Искусственный интеллект в банках: как автоматизировать процессы в условиях закрытого контура

Банковская отрасль — один из наиболее зрелых и требовательных потребителей ИИ. Дело не в погоне за трендами, а в операционной необходимости, которую диктует отрасль. Миллионы однотипных операций, массивы транзакционных данных, регуляторные требования и высокая цена ошибки — все это создает среду, в которой автоматизация окупается быстро, а ее отсутствие обходится дорого. По оценке

Разбираем, в каких областях искусственный интеллект уже работает в промышленных масштабах, а где все еще остается на уровне пилота — с фокусом на белорусский рынок и опытом реальных проектов. Спойлер: речь не только о чат-ботах и клиентском сервисе.  

Глобальные тренды задают вектор. Но чтобы увидеть реальный эффект от применения ИИ на белорусском рынке, нужно пропустить их через локальный фильтр. То, что работает в условиях зарубежных облачных инфраструктур, у нас упирается в жесткие требования к информационной безопасности, необходимость On-premise размещения, ограниченные вычислительные мощности и специфику местного законодательства. Разрыв между тем, что декларируется в пресс-релизах, и тем, что реально запущено в промышленную эксплуатацию, особенно ощутим.

Системный взгляд на белорусский ИИ-рынок отразил Нацбанк Республики Беларусь в аналитическом обзоре «Искусственный интеллект и его применение в банковском секторе». НБ РБ разделяет технологии по двум измерениям: по областям применения и по степени зрелости — что уже в промышленной эксплуатации, а что пока перспективное. Это разграничение критически важное: именно оно в большинстве отраслевых обзоров намеренно размывается. Отсюда и берутся громкие цифры о том, что «65% банков внедрили ИИ», за которыми может скрываться пилот на трех пользователях или MVP, который еще не вышел за пределы тестового контура.

Три ключевых направления автоматизации банковских процессов в финансовом секторе

Но важно понимать, что граница между действующим и перспективным смещается быстро. То, что два года назад было экспериментом, сегодня уже могут быть запущено в реальных процессах. Опираясь на данные НБ РБ и опыт наших проектов, можно выделить три ключевых области применения ИИ: клиентский сервис, операционный бэк-офис и управление рисками. 

Клиентский сервис — первое направление, которое ассоциируется с искусственным интеллектом в банках: запросы в чате, звонки в контакт‑центре, автоматические ответы и подсказки операторам. Именно здесь наблюдается самая быстрая эволюция ИИ‑решений: цикл от пилота до промышленной эксплуатации короткий, результат измерим, а сопротивление внутри организации минимальное — поэтому большинство банков начинают именно с этого направления.

Если рассматривать стек технологий в контакт‑центре банка, то сегодня он выглядит так:

• текстовые чат‑боты и голосовые ассистенты на клиентской стороне;
• ASR (автоматическое распознавание речи) — технология, которую большинство знает по голосовым помощникам вроде Siri или Алисы. В банке это фундамент для всего, что связано с голосом: подсказки оператору в реальном времени, транскрибация звонков и речевая аналитика;
• цифровой суфлер для оператора на базе RAG‑архитектуры — когда ИИ в реальном времени ищет ответ в корпоративной базе знаний, пока специалист разговаривает с клиентом;
• автоматическая суммаризация диалогов вместо ручного заполнения карточки после звонка;
• речевая аналитика, которая оценивает 100% звонков, а не только случайную выборку. 

Классический чат-бот & ИИ-ассистент: два разных подхода к обработке клиентских обращений

Отдельно стоит подчеркнуть разрыв между классическим чат‑ботом и современным ИИ‑ассистентом — он принципиальный. Бот работает по скриптам: выбираешь тему — получаешь заготовленный ответ. ИИ‑ассистент понимает свободный запрос, обращается к верифицированной базе знаний через RAG‑архитектуру, формирует ответ и указывает источник. Для банка это критично: ответ не генерируется моделью «из воздуха», а опирается на конкретный внутренний нормативный документ.

В работе с белорусскими банками мы чаще всего сталкиваемся с запросами именно на такую архитектуру: LLM-ассистент с поиском по внутренней нормативной базе, цифровой суфлер для оператора — и обязательно On-premise. Закрытый контур здесь не ограничение, а требование, при котором данные не покидают инфраструктуру банка. Поэтому развертывание ИИ-решений в закрытом контуре — одно из ключевых направлений нашей работы.

Считается, что все ИИ‑боты по умолчанию ухудшают клиентский сервис, поскольку не в состоянии дать нормальный ответ пользователю и только добавляют сложность в процесс обращения. Но опыт крупных игроков — например, Сбербанка с GigaChat, который закрывает до 75% обращений без участия оператора и при этом поднимает NPS с 42 до 58 — показывает, что правильно выстроенная ИИ‑система не ухудшает, а наоборот укрепляет клиентский опыт. 

Если клиентский сервис почти у всех на слуху, то автоматизация бэк-офиса часто остается в тени. А именно здесь объем рутины максимальный, а эффект от ИИ — наиболее устойчивый и хорошо измеримый по метрикам операционной эффективности.

По данным российских исследований — а российский рынок по структуре ближе всего к белорусскому — 70% компаний финансового сектора называют документооборот и обработку заявок первым приоритетом автоматизации. Это не случайно: банк — машина по производству документов. Договоры, платежные поручения, нормативные акты, клиентские заявки, внутренняя переписка — все это ежедневно создается, обрабатывается, согласовывается и архивируется в огромных объемах.

