Сегодня методы, основанные преимущественно на анализе кредитной истории и официальных доходов, дополняются и в ряде случаев замещаются технологическими решениями на базе искусственного интеллекта (ИИ), машинного обучения и обработки альтернативных данных. Как отмечается в исследовании, посвящённом современным информационным системам кредитного скоринга, «эволюция информационных систем и технологий для оценки кредитоспособности банковских клиентов происходит на фоне роста кредитования и цифровизации» [7]. Цель настоящей статьи — проанализировать опыт применения перспективных технологий в оценке кредитоспособности клиентов российских банков, выявить их преимущества и ограничения.

Правовое регулирование процессов оценки кредитоспособности в Российской Федерации основывается на нескольких ключевых нормативных актах, основным является Федеральный закон от 02.12.1990 № 395–1 «О банках и банковской деятельности», который определяет правовые основы функционирования кредитных организаций и требования к управлению рисками [1]. В 2025 году указанный закон был дополнен новой статьёй 24.4, в соответствии с которой банк обязан разработать внутренние документы, регламентирующие процедуры управления рисками. Важнейшим документом в сфере кредитных отношений выступает Федеральный закон от 30.12.2004 № 218-ФЗ «О кредитных историях». Данный закон определяет «понятие и состав кредитной истории, основания, порядок формирования, хранения и использования кредитных историй» [2]. Кредитная история субъекта-физического лица является одним из ключевых источников информации при оценке кредитоспособности. Внимания заслуживает формирование нормативно-правовой базы в сфере искусственного интеллекта — в 2025 году Банк России разработал Кодекс этики в сфере разработки и применения искусственного интеллекта на финансовом рынке. Документ носит рекомендательный характер, однако устанавливает важные принципы: «следует информировать клиентов, когда они взаимодействуют с ИИ, и предоставлять возможность отказаться от такого взаимодействия». Регулятор также рекомендует организациям «регулярно проверять качество ИИ, обращать внимание на соблюдение конфиденциальности персональных данных и организовать управление рисками ИИ» [5]. Значение для оценки кредитоспособности имеет также Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных», который устанавливает требования к обработке и защите информации о клиентах, включая данные, используемые в скоринговых моделях.

Оценка кредитоспособности клиентов банка осуществляется на основе кредитного скоринга — автоматизированной системы оценки кредитоспособности. Скоринговые модели основаны на статических социодемографических переменных и кредитной истории заёмщика. Однако, как справедливо отмечается в научной литературе, «они слабо чувствительны к поведенческим аномалиям и не отражают конъюнктурные колебания» [6]. Сравнительный анализ традиционных и нейросетевых подходов, проведённый в 2025 году, показывает, что «нейросетевые подходы демонстрируют более высокую точность прогнозирования кредитного риска по сравнению с классическими методами статистики». В работе обосновывается необходимость «гибридного подхода, сочетающего точность цифровых технологий с экспертной оценкой специалистов, что позволяет повысить эффективность кредитных процессов и укрепить конкурентные позиции банков» [8].

Современные рекомендации Базельского комитета по банковскому надзору (BCBS, 2023) подчёркивают «приоритет адаптивных моделей, способных учитывать не только исторические параметры клиента, но и быстро меняющуюся внешнюю среду» [19], интеграция методов искусственного интеллекта открывает возможность синтеза двух качественно разных информационных плоскостей — микро-уровня (ежедневные транзакционные паттерны клиента) и макро-уровня (макроэкономические индикаторы, формирующие «климат» кредитных рисков).

Российские банки активно внедряют ИИ-алгоритмы для скоринга клиентов. Сбербанк уже перевёл процесс одобрения кредитов для физических лиц на искусственный интеллект: «алгоритмы анализируют анкеты заёмщиков, проверяют соответствие требованиям банка и оценивают риски невозврата средств» [11]. Для юридических лиц планировался аналогичный переход — ожидалось, что к концу 2024 года 70 % кредитных решений будут приниматься с помощью ИИ. По данным опроса Банка России, проведённого в 2025 году, 11 из 12 системно значимых банков используют традиционный ИИ в кредитном скоринге и управлении рисками, при этом «степень автономности ИИ при скоринге физических лиц и малого бизнеса приближается к 100 %», а выдача кредитов и рассмотрение решений полностью автоматизированы. В банковском секторе 24 % респондентов активно используют ИИ, ещё 19 % реализуют пилотные проекты [4]. Экономический эффект от внедрения ИИ является значительным. Сбербанк планирует увеличить инвестиции в развитие ИИ до 350 млрд рублей в 2026 году, ожидая, что ИИ принесёт 1,4 трлн рублей дохода в 2024–2026 годах [12]. Группа ВТБ сэкономила 15 млрд рублей благодаря ИИ, и эта цифра может вырасти до 50 млрд рублей в ближайшие два года [13]. В сфере работы с просроченной задолженностью Сбербанк сообщает, что «83 % исходящих звонков должникам совершает роботизированный оператор на основе ИИ, совокупный финансовый эффект от применения искусственного интеллекта в процессах работы с задолженностью в этом году составит порядка 4,5 млрд рублей» [14].

