Окончание. Начало здесь
Помимо традиционных явно-алгоритмических программных средств, финансовый сектор (не только российский, кстати) делает сегодня серьёзную ставку на различные инструменты искусственного интеллекта, включая агентные. Каковы ориентировочные сроки окупаемости таких проектов, и в какой мере внедрение ИИ заставляет заказчиков перекраивать уже собственные бизнес-процессы — в том числе и с привлечением интеграторов?
ИИ любит счёт
По справедливому замечанию Татьяны Лемешевой, директора по развитию бизнеса Скала^р (Группа Rubytech), финансовая отрасль — одна из самых зрелых в плане внедрения ИИ: «Здесь технологии искусственного интеллекта применяются уже давно и в различных контурах: антифрод и комплаенс, кредитный скоринг, голосовые и текстовые ассистенты в клиентском сервисе, персонализация продуктовых предложений, автоматизация операций бэк-офиса, поддержка принятия решений в управлении рисками. В последние пару лет к этому добавились большие языковые модели и агентные сценарии — от помощников для сотрудников контакт-центров до автоматизированных аналитических агентов для внутренних подразделений. Сроки окупаемости здесь сильно различаются в зависимости от типа проекта. „Узкие“ прикладные сценарии — голосовые ассистенты, классификаторы обращений, ИИ-помощники сотрудников, — как правило, окупаются в горизонте от 6 до 18 месяцев, прежде всего за счёт прямого сокращения операционных издержек. Более глубокие проекты — переработка кредитного конвейера, антифрод-платформы, агентные системы — обычно выходят на окупаемость в горизонте
«Что касается перекройки бизнес-процессов, — продолжает эксперт, — это, пожалуй, главный вызов. Внедрение ИИ перестаёт быть „надстройкой“ над существующими процессами и становится поводом пересматривать их целиком. Когда агент способен самостоятельно проводить операцию от обращения клиента до закрытия задачи, классические цепочки согласований и ручных проверок теряют смысл. Соответственно, банки вынуждены заново описывать процессы, перераспределять роли, выстраивать новые контуры контроля и аудита решений ИИ. Задача при этом комплексная в плане кадрового ресурса: нужны и методологи процессов, и архитекторы данных, и специалисты по
Сергей Шелепин, директор центра искусственного интеллекта мультиагентных систем компании «Ингосстрах», также называет финансовый сектор сегодня одним из наиболее зрелых полигонов для промышленного применения ИИ: «Банки и страховые компании внедряют нейросети в кредитный скоринг, антифрод, риск-менеджмент и клиентский сервис — то есть именно там, где ИИ напрямую влияет на маржинальность и конкурентоспособность. Говорить об универсальных сроках окупаемости ИИ-проектов сложно: они существенно варьируются в зависимости от типа задачи, глубины интеграции и зрелости данных в конкретной организации. Для относительно „классических“ применений — антифрода, скоринга, автоматизации обращений — горизонт, как правило, короче, поскольку эффект измерим и достигается быстрее. Агентные и генеративные решения требуют более длинного горизонта планирования: они предполагают не точечную автоматизацию, а глубокую перестройку процессов, и их ценность раскрывается постепенно».
«Принципиально важно другое, — продолжает эксперт, — отрасль в целом переходит от „ИИ ради ИИ“ к прагматичной оценке экономического эффекта ещё на стадии обоснования проекта. Финансовые компании, в отличие от многих других вертикалей, умеют считать деньги — и это оздоравливает рынок. Параллельно внедрение ИИ вынуждает заказчиков пересматривать операционные модели: речь идёт не только о замене ручного труда алгоритмами, но и о перераспределении зон ответственности, изменении логики принятия решений, появлении новых ролей (AI-аудитор, владелец модели и т.д.). Регулятор — Банк России — также движется в эту сторону: в июле 2025 года был опубликован Кодекс этики в сфере применения ИИ на финансовом рынке, и требования к прозрачности ИИ становятся частью комплаенс-повестки. Роль интеграторов при этом не снижается; напротив, сложность изменений увеличивает спрос на экспертизу „от стратегии до эксплуатации“».
