Як банки можуть наздогнати фінтехи у впровадженні штучного інтелекту

Останні тренди ШІ у банкінгу розповідають чітку історію: штучний інтелект, особливо агентний ШІ, змінює те, як фінансові установи заробляють гроші та утримують їх. Але ця трансформація відбувається нерівномірно. Ми проаналізували понад 600 проєктів зі штучним інтелектом у приблизно 30 кластерах ідей, щоб зрозуміти реальну ситуацію. Ми відстежували ініціативи, запущені після виходу ChatGPT наприкінці 2022 року до середини 2025-го, порівнюючи те, що будували фінтехи, з тим, що впроваджували традиційні банки та платіжні компанії. Цей розрив - реальність. Фінтехи не просто експериментують швидше. Вони розгортають рішення у масштабах, тоді як багато традиційних банків досі застрягли в пілотних режимах. За аналізом McKinsey, ринок ШІ у банкінгу досягне 315,5 мільярдів доларів до 2033 року, зростаючи щорічно на 31,83%. Це колосальна можливість. Банки, які не діють зараз, ризикують повністю її упустити. Ми розберемо, що працює, що ні, і що банкам потрібно зробити, щоб скоротити відставання від фінтех-конкурентів.

Традиційні банки досі значно відстають від фінтехів у впровадженні ШІ з вимірюваним бізнес-ефектом. Картина з нашого набору даних робить це очевидним: ми дослідили приблизно 4000 найбільших у світі фінтех-компаній за виручкою та оцінкою. Хоча фінтехи становлять лише 40% набору даних, вони забезпечують майже 70% усіх ініціатив зі штучним інтелектом. Вражає, але не дивно, якщо ви стежили за тим, як ці дві групи працюють. Фінтехи рухаються швидко, тому що можуть собі це дозволити. У них немає десятиліть технічного боргу. Їхні команди менші, плоскіші, побудовані навколо створення продуктів, а не керування комітетами. Коли фінтех хоче протестувати модель кредитного скорингу на основі ШІ, час від рішення до впровадження вимірюється тижнями. У великому банку те саме рішення може зайняти місяці лише на внутрішнє схвалення.

Чому банки відстають у сфері ШІ

Банки стикаються з потрійним обмеженням, якого фінтехи в значній мірі уникають:

• Регуляторне навантаження. Кожна модель ШІ, що працює з даними клієнтів, потребує перевірки відповідності, документації з поясненнями та аудиторських слідів. Закон ЄС про ШІ, який повністю набуде чинності для високоризикових банківських систем у серпні 2026 року, додає ще один шар. Кредитний скоринг, моніторинг відмивання грошей та автоматизовані кредитні інструменти тепер повинні відповідати суворим вимогам щодо прозорості та людського нагляду, з штрафами до 7% від глобального річного обороту.
• Фрагментовані технологічні стеки. Більшість великих банків працюють на мозаїці застарілих систем, деякі з яких датуються 1990-ми роками або раніше. Інтеграція моделей машинного навчання в основні банківські системи на COBOL є складною та дорогою. Цифрова трансформація потребує проміжного програмного забезпечення, API-шарів і часто повної міграції в хмару, перш ніж будь-яка модель ШІ зможе отримати доступ до виробничих даних.
• Організаційна інерція. Банки ієрархічні за дизайном. Отримання узгодження між ризиками, відповідністю, ІТ та бізнес-підрозділами щодо однієї ініціативи ШІ потребує політичного капіталу, якого більшість спонсорів проєктів просто не мають.

Після періоду інтенсивних експериментів загальний темп впровадження ШІ у фінансових послугах вирівнюється. Багато застосувань стали базовою нормою. Розмовні помічники на основі ШІ, автоматизація фінансового закриття та базові інструменти скринінгу шахрайства тепер є стандартними функціями, що впроваджуються приблизно з такою ж швидкістю, як і продукти без конкретного націлювання на ШІ. Цікавий ріст відбувається на периферії.

