ИИ для банков

Где деньги теряются на рутине

Финансовые организации в Казахстане держат на ручных процессах больше людей, чем нужно: операторы вручную проверяют транзакции, андеррайтеры считают скоринг по таблицам, поддержка отвечает на одни и те же вопросы про баланс и реквизиты. Каждое из этих мест - кандидат на машинное обучение, но не каждое окупится. Антифрод-модель оценивает платёж за 40-80 миллисекунд и блокирует подозрительную операцию до списания. Скоринг на градиентном бустинге выдаёт решение по розничной заявке за 2-3 секунды вместо 15-40 минут ручного андеррайтинга. Чат-бот закрывает 60-75% типовых обращений без оператора. Это не футурология, а то, что уже работает в банках и МФО.

Мы внедряем ИИ в банках и микрофинансовых организациях с упором на направления, где эффект считается в деньгах: выявление мошенничества, кредитный скоринг, KYC и обработка документов, поддержка клиентов. «Нейросеть ради нейросети» не предлагаем. Сначала считаем, сколько теряется на ручных процессах и фроде, потом подбираем модель, которая эту дыру закрывает. Если у вас 200 заявок в месяц, скоринг на ML не окупится, и мы скажем это на первой встрече, а не после подписания договора. Применение ИИ в банках имеет смысл там, где есть поток однотипных решений и накопленные данные с известным исходом.

Работаем поэтапно: аудит и оценка эффекта, пилот на исторических данных, интеграция в ваши системы, поддержка с дообучением. Такой порядок снижает риск - вы видите точность и долю ложных срабатываний на реальной выборке до того, как модель влияет на живой поток. Расчёт под вашу задачу обсуждаем в WhatsApp или Telegram, аудит ни к чему не обязывает.

Где ИИ окупается, а где рано

Что автоматизируем в банке

• Антифрод в реальном времени - скоринг каждой транзакции по 150-300 признакам: гео, устройство, скорость операций, нетипичные суммы и получатели. Снижает потери на карточном фроде на 25-45% и ловит схемы, которые жёсткие правила пропускают.
• Кредитный скоринг на ML - оценка заёмщика по банковской истории, поведению, открытым данным. Поднимает одобрение надёжных клиентов на 8-15% без роста просрочки, отсекает рискованных заявителей на входе.
• Антиотмывочный мониторинг (AML) - выявление дробления платежей, транзита и подозрительных цепочек, разметка операций для службы комплаенса с понятным обоснованием.
• KYC и проверка документов - распознавание удостоверений личности, сверка данных, базовая проверка на соответствие. Сокращает ручной онбординг и ошибки ввода при открытии счёта или выдаче займа.
• Чат-бот поддержки - баланс, статус заявки, реквизиты, график платежей, блокировка карты. Банковские чат-боты работают в WhatsApp, Telegram и на сайте круглосуточно, при интеграции через API проводят простые операции по подтверждению личности.
• Голосовой ассистент колл-центра - первичная маршрутизация и ответы на частые вопросы, разгрузка операторов на 30-50% в пиковые часы.
• Анализ обращений и аналитика - классификация жалоб и тикетов, выявление роста проблем по продуктам, подсказки по персонализации предложений на основе поведения клиента.

Термины простыми словами

Антифрод-скоринг

Оценка каждой операции в баллах риска. Высокий балл - операция уходит на проверку или блокируется до списания денег.

Кредитный скоринг на ML

Модель прогнозирует вероятность невозврата по сотням признаков поведения и истории, а не по жёсткой анкете из десятка полей.

KYC

«Знай своего клиента» - проверка личности и данных при открытии счёта или выдаче займа. ИИ ускоряет распознавание документов и сверку.

AML

Противодействие отмыванию денег. Модель ищет нетипичные цепочки платежей и помечает их для комплаенса с обоснованием.

Объяснимость модели (explainability)

Возможность показать, почему по заявке принято такое решение. Нужна и для регулятора, и чтобы отказать клиенту с понятной причиной.

Дрейф модели

Со временем поведение клиентов и мошенников меняется, точность падает. Модель надо дообучать раз в 1-3 месяца, антифрод - чаще.

Ложные срабатывания

Честные операции, ошибочно помеченные как подозрительные. Их доля регулируется порогом под ваш аппетит к риску.

Готовые сервисы или своя модель

Данные, безопасность и регулятор

Финансовые данные не покидают периметр банка. Модели обучаем и разворачиваем в вашем контуре или в защищённом облаке по согласованию с комплаенсом. Доступ к платёжной информации - обезличенный там, где это возможно: для обучения антифрода важны паттерны поведения, а не ФИО держателя карты. Подключение к ядру идёт через АБС, процессинг и каналы по API или выгрузкам, без прямого доступа модели к чувствительным полям сверх необходимого.

