (отчёта о подозрительной активности) может занять четыре и более дней. Умножьте это на тысячи алертов, которые крупный банк обрабатывает ежемесячно, и вы получите функцию комплаенса, которая потребляет огромные ресурсы, выявляя при этом очень мало реальных преступлений. ИИ полностью меняет экономику этого. Исследование Accenture по агентному ИИ в банкинге задокументировало сокращение времени на KYC-ввод данных на 99% для организаций, внедривших ИИ-анализ документов и верификацию личности.

Как выглядит ИИ-комплаенс

• Постоянный KYC. Вместо периодических проверок ИИ позволяет постоянно переоценивать риски на протяжении всего жизненного цикла клиента. Он выявляет изменения в паттернах поведения, которые точечные проверки пропускают.
• Интеллектуальная обработка документов. ML-модели извлекают и валидируют информацию из удостоверений личности и корпоративных документов со скоростью, которую ни одна человеческая команда не сможет достичь.
• Сетевой анализ. Графовые ИИ-модели отображают сети транзакций для выявления паттернов отмывания денег, охватывающих множество аккаунтов и юрисдикций. Для руководителей корпоративных технологий, оценивающих, с чего начать с ИИ, автоматизация комплаенса предлагает самый ясный путь к измеримой отдаче.

На рынке много путаницы относительно того, что эти термины на самом деле означают, и различие имеет значение для стратегии ИИ в банкинге. Генеративный ИИ создаёт контент. Он составляет письма, резюмирует документы и генерирует код. В банкинге он питает программные со-пилоты, интерфейсы «спроси свои данные» и персонализированный маркетинг. Полезно, да, но это в принципе инструмент продуктивности. Вы спрашиваете, он отвечает. Агентный ИИ создаёт результаты. Он выходит за рамки генерации ответа: он воспринимает ситуацию, принимает решение и действует. Агентная ИИ-система может провалидировать заявку на кредит, направить её на обработку, провести проверки комплаенса и уведомить клиента без вмешательства человека.

Последствия для банкинга

Рассмотрим практический пример. Генеративный ИИ может составить персонализированное письмо об одобрении кредита. Агентная ИИ-система обрабатывает весь кредит: приём заявки, андеррайтинг, одобрение, выдача. Сдвиг от генеративного к агентному — это где происходит реальная трансформация ИИ в банкинге. Согласно BCG, примерно 70% финансовых компаний сейчас изучают агентный ИИ, но лишь 14% внедрили его в полном масштабе. Цифра в 14% — это где сидит возможность. Банки, которые сейчас переходят к промышленным агентным системам, получат реальное преимущество над теми, кто всё ещё проводит генеративные ИИ-эксперименты.

Где подходит каждый тип

Клиентский опыт — это где преимущество финтехов наиболее заметно конечным пользователям. Финтехи установили планку цифрового банкинга: мгновенные одобрения, проактивные инсайты о тратах, уведомления в реальном времени. Клиенты теперь ожидают того же опыта от своего банка.

Виртуальные ассистенты и чат-боты

Erica от Bank of America — самый часто цитируемый пример, и не зря. ИИ-ассистент обработал свыше 676 миллионов клиентских взаимодействий с момента запуска. Erica отвечает на вопросы, отправляет алерты, помогает с бюджетом и направляет сложные вопросы человеческим консультантам. Но Erica — исключение. Большинство банковских чат-ботов — это гламурные FAQ-страницы, которые разочаровывают клиентов больше, чем помогают. Разрыв между тем, что возможно, и что большинство банков реально предоставляют, огромен.

Персонализация в масштабе

ИИ-персонализация выходит за рамки рекомендаций продуктов. Современные системы анализируют паттерны трат и потоки доходов для доставки своевременных, релевантных финансовых советов. Discovery Bank в Южной Африке предлагает инструмент финансового здоровья через WhatsApp, где клиенты спрашивают что-то вроде «Сколько я потратил на кофе в прошлом месяце?» и получают мгновенные персонализированные ответы. Такой контекстный, разговорный интерактив — это где клиентский опыт встречается с реальной бизнес-ценностью. Банки, которые внедряют это хорошо, видят измеримые улучшения вовлечённости и удержания.

Проблема в данных

Проблема большинства банков не в технологии ИИ. Она в данных. Данные клиентов обычно разбросаны по десяткам изолированных систем: счета, карты, ипотека, инвестиции. Построение единого вида клиента, который питает движок персонализации, требует значительной работы по инжинирингу данных, и обычно кастомных инвестиций в ПО, на которые большинство банков не решались.