«Альтернативные данные — это сведения о финансовом поведении клиента, которые не связаны напрямую с кредитами и займами, но характеризуют платёжную дисциплину» [9]. К таким данным относятся информация об оплате жилищно-коммунальных услуг, платежах за мобильную связь и интернет, данные о задолженностях перед ФССП, сведения из налоговой службы о доходах и долгах, информация о наличии недвижимости и транспортных средств. С 1 марта 2015 года управляющие компании получили право передавать информацию о должниках в бюро кредитных историй, а окончательное закрепление этого механизма в законодательстве произошло 1 июля 2024 года [2]. Согласно опросу, «55 % банков учитывают активность клиентов в социальных сетях, 49 % — данные платёжных сервисов, а 47 % используют данные геолокации, что делает кредитные решения более точными и персонализированными» [11]. Однако использование таких данных сопряжено с правовыми и этическими вопросами, включая необходимость получения добровольного согласия клиента.

С 1 марта 2026 года Банк России подключает кредиторов к сервису «Цифровой профиль», что означает, что «банки начнут автоматически получать детализированную информацию о потенциальных заёмщиках напрямую от Федеральной налоговой службы (ФНС) и Социального фонда России» [15]. Планируется, что кредиторы смогут получать актуальную официальную информацию о доходах заёмщиков в течение одной минуты. По данным Банка России, в 2025 году сервисом «Цифровой профиль» клиенты воспользовались 77,3 млн раз, к нему подключены 198 финансовых организаций, и через сервис передаётся 41 вид различных сведений [3]. Принимая решение о предоставлении кредита, банки будут ориентироваться на сведения об актуальных официальных доходах граждан, о налоговой дисциплине, характере и стабильности источников дохода, поведенческих паттернах в финансовых операциях.

Технология распределённого реестра (Distributed Ledger Technology, DLT) находит применение в кредитных процессах. Как отмечается в научной литературе, «DLT позволяет более гибко подходить к вопросам кредитования, реализуя несколько независимых каналов внутри сети». Среди преимуществ DLT выделяются высокая степень защищённости данных, прозрачность транзакций и широкие возможности автоматизации. Цифровая платформа Федеральной налоговой службы, базирующаяся на технологии распределённого реестра, используется для выдачи малому бизнесу льготных кредитов. DLT также применяется при синдицированном кредитовании, позволяя устанавливать единую позицию, которая сразу же обновляется при обработке контракта [10].

По данным Банка России, портфель необеспеченных кредитов российских банков за 2025 год сократился на 4,6 %, до 12,7 трлн рублей, тогда как годом ранее наблюдался рост на 11,3 %. Основными причинами стали высокие ставки и ужесточение банками стандартов выдач. В целом портфель кредитов физическим лицам в декабре 2025 года достиг 38,7 трлн рублей, увеличившись за год на 5,9 %. При этом долговая нагрузка населения во втором квартале 2025 года выросла до 12,4 % от доходов против 11,8 % годом ранее. Количество заёмщиков банков и микрофинансовых организаций сократилось на 500 тыс. за полгода, до 50,1 млн. Объём просроченной задолженности по потребительским кредитам достиг 1,5 трлн рублей — рекорд за последние шесть лет. Доля проблемных ссуд достигла 5,7 % от розничного портфеля. За 11 месяцев 2025 года просроченная задолженность населения перед банками (без учёта ипотеки) выросла на ~23,6 % [4]. Данные тенденции подтверждают актуальность совершенствования инструментов оценки кредитоспособности.

Несмотря на очевидные преимущества, внедрение перспективных технологий сопряжено с рядом вызовов. Основными проблемами являются обеспечение интерпретируемости моделей машинного обучения, защита персональных данных, этические аспекты использования ИИ, а также необходимость адаптации нормативно-правовой базы. Банк России предлагает применять инструменты «мягкого» регулирования: «рекомендации, руководства и стандарты, которые помогут компаниям развивать практики ответственного использования ИИ». В сфере защиты данных особое внимание уделяется «соблюдению конфиденциальности персональных данных и управлению рисками ИИ» [6]. Перспективными направлениями развития являются дальнейшая интеграция альтернативных данных, развитие технологий объяснимого искусственного интеллекта (XAI), расширение использования биометрии в кредитных процессах, а также внедрение цифрового рубля как нового инструмента расчётов, который будет предоставлять банкам дополнительную информацию о финансовых потоках клиентов.

По данным Ассоциации ФинТех, в 2025 году уже более 50 % российских банков активно используют ИИ-решения [16]. Помимо этого, активно развиваются цифровые профили, которые будут включать данные о налоговой дисциплине, модели потребительского поведения, а также статусы, связанные с повышенными рисками, которые позволят банкам точнее оценивать платёжеспособность клиентов. Однако эксперты рынка предупреждают о нерешённых проблемах, в частности о том, что низкое качество исходных данных становится главным барьером для внедрения ИИ — инвестиции не будут давать сопоставимого результата до тех пор, пока не будет налажена системная работа с данными.