В рамках бэк-офиса ИИ закрывает несколько ключевых задач:

• Автоматическое резюмирование. Система читает поступающие документы и формирует краткую аннотацию или тезисный план. Руководитель за пару минут понимает суть 40‑страничного нормативного акта.
• Интеллектуальная классификация и маршрутизация. Система определяет тип документа, тематику, степень критичности — и автоматически отправляет нужному исполнителю. Контролирует сроки, формирует отчеты по загрузке и статусам. Документооборот из «черного ящика» превращается в управляемый, прозрачный процесс.
• ИИ‑ассистент по корпоративной базе знаний. Сотрудник задает вопрос на обычном языке — и получает ответ со ссылкой на конкретный регламент или пункт инструкции. Система обучена на внутренней документации и работает прямо в интерфейсе СЭД, не требуя постоянных переключений между приложениями.
• Извлечение структурированных данных. Система принимает PDF, скан или изображение, распознает текст, извлекает значимые сущности — даты, суммы, реквизиты, условия — и выгружает их в нужном формате для дальнейшей обработки.

На практике эти задачи часто объединяются в сложные цепочки — например, как в нашем проекте по автоматической проверке платежных поручений для белорусского банка. Здесь ИИ-агент работает поэтапно: техническая проверка корректности, анализ необходимости валютного контроля и финальная проверка правомерности сделки. Если данных недостаточно — агент сам формирует запрос на уточнение. Параллельно работает второй агент, который сверяется с требованиями банков-корреспондентов и автоматически предупреждает операциониста о рисках.

Логика извлечения и классификации данных успешно работает и за пределами банковской документации. В проекте для ГИС «Госстропортала» мы создавали систему автоматического кодирования строительных материалов на основе Задача, которая раньше требовала ручной экспертизы по каждой позиции, была автоматизирована по тому же принципу: система читает неструктурированные данные, извлекает значимые сущности и выгружает результат в нужный формат без участия специалиста. 

Автоматическая проверка платежных поручений. ИИ-агента работает поэтапно, при необходимости запрашивает уточнение

Управление рисками — единственное направление, где НБ РБ фиксирует зрелость сразу нескольких технологий одновременно: антифрод, скоринг, противодействие отмыванию доходов и идентификация клиентов (AML/KYC). Именно здесь можно говорить о реальной промышленной эксплуатации. 

Современные антифрод-системы на базе ИИ анализируют каждую транзакцию в реальном времени, сравнивают с поведенческими паттернами клиента и выявляют аномалии, которые невозможно поймать с помощью жестких алгоритмов и статических фильтров. Статический фрод-мониторинг уступает место динамическому: система постоянно обучается на новых данных и адаптируется к изменяющимся схемам мошенничества.

В кредитном скоринге ИИ-модели учитывают десятки поведенческих факторов, альтернативные источники данных и динамику изменений профиля заемщика. Это не просто точнее — это позволяет банку работать с клиентами, которых традиционный скоринг отсеивал без оснований.

В системах AML и KYC ИИ помогает анализировать связи между участниками транзакций, выявлять схемы дробления и цепочки, которые в ручном анализе просто не просматриваются при таком объеме данных. Фактически это единственный способ обеспечить полноту охвата — ни одна команда аналитиков не справится с таким потоком вручную.

Отдельно стоит отметить кибербезопасность — направление, которое НБ РБ относит к перспективным, но которое на практике уже активно развивается. ИИ-системы анализируют поведение пользователей и сетевой трафик, выявляя признаки атаки прежде, чем она произойдет. Превентивная безопасность вместо реактивной — это концептуальный сдвиг, который меняет всю логику защиты.

4 технологии в сфере безопасности банка, где ИИ уже работает

Это важно сказать прямо, потому что опыт реальных внедрений часто расходится с маркетинговыми обещаниями. Успех проекта зависит не только от алгоритмов, но и от готовности инфраструктуры внутри компании.

Главный барьер — не технологии, а хаос в данных. Компании хотят получить эффект от ИИ, не разобравшись с собственными процессами. В большинстве банков информация распределена по десяткам систем без единой структуры и контроля качества.

Помимо этого, внедрение ИИ создает специфический набор рисков, которые необходимо минимизировать еще на этапе проектирования:

• Безопасность и атаки. С ростом сложности ИИ появляются новые угрозы — от попыток обмануть модель через запрос до манипуляций с базами знаний.
• Галлюцинации и ошибки. Модели могут выдавать фактологически неверные ответы. Без механизмов верификации и участия человека на критических участках — это операционный риск.
• Качество данных и предвзятость. ИИ работает ровно настолько хорошо, насколько качественны данные, на которых он обучен. Деградация данных ведет к незаметной, но опасной деградации принимаемых решений.
• Регуляторный риск. Законодательство в области ИИ в Беларуси и мире активно формируется. Решения, построенные без гибкой архитектуры, завтра могут потребовать дорогостоящей переработки под новые стандарты.

Второй критический барьер — размытая ответственность. ИТ ждет требований от бизнеса, бизнес ждет предложений от ИТ, а служба безопасности блокирует доступ к данным. В итоге пилот зависает на этапе согласований, а не из-за технических сложностей.

Третья ошибка — завышенные ожидания. ИИ-агент не заменит плохо описанный процесс. Если регламент существует только в голове сотрудника — модели не на что будет опереться.

Правильная последовательность выглядит иначе: сначала централизованное хранилище данных и интеграция источников. Потом корпоративная база знаний с четкой структурой. И только затем — прикладные ИИ-решения поверх готовой основы. Это не затягивает проект, а делает его результат устойчивым и защищенным.