Финансовый сектор традиционно является одной из отраслей, в которой особое внимание уделяется управлению на основе данных (data-driven подход), — на это обращает внимание Константин Смирнов, управляющий партнёр «ДАР» (ГК «КОРУС Консалтинг»): «Это даёт преимущество с точки зрения внедрения ИИ-инструментов, поскольку те могут быть эффективными лишь в совокупности с исходно корректно организованной работой с данными (в части их сбора, хранения, обработки и т.д.). Окупаемость подобных проектов зависит от конкретного контекста, сроки могут составлять от месяцев до нескольких лет. Однако зачастую самым дорогим в проектах является не стоимость самого ИИ-решения, а его интеграция с существующей ИТ-инфраструктурой. Поэтому на период окупаемости часто влияет не только от эффективность самого ИИ-инструмента, но и состояние ИТ-инфраструктуры финансовой организации, а также то, насколько правильно выстроена работа с данными».
Глеб Маркевич, лидер направления ИИ и комплексных решений компании YADRO, уточняет, что ИИ окупается быстро там, где убирает рутину и ошибки, и медленнее там, где ради него нужно переделывать сам процесс: «Поэтому для точечных сценариев разумно говорить о
Сроки окупаемости ИИ-проектов, как отмечает Василий Мелихов, директор отделения управления проектами и программами IBS, варьируются в зависимости от масштаба, сложности и специфики внедрения: «В среднем окупаемость таких инвестиций в финансовой сфере составляет от 1 до 3 лет, в некоторых случаях может сокращаться до
Финтех как двигатель прогресса
Имеются ли на российском рынке программных решений такие направления, где заказчики из финансовой отрасли выступают локомотивами и законодателями мод? И как на такое положение дел реагируют независимые разработчики аналогичного ПО, особенно с учётом довольно широких возможностей финансового сектора буквально пылесосить с рынка крайне дефицитных сегодня ИТ-специалистов?
«Безусловно, такие направления есть, — подтверждает Татьяна Лемешева, — и финансовый сектор действительно задаёт тон сразу в нескольких областях. Process mining — один из показательных примеров: банки одними из первых начали систематически применять эти инструменты для оптимизации операционных потоков, и именно их требования формируют функциональную планку для российских разработчиков. Аналогичная картина с ИИ для массового клиентского обслуживания — здесь финансовые организации фактически выступают полигоном, на котором обкатываются голосовые и текстовые модели, антифрод-алгоритмы, рекомендательные системы. Развитие экосистем — отдельная история: крупнейшие игроки строят вокруг банковского ядра целые конгломераты сервисов, от маркетплейсов до медиа, и тянут за собой целый пласт смежных ИТ-решений».
«Для независимых разработчиков, — продолжает эксперт, — финансовый сектор — стратегически важный заказчик: платёжеспособный, технически зрелый, работа с которым серьёзно прокачивает продукт. Многие вендоры сознательно строят продуктовую стратегию „от банков“: если решение выдержало промышленную эксплуатацию у крупного банка с его требованиями к отказоустойчивости, регуляторике и нагрузкам, его проще выводить в другие отрасли — ритейл, телеком, промышленность, госсектор. В этом смысле финансовая вертикаль работает как драйвер зрелости для всего рынка».
Василий Мелихов солидарен с тем мнением, что финансовый сектор в России выступает локомотивом и законодателем трендов в перечисленных направлениях: «Финансовым институтам требуется соответствовать технологическим и бизнес-трендам, чтобы успешно развиваться и оставаться конкурентоспособными. У крупных представителей финсектора есть R&D направления со значительным объёмом инвестиций для апробации и отработки гипотез развития ИТ-инфраструктуры и ПО. Успешные гипотезы переходят в серьёзные коммерческие внедрения, благодаря чему появляются проекты по развитию обширных экосистем, ИИ, process mining и пр. Крупные вендоры и интеграторы стремятся встраиваться в эти процессы уже на стадии R&D, чтобы своевременно совершенствовать свои продукты — и готовить кадры к предстоящим комплексным коммерческим проектам».
