Введение

ИИ в банках не сводится к генеративным моделям: к нему относятся анализ данных, распознавание речи и текста, классификация операций и выявление аномалий. ЕВА отмечает применение ИИ для кредитного скоринга, управления рисками, клиентского обслуживания и противодействия мошенничеству [1]. По данным ЕЦБ за 2026 год, почти 90 % значимых банков еврозоны применяли ИИ хотя бы в одном бизнес-процессе [2].

1. Сущность ИИ и кредитный скоринг

Под ИИ понимаются компьютерные методы, позволяющие выявлять закономерности в данных, формировать прогнозы, классифицировать события и обрабатывать естественный язык. Машинное обучение строит модели на примерах, обработка естественного языка применяется для анализа запросов и формирования ответов. Генеративные модели способны создавать текст, однако в банковской среде их использование требует ограничений: ответ должен соответствовать утверждённым продуктовым условиям и не раскрывать защищённую информацию.

Внедрение ИИ обычно представляет собой не замену всей банковской системы, а интеграцию отдельных моделей в существующие процессы. Скоринговый алгоритм оценивает риск невозврата кредита, но решение по сложной заявке остаётся за сотрудником. Система противодействия мошенничеству формирует предупреждение, после чего операция проверяется по установленным правилам.

Кредитный скоринг — оценка вероятности выполнения заёмщиком обязательств по кредиту. ИИ позволяет учитывать больше признаков и выявлять нелинейные взаимосвязи, чем классические скоринговые карты. Преимущества ИИ-скоринга — ускорение рассмотрения заявок, единообразное применение критериев и более точная сегментация риска. Однако высокая точность на исторических данных не гарантирует корректной работы в будущем: изменение экономической ситуации, состава клиентов или продуктов может ухудшить прогноз. Кроме того, данные прошлого могут содержать косвенные признаки социального неравенства, из-за чего модель способна систематически занижать оценку отдельных групп клиентов. ЕВА подчёркивает, что машинное обучение в моделях кредитного риска требует надлежащего управления моделями, анализа объяснимости и соблюдения законодательства о защите данных [3].

Таблица 1

Возможности и ограничения ИИ в кредитном скоринге

2. Чат-боты и автоматизация клиентского обслуживания

Чат-боты применяются в мобильных приложениях, интернет-банке и на сайтах кредитных организаций: помогают узнать режим работы, тарифы, порядок блокировки карты, получить подсказки по переводам. Простые боты работают по заданным сценариям, а системы на языковых моделях распознают свободные вопросы и учитывают контекст диалога.

Для клиента преимущества — доступность вне графика отделений, сокращение ожидания и быстрый ответ на типовой вопрос; для банка — снижение нагрузки на контакт-центр и возможность сосредоточиться на нестандартных обращениях. По данным ЕЦБ за 2026 год, чат-боты применялись примерно в 40 % значимых банков еврозоны [2]; показатель отражает распространённость технологии, а не долю всех обращений, полностью решаемых ботами.

Главный риск генеративных чат-ботов — уверенно звучащий, но неверный ответ, ведущий к неправильному пониманию комиссии, сроков платежа или условий продукта. Поэтому ответы следует ограничивать проверенными внутренними источниками, фиксировать актуальность тарифов и предусматривать быстрый перевод диалога к сотруднику. Бот не должен запрашивать пароль, полный PIN-код или одноразовый код подтверждения. Доступ к истории диалогов, содержащей персональные данные, ограничивается служебной необходимостью, а сроки хранения определяются внутренними правилами.

3. Использование ИИ для борьбы с мошенничеством

Банковское мошенничество постоянно меняется: злоумышленники используют фишинговые сайты, социальную инженерию, поддельные звонки, вредоносные программы и попытки захвата учётных записей. ИИ позволяет анализировать последовательности транзакций и поведенческие признаки вблизи реального времени, выявляя отклонения от обычного профиля клиента: сумму, частоту и географию операций, характеристики устройства, время платежа и связи между событиями. В отличие от правил, срабатывающих при заранее заданном условии, машинное обучение выявляет комбинации слабых сигналов. Отдельный перевод может выглядеть обычным, но сочетание нового устройства, нетипичной суммы и серии быстрых переводов повышает оценку риска — тогда банк вправе запросить дополнительное подтверждение, задержать операцию или направить её на ручную проверку.