Де концентрується зростання ШІ у банкінгу

Застосування з найшвидшими темпами впровадження переважно є агентними та орієнтованими на дохід:

• Багатоактивні торгові платформи на основі ШІ, що приймають алгоритмічні рішення в реальному часі
• Системи прогнозної аналітики та управління рішеннями, що застосовують машинне навчання та обробку природної мови для виявлення трендів та оцінки ризиків
• Автономні агенти обслуговування клієнтів, що обробляють повні робочі процеси без передачі людині, використовуючи NLP для розуміння контексту та наміру
• Інтеграції відкритого банкінгу, де моделі ШІ працюють поверх спільних екосистем API, збираючи дані від кількох провайдерів для створення повніших профілів клієнтів Фінтехи домінують у цих категоріях високого зростання. На нашу думку, цей розрив виникає через небажання банків відправляти продукти ШІ безпосередньо клієнтам. Наш набір даних про запуски, пов'язані зі ШІ, включає приблизно 600 продуктових запусків. Це приблизно 3% від усіх запусків продуктів та послуг за той самий період (2022 по середину 2025 року). Три відсотки. Це число має турбувати керівників банків. Воно означає, що переважна більшість інновацій у цифровому банкінгу все ще відбувається без ШІ в ядрі. Тим часом фінтехи будують навколо нього цілі бізнес-моделі.

З того, що ми бачили, виявлення шахрайства - це сфера, де ШІ у банкінгу має найбільш доведену історію успіху. І потреба продовжує зростати. За оцінками галузі, шахрайство з кредитними картками у світі сягне 43 мільярдів доларів до кінця 2026 року. Традиційні системи на основі правил не встигають за обсягом або складністю сучасних схем шахрайства.

Як ШІ змінює виявлення шахрайства

Моделі машинного навчання аналізують патерни транзакцій в реальному часі, позначаючи аномалії, які системи на основі правил пропускають. Різниця суттєва.

• Оцінка в реальному часі. ML-моделі оцінюють тисячі змінних за транзакцію за мілісекунди, виявляючи синтетичне шахрайство з ідентифікацією та захоплення облікових записів, які статичні правила не можуть виявити.
• Адаптивне навчання. На відміну від систем на основі правил, моделі ШІ постійно перенавчаються на нових патернах шахрайства. Це скорочує вікно між новим вектором атаки та здатністю системи його виявити.
• Зменшення помилкових спрацьовувань. Тут фінансовий вплив стає реальним. Традиційні системи генерують величезні обсяги помилкових спрацьовувань, кожне з яких потребує ручного перегляду. Банки, що використовують ШІ для скринінгу шахрайства, повідомляють про зменшення помилкових спрацьовувань на 50-70%.

Кредитний скоринг та оцінка ризиків

ШІ-кредитний скоринг - ще одна сфера, де банки починають наздоганяти. Традиційні кредитні моделі покладаються на вузький набір змінних: історія платежів, непогашена заборгованість, тривалість кредитної історії. Моделі машинного навчання можуть залучати тисячі альтернативних точок даних, від платежів за комунальні послуги до патернів витрат, і будувати точніший профіль ризику. Для банків, що обслуговують населення з тонкими кредитними файлами, це дуже важливо. Це відкриває абсолютно нові сегменти клієнтів, які раніше були не оціненими.

Якщо є одна сфера, де ROI ШІ у банкінгу важко оскаржити, це відповідність KYC та AML. Цифри говорять самі за себе: банки зазвичай призначають 10-15% своїх штатних працівників на діяльність KYC та AML. Незважаючи на щорічне збільшення витрат на відповідність до 10%, фінансова галузь виявляє лише близько 2% глобальних фінансових злочинних потоків. Це невідповідність між інвестиціями та результатом є вражаючою.

Проблема помилкових спрацьовувань

У традиційних робочих процесах протидії відмиванню грошей до 95% сповіщень є помилковими спрацьовуваннями. Створення одного звіту про підозрілу діяльність може зайняти чотири або більше днів. Помножте це на тисячі сповіщень, які великий банк обробляє щомісяця, і ви отримаєте функцію відповідності, що споживає величезні ресурси, виявляючи при цьому дуже мало реальних злочинів. ШІ повністю змінює цю економіку. Дослідження Accenture щодо агентного ШІ у банкінгу задокументувало зменшення часу поглинання KYC на 99% для установ, що впровадили аналіз документів та верифікацію ідентичності на основі ШІ.