Практический пример такого подхода демонстрирует Альфа-Банк, который радикально обновил скоринговую систему. Объединив юридически значимую информацию из десятков источников, банк смог сократить ручную проверку компаний на 97 %, а скорость принятия решений выросла в 5 раз [17].

Применение перспективных технологий в процессах оценки кредитоспособности клиентов банка — реальность современного финансового рынка, ИИ и машинное обучение позволяют повысить точность прогнозирования кредитного риска, сократить время принятия решений и снизить операционные издержки. Альтернативные данные расширяют информационную базу для оценки заёмщиков с недостаточной кредитной историей. Сервис «Цифровой профиль» автоматизирует процесс проверки доходов, повышая достоверность и скорость получения информации. Технологии распределённого реестра обеспечивают прозрачность и безопасность кредитных транзакций. Вместе с тем, внедрение инноваций требует адекватного нормативно-правового регулирования, обеспечивающего баланс между эффективностью кредитных процессов и защитой прав заёмщиков. Разработанный Банком России Кодекс этики в сфере ИИ и готовящееся законодательство об искусственном интеллекте создают необходимую правовую основу для дальнейшего технологического развития банковского сектора. Учитывая текущие тенденции роста просроченной задолженности и необходимость повышения качества кредитного портфеля, можно утверждать, что дальнейшее совершенствование технологий оценки кредитоспособности остаётся одним из приоритетных направлений развития банковского бизнеса в Российской Федерации.

Литература:

1. Федеральный закон от 02.12.1990 № 395–1 (ред. от 28.11.2025) «О банках и банковской деятельности» (с изм. и доп., вступ. в силу с 01.03.2026) // Собрание законодательства РФ. — 2025. — № 48. — Ст. 24.4.
2. Федеральный закон от 30.12.2004 № 218-ФЗ (ред. от 31.07.2025) «О кредитных историях» (с изм. и доп., вступ. в силу с 24.11.2025) // Собрание законодательства РФ. — 2005. — № 1 (ч. I). — Ст. 3–15.
3. Банк России. Коротко о главном. Итоги работы Банка России. 2025 — М.: Центральный банк Российской Федерации, 2026. —51 с.
4. Банк России. О развитии банковского сектора Российской Федерации в декабре 2025 г. — М.: Центральный банк Российской Федерации, 2026. — 21 с.
5. Банк России. Применение искусственного интеллекта на финансовом рынке: текущий статус и условия дальнейшего развития. Доклад для общественных консультаций — М., 2025. — 69 с.
6. Банк России. Кодекс этики в сфере разработки и применения искусственного интеллекта на финансовом рынке (одобрен Советом директоров Банка России 15.10.2025). — М., 2025. — 12 с.
7. Якубин, А. Я. Искусственный интеллект в кредитном скоринге: разработка, обучение и применение модели / А. Я. Якубин // Молодой учёный. — 2025. — № 19 (570). — С. 33–35.
8. Сравнение эффективности традиционных и нейросетевых подходов в банковской практике / А. Н. Силенко, А. И. Туйгунов, В. С. Теслюк // Journal of Monetary Economics and Management. — 2025. — № 4. — С. 412–419.
9. Как банки используют альтернативные данные для скоринга / Под ред. М. И. Григорьевой // Бюро кредитных историй: аналитический обзор. — 2026. — Вып. 2 (февраль). — С. 1–5.
10. Трофимов, С. В. Технологии распределённого реестра в банковском кредитовании / С. В. Трофимов // Финансы и кредит. — 2025. — № 12. — С. 108–120.
11. AnalyticResearchGroup (ARG): Алгоритмы решают, кому давать деньги: ИИ меняет рынок кредитования // РБК. — 2025.
12. Сбербанк в 2026 г. увеличит инвестиции в развитие ИИ до 350 млрд руб. // Интерфакс. — 2025.
13. ВТБ оценивает экономию от внедрения ИИ в 50 млрд рублей в ближайшие два года // ТАСС. — 2025.
14. Сбер заработает около 4,5 млрд рублей от применения ИИ в урегулировании долгов // ТАСС. — 2025.
15. Цифровой профиль вместо справок: как изменится кредитование // РБК. — 2025.
16. Как искусственный интеллект меняет финансовую отрасль // Ассоциация ФинТех. — 2025.
17. Как Альфа-Банк сократил ручную работу по кредитам на 97 % // ПравоТех. — 2025.
18. Artificial intelligence in Russian banking: adoption and efficiency / J. Smith, A. Volkov, M. Ivanova // International Journal of Financial Studies. — 2025. — Vol. 13, issue 4. — P. 3–18.
19. Bitetto A., Cerchiello P., Filomeni S., Tanda A. Can we trust machine learning to predict the credit risk of small businesses? // Review of Quantitative Finance and Accounting. — 2024. — Vol. 63. — P. 925–954.