Больше половины российских компаний уже используют или активно рассматривают внедрение AI в бизнес-процессы. В финтехе этот интерес особенно заметен: мы в KODE получаем всё больше запросов от основателей и руководителей финансовых продуктов, которые хотят разобраться как использовать AI системно.
За этими запросами стоит разное: кто-то думает про чат-бот в поддержке, кто-то про ML-скоринг, кто-то про то как сделать операционку эффективнее. Интерес понятен — компании которые уже выстроили AI внутри процессов, получают измеримый результат. Сбер, например, по открытым данным оценивал эффект от AI примерно в 350 млрд рублей за 2023 год. С учётом того как быстро развиваются технологии, можно предположить что сегодня этот эффект вырос кратно.
Мы несколько лет работаем с финтех-командами которые двигаются в эту сторону. В этой статье делимся тем что видим на практике: где AI действительно меняет экономику продукта, а где внедрение остаётся дорогим экспериментом.
Три уровня внедрения AI в финтехе — и где начинается реальный эффект
Когда говорят «мы внедрили AI», за этим стоит очень разное. Есть три сценария которые сейчас распространены на рынке — и все три приносят пользу. Но бизнес-эффект у них принципиально разный.
AI в клиентском сервисе. Чат-бот в поддержке, голосовой ассистент, автоответы на типовые вопросы. Снижает нагрузку на команду, ускоряет ответы клиентам. ЮMoney, например, через бота автоматизировали обработку обращений в поддержку, сократив время решения типовых запросов с 24 часов до 15 минут. Это хорошая точка входа с измеримым операционным эффектом, хотя влияние на выручку и unit-экономику, как правило, косвенное. AI в отдельном процессе. ML-модель оценивает кредитный риск, помогает принять решение по заявке, выявляет подозрительные транзакции. Здесь уже есть более прямой измеримый эффект — улучшение показателей одобрений, снижение потерь от мошенничества. Но это изолированный инструмент: он не знает что происходит в соседних процессах и не даёт сквозного результата на уровне всей операционки. AI как часть операционной системы. Здесь начинается другой уровень. AI участвует в принятии решений по всей цепочке, связывает данные между процессами, оставляет след который можно проверить. Компания может обрабатывать больше клиентов без пропорционального роста команды. Именно здесь появляется масштабируемый экономический эффект — и именно сюда движутся те кто уже прошёл первые два уровня.
Разница между вторым и третьим уровнем не в сложности технологии. Она в том, встроен ли AI в операционку или работает рядом с ней.
Граница которую не стоит переходить
В финансовых продуктах нельзя просто передать принятие решений модели. Есть комплаенс, KYC, AML, ответственность перед регулятором и клиентом. Но и использовать AI только как инструмент поиска или генерации текста — значит получать минимум от его возможностей. Рабочая модель находится посередине: AI анализирует данные и предлагает решение, человек проверяет и утверждает. Рынок уже видел что бывает когда эту границу не соблюдают. ЮMoney публично описали опыт попытки заменить сотрудника поддержки генератором текста — в их собственной оценке результат оказался «не очень хорошим». Без чётких ограничений, базы знаний и человеческого контроля в процессе генерация текста становится источником ошибок, а не их решением. Покажем как работает правильная модель на примере из нашей практики. Мы работали с командой которая строила кредитный сценарий. Все события прохождения флоу — время на каждом шаге, где пользователь задерживается, где уходит — передавались в LLM. Модель выдала рекомендацию: шаг самоидентификации создаёт наибольшее трение, предложение — убрать. Команда не согласилась автоматически. Self-ID они сами интегрировали — ограничения KYC знают хорошо. Нашли допустимый вариант: если пользователь уже проходил идентификацию за последние полгода, повторять не нужно. Не убрали шаг — доработали логику. Конверсия выросла, требования регулятора соблюдены. Дальше система сработала ещё раз. Это изменение вместе с метриками попало обратно в LLM. Модель увидела результат и сама нашла аналогичный шаг в сценарии открытия счёта — предложила применить тот же подход. Команда проверила, утвердила — внедрили. Это и есть рабочая модель. AI не принял решение — он нашёл проблему и предложил решение. Человек проверил его с учётом контекста который модель не знала. И именно потому что каждый шаг был зафиксирован — что предложила модель, кто и почему утвердил, что изменилось — этот опыт стало возможным перенести на другой сценарий.
Как понять что AI действительно встроен в операционку
Из практики мы видим три признака того что AI действительно работает как часть операционной системы, а не рядом с ней. Первый — любое решение можно объяснить. Не в общих словах, а конкретно: на основании каких данных, кто утвердил, что изменилось. Это важно и для внутреннего контроля, и для регулятора. Второй — процессы можно воспроизвести. Если что-то пошло не так, команда может восстановить цепочку событий и понять где именно. Без этого улучшать систему практически невозможно. Третий — объём растёт без пропорционального роста команды. Это главный экономический признак. Если при росте числа клиентов или заявок приходится нанимать людей в той же пропорции — AI работает как инструмент, а не как часть операционной системы. Если хотя бы один из этих признаков не выполняется — стоит разобраться почему, прежде чем двигаться дальше.