Як виглядає відповідність на основі ШІ

• Постійний KYC. Замість періодичних перевірок, ШІ дозволяє постійно переоцінювати ризики протягом життєвого циклу клієнта. Він виявляє зміни в патернах поведінки, які пропускають перевірки в конкретні моменти часу.
• Інтелектуальна обробка документів. ML-моделі витягують та перевіряють інформацію з посвідчень особи та корпоративних документів на швидкості, які жодна людська команда не може зрівняти.
• Мережевий аналіз. Графові моделі ШІ відображають транзакційні мережі для виявлення патернів відмивання грошей, що охоплюють кілька рахунків та юрисдикцій. Для лідерів корпоративних технологій, які оцінюють, з чого почати з ШІ, автоматизація відповідності пропонує найчіткіший шлях до вимірюваних результатів.

На ринку багато плутанини щодо того, що ці терміни насправді означають, і це розрізнення має значення для стратегії ШІ у банкінгу. Генеративний ШІ створює контент. Він складає електронні листи, підсумовує документи та генерує код. У банкінгу він живить помічників з написання коду, інтерфейси чату з даними та персоналізований маркетинг. Корисно, так, але це в принципі інструмент продуктивності. Ви запитуєте, він відповідає. Агентний ШІ створює результати. Він йде далі за генерацію відповіді: він сприймає ситуацію, приймає рішення та вживає заходів. Агентна система ШІ може перевірити заявку на кредит, направити її на обробку, провести перевірки відповідності та сповістити клієнта без втручання людини.

Наслідки для банкінгу

Розглянемо практичний приклад. Генеративний інструмент ШІ може скласти персоналізований лист про схвалення кредиту. Агентна система ШІ обробляє весь кредит: отримання заявки, андеррайтинг, схвалення, виплату. Перехід від генеративного до агентного - це де відбувається реальна трансформація ШІ у банкінгу. За даними BCG, приблизно 70% фінансових компаній зараз досліджують агентний ШІ, але лише 14% впровадили його у повному масштабі. Цифра в 14% - це де знаходиться можливість. Банки, які зараз перейдуть до виробничих агентних систем, матимуть реальну перевагу над тими, хто все ще проводить експерименти з генеративним ШІ.

Де підходить кожен тип

Клієнтський досвід - це сфера, де перевага фінтехів найбільш помітна для кінцевих користувачів. Фінтехи встановили планку цифрового банкінгу: миттєві схвалення, проактивні інсайти щодо витрат, сповіщення в реальному часі. Клієнти тепер очікують того самого досвіду від свого банку.

Віртуальні помічники та чат-боти

Erica від Bank of America - найбільш цитований приклад, і не дарма. AI-помічник обробив понад 676 мільйонів взаємодій з клієнтами з моменту запуску. Erica відповідає на запитання, надсилає сповіщення, допомагає з бюджетуванням та передає складні питання людським радникам. Але Erica - виняток. Більшість банківських чат-ботів - це гламурні сторінки FAQ, які дратують клієнтів більше, ніж допомагають. Розрив між тим, що можливо, і тим, що більшість банків насправді пропонують, є величезним.

Персоналізація в масштабі

Персоналізація на основі ШІ йде далі за рекомендації продуктів. Сучасні системи аналізують патерни витрат та потоки доходів, щоб надавати своєчасні, релевантні фінансові поради. Discovery Bank у Південній Африці пропонує інструмент фінансового здоров'я через WhatsApp, де клієнти запитують речі на кшталт "Скільки я витратив на каву минулого місяця?" і отримують миттєві, персоналізовані відповіді. Такий контекстний, розмовний тип взаємодії - це де клієнтський досвід зустрічається з реальною бізнес-ціною. Банки, які впроваджують це добре, бачать вимірювані покращення залучення та утримання.

Розрив у персоналізації

Проблема для більшості банків полягає не в технології ШІ. Справа в даних. Дані клієнтів зазвичай розкидані по десятках ізольованих систем: рахунки, картки, іпотеки, інвестиції. Побудова єдиного бачення клієнта, яке живить двигун персоналізації, потребує значної роботи з інженерії даних і зазвичай інвестицій у спеціальне програмне забезпечення, на які більшість банків не наважувалися йти.