Оптимистичных прогнозов о потенциальной ценности ИИ в банкинге не счесть. McKinsey оценивает $200-340 миллиардов в год для глобального банкинга от внедрения ИИ. Но что реально видят организации сегодня?

Отдача ранних последователей

Данные от компаний, вышедших за рамки пилотов, обнадёживают. Согласно исследованию Neurons Lab, ранние последователи агентного ИИ в финансовых услугах сообщают о 2.3x отдаче на инвестиции в ИИ в течение 13 месяцев. Быстрый цикл окупаемости для корпоративных технологий, безусловно. Несколько конкретных кейсов добавляют деталей:

• JPMorgan Chase выделяет примерно $2 миллиарда на ИИ из бюджета технологий в $18 миллиардов. Более 150,000 сотрудников используют большие языковые модели еженедельно. Система LAW банка обрабатывает юридические документы с точностью 92.9%, а ассистент EVEE освободил сотни колл-центров для проактивного обращения к клиентам.
• Klarna: ИИ-ассистент обрабатывает две трети всех чатов обслуживания клиентов в первый месяц запуска, выполняя работу эквивалентную 700 штатным агентам. Оценочная годовая экономия: $40 миллионов.
• Bank of America выделил $4 миллиарда на ИИ и связанные инициативы, разворачивая Agentforce от Salesforce для 1,000 финансовых консультантов.

Где ROI сильнее всего

Самая высокая отдача идёт не от блестящих клиентских фичей. Она идёт из операций:

• Сокращение ручных рабочих нагрузок на 30-50% для задач вроде обработки документов и проверки комплаенса
• На 50-70% меньше ложных срабатываний в выявлении мошенничества, прямое сокращение затрат на расследования
• На 99% быстрее ввод KYC-документов в организациях, использующих ИИ-обработку Для банков, оценивающих свою стратегию ИИ, урок ясен: начинайте там, где больше всего операционной боли, не там, где история для маркетинга блестящее.

Понимать тренды ИИ в банкинге — одно дело. Реально внедрять ИИ в крупную финансовую организацию — совсем другое. Барьеры реальны, и их игнорирование — причина, по которой так много банковских ИИ-проектов застревают после пилотной фазы.

Модернизация устаревших систем

Большинство крупных банков ведут кор-банкинг на мейнфреймах, которым 20-40 лет. Эти системы работают. Они обрабатывают миллионы транзакций ежедневно. Но они не были спроектированы для интеграции с современными ИИ-моделями. Вытаскивание данных в реальном времени из системы на COBOL в пайплайн машинного обучения требует мидлвэра, API и часто стратегии облачной миграции. Стоимость цифровой трансформации существенна. Но стоимость отсутствия модернизации растёт быстрее, потому что каждый год разрыв между тем, что может ИИ, и что позволяет устаревшая инфраструктура, увеличивается.

Качество данных и управление ими

Модели ИИ только так хороши, как данные, на которых они обучены. В банкинге проблемы с качеством данных распространены:

• Несовместимые форматы после приобретённых систем. Большинство крупных банков завершили несколько слияний, каждое со своей схемой данных.
• Пропущенные или неполные записи в клиентских базах.
• Изолированное хранение, где информация о клиенте по счетам, картам и кредитам живёт в отдельных несвязанных системах. Построение надёжного фундамента данных и чёткого управления ими не гламурная работа, но это предпосылка для каждой последующей ИИ-инициативы. Без централизованного управления данными даже лучшие модели дают ненадёжные результаты.

Управление и интерпретируемость

Регуляторы ожидают, что банки объяснят, как ИИ-модели принимают решения, особенно для кредитов и выявления мошенничества. Это означает, что чёрно-ящиковые модели неприемлемы во многих банковских контекстах. Банкам нужны интерпретируемые ИИ-фреймворки и процессы управления рисками моделей плюс постоянный мониторинг. Согласно отраслевым опросам, 48% финансовых организаций называют управление главным барьером для внедрения ИИ, и 30% отмечают недостаток доверия к выводам моделей. Решение этих проблем не опционально. Банки, которые разбираются с управлением ИИ первыми, а не последними, те, кто реально масштабируется.