Три риска которые стоит учитывать при внедрении
Когда AI не даёт ожидаемого эффекта — причина почти никогда не в качестве модели. Чаще всего проблема в процессах вокруг неё. Вот три риска которые мы видим наиболее часто. Решение нельзя объяснить. В финтехе это прямой регуляторный риск. Если система не может показать на каком основании клиенту отказали или одобрили продукт — регулятор может расценить это как нарушение вне зависимости от того, было ли решение по существу правильным. Европейская практика уже даёт конкретные ориентиры. Суд ЕС в деле SCHUFA постановил: даже автоматическое присвоение кредитного рейтинга является автоматизированным принятием решений по статье 22 GDPR, если банк в значительной мере опирается на этот рейтинг. А в деле Dun & Bradstreet в 2025 году суд прямо указал: предоставить сложную математическую формулу или детальное описание алгоритма — недостаточно. Объяснение должно быть понятным человеку. В качестве иллюстрации — клиенту отказали в мобильном контракте за 10 евро в месяц на основе автоматического скоринга, и он не смог получить внятного объяснения. Суд счёл это нарушением. Показательный пример из финансового сектора — ситуация с Apple Card и Goldman Sachs в 2024 году. Регулятор выявил что система принятия кредитных решений была устроена так, что ни клиент, ни сам банк не могли внятно объяснить логику конкретно
Нет контроля над процессами. Когда AI работает как чёрный ящик — сложно понять, почему он принял то или иное решение, найти узкое место и улучшить результат. Бизнес постепенно теряет управляемость над собственными операциями. Это особенно важно в финтехе, где решения напрямую влияют на клиентов и регулируются. В российских банках такие системы уже широко используются — например, в скоринге и антифроде. В Сбербанк решения принимаются на основе большого количества факторов и сложных моделей, что позволяет достигать высокой точности. При этом сам банк отдельно фиксирует необходимость обеспечивать «прозрачность и объяснимость (Explainable AI)» и управляемость таких систем на уровне принципов применения AI. Но у такого подхода есть естественные ограничения: по мере роста сложности моделей снижается их интерпретируемость. Это означает, что для объяснения конкретного решения — почему операция была ограничена или заявка отклонена — часто требуется дополнительный слой аналитики и ручной разбор. В большинстве случаев процессы выстроены корректно, но сама архитектура таких систем требует отдельного внимания к explainability и контролю, особенно при масштабировании. Если этот контур не проработан заранее, автоматизация может усложнить управление: система продолжает работать эффективно, но разбор нестандартных ситуаций становится медленнее и дороже.
Не масштабируется без роста команды. Это ключевой экономический риск. Если AI встроен в операционку только точечно — с ростом объёма бизнеса приходится нанимать людей пропорционально. Компании которые выстроили систему правильно, получают другую картину. Т-Банк, например, построил антифрод-систему которая по открытым данным выявляет мошеннические звонки с надёжностью более 99% и позволила предотвратить финансовые потери клиентов от миллионов рублей в отдельных инцидентах до сотен миллионов рублей в масштабах сервиса. Это результат не одной модели, а системы где AI, данные и процессы выстроены в единый контур.
Те кто решил эти проблемы уже считают деньги
Крупнейшие банки мира уже прошли этап экспериментов и сейчас считают результат. JPMorgan за два месяца подключил к внутренним AI-инструментам 140 тысяч сотрудников — почти половину банка. При росте прибыли на 12% штат вырос всего на 1%. Bank of America добился того что 90% сотрудников ежедневно работают с AI — обращения в IT-поддержку упали вдвое. Goldman Sachs развернул тысячи автономных AI-агентов и ожидает роста производительности в 3–4 раза. Все эти результаты — следствие одного и того же подхода: AI встроен в операционку, каждое решение фиксируется, масштаб растёт без пропорционального роста команды. Ниже разберём как выстроить такую же логику с меньшими ресурсами — с чего начать и как измерить что это работает.
С чего начать и как это организовать
Один из распространённых сценариев — попытка сразу выстроить универсальную систему которая охватывает все процессы. На практике это чаще всего заканчивается затяжным пилотом без измеримого результата. Более устойчивый подход — начинать с одного процесса и выстраивать систему постепенно. Шаг 1. Найдите процесс где боль уже измерима. Не самый важный и не самый простой — а тот где есть конкретная метрика которая не даёт нужного результата. Время обработки заявки, конверсия на шаге, количество жалоб по одной теме. Зафиксируйте цифру до внедрения — это ваша точка отсчёта. Шаг 2. Определите кто за что отвечает. AI в операционке — это не только технология, это распределение ответственности. До запуска должно быть понятно: кто формулирует задачу для модели, кто проверяет её рекомендации, кто принимает финальное решение и кто отвечает если что-то пошло не так. Без этого система быстро превращается в ситуацию где все полагаются на модель и никто не несёт ответственности за результат. Шаг 3. Убедитесь что каждое решение оставляет след. Что предложила модель, на основании каких данных, кто и когда утвердил, что изменилось в результате. Это нужно не для отчётности — это единственный способ улучшать систему со временем и объяснить любое решение регулятору или клиенту если потребуется. Шаг 4. Не меняйте процесс и AI одновременно. Сначала зафиксируйте как есть. Потом добавьте AI. Потом смотрите на метрику. Если менять всё сразу — невозможно понять что именно повлияло на результат и что повторять. Шаг 5. Контролируйте три вещи на регулярной основе. Качество рекомендаций модели — соответствуют ли они ожиданиям команды. Скорость и точность — не деградирует ли система со временем. И главное — может ли ваша команда в любой момент объяснить почему система приняла конкретное решение. Если ответ «нет» — это сигнал что контур управления нужно усилить до того как проблема стала регуляторной или репутационной.
Понятный процесс важнее масштаба
Компании которые получают от AI реальный эффект — как правило не те кто внедрил самую сложную модель. А те кто выстроил понятный процесс: решения фиксируются, роли распределены, результат измеряется. Обратная сторона тоже работает. Слабый контур управления решениями при любой автоматизации увеличивает не только скорость процессов, но и масштаб последствий когда что-то идёт не так. Регуляторные штрафы, потеря управляемости, невозможность масштабироваться без роста команды — это не гипотетические риски, это то с чем уже столкнулись конкретные компании. Выигрывают те кто выстраивает контроль до того как он понадобился — а не после.