Немає нестачі в оптимістичних прогнозах щодо потенційної вартості ШІ у банкінгу. McKinsey оцінює річний потенціал у 200-340 мільярдів доларів для глобального банкінгу від впровадження ШІ. Але що насправді бачать установи сьогодні?

Повернення ранніх послідовників

Дані від компаній, які просунулися далі пілотів, обнадійливі. За дослідженням Neurons Lab, ранні послідовники агентного ШІ у фінансових послугах повідомляють про 2.3-кратні повернення своїх інвестицій у ШІ протягом 13 місяців. Швидкий цикл окупності для корпоративних технологій, в будь-якому вимірі. Кілька конкретних кейсів додають деталей до цих чисел:

• JPMorgan Chase виділяє приблизно 2 мільярди доларів на ШІ з технологічного бюджету в 18 мільярдів. Понад 150 000 співробітників щотижня використовують великі мовні моделі. Система LAW банку обробляє перегляд юридичних документів з точністю 92.9%, а помічник EVEE звільнив сотні агентів кол-центру для проактивного залучення клієнтів.
• Klarna's AI-помічник обробляє дві третини всіх чатів обслуговування клієнтів протягом першого місяця після запуску, виконуючи роботу, еквівалентну 700 штатним агентам. Орієнтовна річна економія: 40 мільйонів доларів.
• Bank of America інвестував 4 мільярди доларів у ШІ та пов'язані ініціативи, розгортаючи Salesforce Agentforce для 1000 фінансових радників.

Де ROI найсильніший

Найвищі повернення надходять не від яскравих функцій, орієнтованих на клієнтів. Вони надходять з операцій:

• 30-50% зменшення ручних робочих навантажень для завдань на кшталт обробки документів та перегляду відповідності
• 50-70% менше помилкових спрацьовувань у виявленні шахрайства, що безпосередньо скорочує витрати на розслідування
• 99% швидше поглинання документів KYC в установах, що використовують обробку на основі ШІ Для банків, які оцінюють свою стратегію ШІ, урок чіткий: починайте там, де операційний біль найсильніший, а не там, де маркетингова історія найяскравіша.

Розуміння трендів ШІ у банкінгу - одне. А реальне впровадження ШІ у великій фінансовій установі - зовсім інше. Бар'єри реальні, і їхнє ігнорування - це причина, чому так багато банківських проєктів ШІ гальмують після фази пілоту.

Модернізація застарілих систем

Більшість великих банків керують основними банківськими операціями на мейнфреймах, яким 20-40 років. Ці системи працюють. Вони обробляють мільйони транзакцій щодня. Але вони ніколи не проєктувалися для інтеграції з сучасними моделями ШІ. Витяг реальних даних із системи на COBOL та їх передача в конвеєр машинного навчання потребує проміжного програмного забезпечення, API і часто стратегії міграції в хмару. Вартість цифрової трансформації є суттєвою. Але вартість відсутності модернізації зростає швидше, тому що щороку розрив між тим, що може ШІ, і тим, що дозволяє застаріла інфраструктура, стає ширшим.

Якість даних та управління даними

Моделі ШІ є лише такими ж хорошими, як дані, на яких вони навчаються. У банкінгу проблеми з якістю даних поширені:

• Непослідовні формати в системах, отриманих при поглинаннях. Більшість великих банків завершили кілька злиттів, кожне з яких приносить свою схему даних.
• Відсутні або неповні записи в базах даних клієнтів.
• Ізольоване зберігання, де інформація про клієнтів для рахунків, карток та кредитів живе в окремих, нез'єднаних системах. Побудова надійного фундаменту даних та чіткої структури управління даними не є гламурною роботою, але це передумова для кожної наступної ініціативи ШІ. Без централізованого управління даними навіть найкращі моделі дають ненадійні результати.

Управління та пояснюваність

Регулятори очікують, що банки пояснять, як моделі ШІ приймають рішення, особливо для кредитування та визначення шахрайства. Це означає, що чорноскринькові моделі неприйнятні в багатьох банківських контекстах. Банкам потрібні пояснювані рамки ШІ та процеси управління модельними ризиками, плюс постійний моніторинг. За даними галузевих опитувань, 48% фінансових установ називають управління своїм головним бар'єром для впровадження ШІ, і 30% стикаються з проблемами пояснюваності моделей.