Так что же реально должны делать банки? Ответ не в том, чтобы пытаться перещеголять финтехи на скорости. У банков есть структурные преимущества, которых нет у финтехов: доверие, регуляторные лицензии, существующие клиентские базы и балансы. Путь вперёд — в сочетании этих преимуществ с ИИ-возможностями, которые финтехи открыли.

Приоритизируйте приложения, генерирующие выручку

Слишком много банковских ИИ-проектов фокусируются на внутренней эффективности. Это важно, но не закроет конкурентный разрыв. Банкам нужно инвестировать в клиентоориентированный ИИ, который двигает рост: персонализированные рекомендации продуктов и ИИ-инструменты финансового планирования, плюс движки решений в реальном времени для кредитования и страхования. Финтехи, выигрывающие в ИИ, выигрывают не потому, что у них лучшие модели. Они выигрывают, потому что внедряют эти модели в продукты, которые клиенты реально используют.

Стройте фундамент данных и управления

Без надёжной инфраструктуры данных и чёткого управления вы не масштабируете ИИ. Это значит инвестировать в:

• Единые платформы клиентских данных, которые собирают информацию по всей организации
• Фреймворки управления рисками моделей, которые удовлетворяют регуляторов, не замедляя развёртывание до ползания
• Облачную инфраструктуру, которая поддерживает вычислительные требования современных ML-рабочих нагрузок, включая облачные платформы, построенные для финансовых услуг
• Пайплайны данных открытого банкинга, которые позволяют ИИ-моделям собирать из внешних источников для построения более богатых клиентских профилей

Развивайте агентные возможности

Сдвиг от автоматизации к автономии — самый важный тренд ИИ в банкинге. Банкам нужно двигаться за пределы чат-ботов, отвечающих на вопросы, к ИИ-агентам, завершающим рабочие процессы. Это значит строить или приобретать системы, которые могут воспринимать контекст и принимать решения в определённых рамках. Agent Toolkit от PayPal, запущенный в 2025 году, хороший пример направления. Инструментарий позволяет агентам автономно выполнять задачи от имени клиентов в рамках контролируемых параметров.

Действуйте сейчас

Окно не закрыто. Но оно сужается. Каждый квартал, который банки проводят в пилотном режиме, — это квартал, который их финтех-конкуренты используют для строительства промышленных систем и привлечения клиентов. Банки, которые совершают чёткую ставку на стратегию ИИ, инвестируют в свои данные и двигаются от экспериментов с генеративным ИИ к агентным системам, всё ещё могут конкурировать. У них есть активы, которые финтехи охотно обменяли бы: регуляторные лицензии, доверие клиентов и огромные дистрибуционные сети. Цифровая трансформация — это не единый проект с финишной чертой. Это постоянная приверженность перестройке того, как работает банк, от предиктивной аналитики в кредитовании до ИИ-мониторинга кибербезопасности. Каждый элемент усиливает следующий.

Таблица ниже разбирает, как финтехи и традиционные банки сравниваются по основным измерениям внедрения ИИ. Картина не полностью однобокая. У банков реальные преимущества в доверии и регуляторном статусе. Но они проигрывают в скорости и готовности позволить ИИ управлять ключевыми бизнес-решениями.

Разрыв между финтехами и банками по ИИ не сократится сам по себе. Каждый квартал, который банки проводят в пилотном режиме, — это квартал, который их финтех-конкуренты используют для строительства промышленных систем и привлечения клиентов. Но окно не закрыто. Банки, которые совершают чёткую ставку на стратегию ИИ, инвестируют в свои данные и двигаются от экспериментов с генеративным ИИ к агентным системам, всё ещё могут конкурировать. У них есть активы, которые финтехи охотно обменяли бы: регуляторные лицензии и доверие клиентов, подкреплённое огромными дистрибуционными сетями. Требуемая цифровая трансформация — это не единый проект с финишной чертой. Это постоянная приверженность перестройке того, как работает банк, от предиктивной аналитики в кредитовании до ИИ-мониторинга кибербезопасности. Каждый элемент усиливает следующий. Банки внедрят ИИ. Они должны. Реальный вопрос — достаточно ли быстро, чтобы это имело значение. На основе трендов ИИ в банкинге, которые мы отслеживаем, ответ зависит от того, воспринимает ли руководство ИИ как технологический проект или как бизнес-трансформацию. Это очень разные вещи. По нашему опыту работы с финансовыми организациями, банки, которые понимают разницу, превзойдут тех, кто не понимает.