По данным Банка России за 2025 год, 43 % заблокированных по его инициативе ресурсов составляли фишинговые сайты, 36 % — ресурсы с нелегальными финансовыми услугами, 21 % — финансовые пирамиды [5]. Эти цифры описывают структуру заблокированных ресурсов, а не долю всех мошеннических операций и не эффективность ИИ-моделей, но показывают значимость цифрового мониторинга.

Рис. 1. Структура ресурсов, заблокированных по инициативе Банка России в 2025 г. [4]

ИИ помогает выявлять подозрительные операции, но не устраняет мошенничество полностью. Преступники адаптируют схемы под известные алгоритмы, используют синтетические документы и голосовые подделки. Чрезмерно чувствительная система способна блокировать законные платежи, поэтому необходимо оценивать не только число обнаруженных случаев, но и долю ложных срабатываний, время реакции, сумму предотвращённых потерь и скорость восстановления доступа добросовестного клиента.

Рис. 2. Распространённость отдельных сценариев применения ИИ в значимых банках еврозоны

4. Риски внедрения и ответственное использование ИИ

Риски связаны не только с технологией, но и с организацией работы: низкое качество данных даёт нестабильные результаты; сложные модели затрудняют объяснение решений; внешние поставщики создают зависимость и новые точки киберриска; при недостаточном контроле ошибки масштабируются на многих клиентов.

К ключевым рискам относятся ошибочные срабатывания, непрозрачность моделей, утечка данных, смещение оценок и атаки на модель. Наиболее значимы ложные срабатывания и недостаточная объяснимость, поскольку они способны непосредственно повлиять на клиентский опыт и доверие к банку.

Рис. 3. Экспертная оценка значимости рисков внедрения ИИ в банке

Оценки на рисунке 3 являются аналитической классификацией для данной статьи, а не результатом репрезентативного опроса.

Система управления ИИ включает несколько уровней. На этапе разработки определяются цель модели, правовое основание обработки данных, допустимые признаки и критерии качества. Перед запуском проводится тестирование на независимой выборке и проверка поведения модели в нестандартных условиях. После запуска необходимы мониторинг, документирование изменений, независимая валидация и ответственность владельца модели.

5. Рекомендации и заключение

Банкам целесообразно: начинать с чёткой задачи и измеримых критериев (точность прогноза, время обработки обращения, доля ложных срабатываний, предотвращённые потери); проверять качество и репрезентативность данных; обеспечивать объяснимость решений, влияющих на доступ к кредиту, блокировку платежа или права клиента; сохранять передачу сложного случая сотруднику и понятный порядок обжалования; защищать модели и данные, контролировать поставщиков и фиксировать события безопасности; регулярно переоценивать качество модели; обучать сотрудников работе с ИИ.

Искусственный интеллект становится значимым инструментом банковской деятельности: он позволяет анализировать большие массивы данных, автоматизировать типовые обращения и быстрее выявлять подозрительные операции. Эффективность ИИ определяется не только качеством алгоритма, но и зрелостью управления — качеством данных, объяснимостью решений, контролем смещений и человеческим надзором. Наиболее рациональна поэтапная стратегия внедрения с измеримыми критериями и постоянной переоценкой рисков.

Литература:

1. European Banking Authority. Special topic — Artificial intelligence: broad and diverse adoption of AI in the EU/EEA banking sector. — 2025. — URL: https://eba.europa.eu/publications-and-media/publications/special-topic-artificial-intelligence
2. European Central Bank. AI and the euro area economy. Keynote speech by Philip R. Lane, Member of the Executive Board of the ECB. — 23 March 2026. — URL: https://www.ecb.europa.eu/press/key/date/2026/html/ecb.sp260323_1~1e06784a89.el.html
3. European Banking Authority. Follow-up Report on the use of machine learning for internal ratings-based models. — 4 August 2023. — URL: https://www.eba.europa.eu/publications-and-media/press-releases/eba-publishes-follow-report-use-machine-learning-internal
4. European Central Bank, Banking Supervision. AI’s impact on banking: use cases for credit scoring and fraud detection. — 20 November 2025. — URL: https://www.bankingsupervision.europa.eu/press/supervisory-newsletters/newsletter/2025/html/ssm.nl251120_1.en.html
5. Банк России. Информационное письмо от 9 июля 2025 г. № ИН-016–13/91 «О Кодексе этики в сфере разработки и применения искусственного интеллекта на финансовом рынке». — URL: https://www.consultant.ru/document/cons_doc_LAW_509514/
6. Банк России. Искусственный интеллект на финансовом рынке. — URL: http://www.cbr.ru/fintech/primenenie-iskusstvennogo-intellekta-na-finansovom-rynke/