Тож що насправді повинні робити банки? Відповідь не в тому, щоб намагатися перевершити фінтехи на швидкість. У банків є структурні переваги, яких фінтехи позбавлені: довіра, регуляторні ліцензії, наявні бази клієнтів та баланси. Шлях вперед - поєднання цих переваг з можливостями ШІ, які фінтехи впровадили.

Пріоритизуйте дохідні застосування

Занадто багато банківських проєктів ШІ зосереджені на внутрішніх ефективностях. Це має значення, але це не закриє конкурентний розрив. Банкам потрібно інвестувати в ШІ, орієнтований на клієнта, що стимулює зростання: персоналізовані рекомендації продуктів та інструменти фінансового планування на основі ШІ, а також рушії прийняття рішень в реальному часі для кредитування та страхування. Фінтехи, які перемагають у сфері ШІ у банкінгу, перемагають не тому, що вони мають кращі моделі. Вони перемагають, тому що впроваджують ці моделі в продукти, якими клієнти насправді користуються.

Побудуйте фундамент даних та управління

Ви не можете масштабувати ШІ без надійної інфраструктури даних та чіткого управління. Це означає інвестування в:

• Єдині платформи даних клієнтів, що збирають інформацію з усієї організації
• Рамки управління модельними ризиками, які задовольняють регуляторів, не сповільнюючи розгортання до повзання
• Хмарну інфраструктуру, що підтримує обчислювальні вимоги сучасних робочих навантажень ML, включаючи хмарні платформи, побудовані для фінансових послуг
• Конвеєри даних відкритого банкінгу, що дозволяють моделям ШІ отримувати дані з зовнішніх джерел для побудови повніших профілів клієнтів

Розвивайте агентні можливості

Зсув від автоматизації до автономії - це найважливіший тренд ШІ у банкінгу, за яким варто стежити. Банкам потрібно йти далі за чат-ботів, що відповідають на запитання, до агентів ШІ, що завершують робочі процеси. Це означає побудову або придбання систем, які можуть сприймати контекст та приймати рішення в межах визначених обмежень. Agent Toolkit від PayPal, запущений у 2025 році, є хорошим прикладом того, куди це рухається. Інструментарій дозволяє стороннім розробникам створювати агентів, які можуть ініціювати платежі, відстежувати транзакції та виконувати складні фінансові завдання від імені користувачів.

Таблиця нижче розбиває, як фінтехи та традиційні банки порівнюються за основними вимірами впровадження ШІ. Картина не повністю однобічна. У банків є реальні переваги в довірі та регуляторному становищі. Але вони програють у швидкості та готовності дозволити ШІ керувати основними бізнес-рішеннями.

Розрив між фінтехами та банками у сфері ШІ не зникне сам по собі. Кожен квартал, який банки проводять у пілотному режимі, - це квартал, який їхні фінтех-конкуренти використовують для побудови виробничих систем та залучення клієнтів. Але вікно не закрите. Банки, які беруть на себе зобов'язання щодо чіткої стратегії ШІ, інвестують у свої фундаменти даних та переходять від експериментів з генеративним ШІ до агентних систем ШІ, все ще можуть конкурувати. У них є активи, якими фінтехи багато б віддали, щоб мати: регуляторні ліцензії та довіра клієнтів, підкріплені масивними мережами розподілу. Необхідна цифрова трансформація - це не єдиний проєкт з фінішною лінією. Це постійне зобов'язання перебудувати те, як працює банк, від прогнозної аналітики у кредитуванні до моніторингу кібербезпеки на основі ШІ. Кожен елемент підсилює наступний. Банки впроваджуватимуть ШІ. Вони повинні. Справжнє питання - чи зроблять вони це достатньо швидко, щоб мати значення. За трендами ШІ у банкінгу, які ми відстежуємо, відповідь залежить від того, чи керівництво розглядає ШІ як технологічний проєкт чи як бізнес-трансформацію. Це дуже різні речі. З нашого досвіду роботи з фінансовими установами, банки, які розуміють різницю, перевершуватимуть тих, хто не розуміє.