Соблюдаем закон РК «О персональных данных»: трансграничная передача, сроки хранения и согласие клиента закрываются на этапе проектирования, а не постфактум. Учитываем требования Нацбанка РК к ИТ-инфраструктуре и информационной безопасности финансовых организаций - логирование решений модели, разграничение доступа, аудит. Интеграции в казахстанском стеке привычны: 1С и АБС для выгрузок, Bitrix24 или amoCRM для розничных продаж, Telegram и WhatsApp Business для каналов поддержки, мобильное приложение банка для бота. Если вы работаете с платёжными экосистемами вроде Kaspi или Halyk, бот и аналитика подключаются к вашим внутренним системам, а не к чужим закрытым API.

Отдельный пункт - объяснимость. Любое решение об отказе по кредиту должно быть интерпретируемым: регулятор и клиент вправе понимать причину. Поэтому скоринг строим на методах, где виден вклад каждого фактора, а «чёрные ящики» без интерпретации в финальный контур не ставим. Это не бюрократия ради бюрократии, а защита банка от претензий и репутационных рисков.

Готов ли банк к проекту

Пройдитесь по списку перед стартом. Чем больше галочек, тем быстрее окупится внедрение и тем меньше сюрпризов на пилоте.

• ☑ Есть исторические данные за 12+ месяцев: транзакции, заявки, исходы по кредитам.
• ☑ Данные размечены - известно, какие операции были фродом, какие кредиты ушли в просрочку.
• ☑ Поток событий достаточный: от 1000 заявок или транзакций в месяц на одну модель.
• ☑ Есть доступ к ядру (АБС, процессинг) через API или регулярные выгрузки.
• ☑ Назначен владелец продукта со стороны банка - риск, IT, комплаенс или розница.
• ☑ Понятна метрика успеха: снижение фрода в процентах, рост одобрения, доля автоответов.
• ☑ Согласована работа с персональными данными по закону РК и политике безопасности.
• ☑ Служба комплаенса в курсе проекта и готова валидировать объяснимость решений.
• ☑ Есть бюджет на пилот и поддержку, а не только на разовую разработку.

Ориентиры по цене и срокам

Где обычно спотыкаются

Первая частая ошибка - запуск модели без размеченных данных. Банк хочет антифрод, но метки «это был фрод» проставлены лишь по части операций или ведутся в свободной форме. Тогда первые недели уходят на разметку и сверку, а не на обучение. Честно предупреждаем об этом на аудите: если данные грязные, сначала наводим порядок, иначе модель выучит мусор и будет давать сбои на живом потоке. Вторая ошибка - гнаться за максимальной чувствительностью антифрода. Поставить порог «ловить всё» легко, но тогда служба безопасности утонет в ложных блокировках честных клиентов, а те уйдут в другой банк. Баланс подбираем под нагрузку и аппетит к риску, обычно 1-3 ложных срабатывания на 1000 операций.

Третий момент - ожидание, что ИИ заменит команду целиком. Розничный и микрозаймовый скоринг он закрывает почти полностью, но на корпоративных кредитах однотипных кейсов мало, и модель там помогает специалисту, а не вытесняет его. Финальное решение по крупной сделке остаётся за человеком. Четвёртая ловушка - «чёрный ящик» без объяснимости: модель выдаёт балл, но никто не может сказать почему. Для отказа клиенту и для регулятора это неприемлемо, поэтому интерпретируемость закладываем с самого начала. Пятая - отсутствие сопровождения. Мошеннические схемы и поведение заёмщиков меняются, без дообучения точность падает за месяцы. Модель - не «поставил и забыл», а сервис, который живёт вместе с потоком и требует контроля человека.

Как это выглядит на практике

Возьмём типичную МФО из Казахстана с потоком розничных микрозаймов. До проекта решения принимались по анкете и стоп-факторам: заявка обрабатывалась минутами, одобрение упиралось в осторожные правила, а часть надёжных клиентов отсеивалась зря. На аудите считаем потери - сколько «хороших» заявок ушло из-за жёстких правил и сколько просрочки прошло сквозь них. Дальше пилот: обучаем скоринг на истории за 18 месяцев, проверяем на отложенной выборке, смотрим, как модель ранжирует уже известные исходы. Когда точность и доля ошибок устраивают комплаенс, подключаем модель к потоку на части заявок и сравниваем с правилами вживую.

Параллельно частый запрос - чат-бот банка для поддержки. Клиенты пишут про график платежей, остаток долга, реквизиты для погашения. Бот в WhatsApp и Telegram закрывает эти вопросы по подтверждению личности, а спорные случаи переводит на оператора с полной историей диалога. В связке скоринг плюс бот эффект двойной: быстрее выдаём займы надёжным клиентам и снимаем нагрузку с поддержки. Названия и цифры у каждого банка свои, но логика повторяется: сначала аудит и деньги, потом пилот на исторических данных, затем аккуратный вывод на поток с контролем человека. Использование ИИ в банках окупается там, где есть объём и чистые данные, и буксует там, где их нет, - об этом мы говорим прямо.

Этапы работы

Цены и характеристики

Ответы на частые вопросы