«Нередко крупные игроки имеют собственные сильные команды разработчиков или кэптивные ИТ-компании, — поясняет преимущества финансовой отрасли на рассматриваемом направлении Константин Смирнов, — которые во многом закрывают потребности бизнеса с помощью самописных решений. Тем не менее, на рынке появляются и специализированные отраслевые ИТ-продукты для финсектора от независимых вендоров. Да, внутренние ИТ-команды способны создать ИТ-решение, идеально подходящее для конкретной организации, — но вряд ли такое решение подойдёт другим игрокам, учитывая их уникальные внутренние бизнес-процессы, особенности ИТ-инфраструктуры и другие факторы. Полагаю, что на рынке ИТ-решений для финсектора сформируется некий баланс: организации будут использовать как самописные решения, так и коробочные „массовые“ продукты, которые уже доказали свою эффективность. Что касается конкуренции за ИТ-кадры, то, безусловно, финансовая отрасль старается набирать сильных ИТ-специалистов на рынке, — но это характерно и для других высокомаржинальных отраслей (например, ритейл, некоторые сферы промышленности и т.д.). При этом конкуренция за высококвалифицированные кадры свойственна не только определённым сферам экономики, но и ИТ-рынку в целом, в том числе на уровне системных интеграторов и разработчиков ПО».
Александр Бочкин, генеральный директор Инфомаксимум, подтверждает, что банки первыми тестируют новые программные подходы и технологии: «Причины понятны: большое количество транзакций, жёсткое регулирование и прямая зависимость от клиентского опыта делают эффект от технологий быстрым и чётко измеримым. За счёт этого банки быстрее других игроков финансового рынка проходят путь от пилотов к промышленному внедрению. По нашей оценке, до 60% всех публичных внедрений Process Mining в России сегодня приходится именно на банки; накопленный экономический эффект превышает 45 млрд рублей. При этом банки не замыкают накоплеенную экспертизу внутри себя, а транслируют её вовне: публикуют кейсы, выступают с разборами технических нюансов, делятся лучшими практиками, честно говорят о неудачах и ограничениях».
«Аналогичная ситуация, — продолжает эксперт, — складывается и в области искусственного интеллекта, особенно в клиентских сценариях. Высокая доля цифровых взаимодействий и значительный объём данных позволяют банкам быстрее получать эффект от внедрения ИИ — от автоматизации обработки запросов до персонализации сервисов. В результате именно банки формируют ожидания рынка по скорости и качеству клиентского опыта. Интересный кейс представил Альфа-Банк, который презентовал концепцию AI-Powered Process Mining. Суть подхода в том, что классическая процессная аналитика дополняется алгоритмами ИИ — которые не просто фиксируют отклонения в процессах, но помогают интерпретировать причины и предлагать варианты оптимизации. По сути, это следующий шаг развития технологии: переход от анализа „что происходит“ к пониманию „почему это происходит и что с этим делать“».
В качестве яркого примера лидерства финансовой отрасли по ряду технологических направлений Сергей Шелепин приводит аналитику процессов (process mining): «В 2025 году российский рынок процессной аналитики вырос на 53%, достигнув 1,4 млрд рублей, и финансовый сектор — один из ключевых драйверов. По данным опроса Банка России, из 252 финансовых организаций (доклад ЦБ РФ, ноябрь 2025) 21% уже применяют ИИ в управлении рисками — и в дальнейшем ожидается рост этого показателя. Что касается независимых разработчиков, то здесь ситуация не самая однозначная. Бесспорно, крупные финансовые игроки создают кадровое давление, активно переманивая дефицитных специалистов. Но одновременно именно такие игроки развивают рынок — и формируют спрос на тиражируемые решения. Наиболее адаптивные вендоры отвечают на это специализацией на нишах, которые крупным игрокам неинтересно закрывать in-house, сотрудничеством с вузами для формирования собственного кадрового резерва, выстраиванием партнерских схем со значимыми игроками финансовой сферы, и таким образом конкуренция трансформируется в экосистемную кооперацию».
Источник: Максим Белоус, IT Channel News
