За последний год я выступал с темой ИИ в банках на FinnoWay в Ереване, FINNEXT Asia в Ташкенте и PLUS Forum в Алматы. После выступлений чаще всего спрашивают, почему ИИ-пилоты не доходят до промышленной эксплуатации. По разным оценкам, до 80% ИИ-инициатив так и не распространяются на весь бизнес. В наших проектах причина чаще всего одна: стратегия есть, а архитектуры и команды, которые доведут её до кода, нет.
Ниже расскажу, как мы доводим стратегию до работающего кода. Пишу на примере банков, потому что ИИ-трансформацию мы сейчас ведём именно в банке.
Почему пилоты не становятся системами
Обычно банк добавляет скоринг, антифрод, автоматизирует пару отчётов и считает, что ИИ внедрён. У каждой модели свой проект, своя команда и свои данные. Когда таких моделей становится несколько, уже трудно сказать, как каждая работает и кто отвечает за её ошибки.
Роман Таранов, наш директор по консалтингу, на FinCore 2026 разобрал, чего в такой схеме не хватает. Я подпишусь под каждым пунктом:
- Агентный слой с оркестрацией. Агенты взаимодействуют друг с другом и встраиваются в процесс целиком, от заявки до решения. Без слоя, который задаёт логику их работы с ядром банка, получается хаос.
- Разделение классических моделей и агентов. Скоринг, антифрод и прогнозы никуда не уходят. Агентный слой ими управляет и связывает в процесс. Когда всё складывают в одну корзину под названием «ИИ», непонятно, кто за что отвечает.
- Управление данными и моделями. Данные с измеренным качеством и доступом для бизнеса. Для каждой модели записано, кто за неё отвечает, как её переобучают и проверяют.
- Единый центр компетенций. Пилоты разных отделов в систему сами не складываются. Нужна команда, которая отвечает за ИИ во всём банке. У нас она называется AI Hub, о нём ниже.
Что меняется для клиента банка
Разницу между цифровым и AI-native банком проще всего показать на четырёх вещах, с которыми клиент сталкивается сам:
| Где | Цифровой банк | AI-native банк |
|---|---|---|
| Кредит | кредитный комитет и ручной андеррайтинг | скоринг в реальном времени по тысячам параметров |
| Поддержка | колл-центр и чат-бот по сценариям | ИИ-агенты, которые решают вопрос без участия человека |
| Условия | одинаковые тарифы для всех | индивидуальные ставки и кешбэк |
| Мошенничество | блокировка после кражи | предсказание мошенничества до операции |
Два примера того, как это выглядит для клиента. Он начал больше тратить на стройматериалы, и банк сам предлагает рассрочку на ремонт или страховку жилья. Человек каждый месяц пятого числа переводит деньги родителям, и в этот день кнопка перевода появляется на главном экране приложения.
Такие функции не собрать из разрозненных моделей. Чтобы предложить рассрочку, скоринг должен видеть свежие траты клиента, а антифрод — проверять ту же операцию в момент оплаты. Поэтому разговор и начинается с архитектуры.
Как мы проходим путь от стратегии до кода
В банке мы работаем по одной последовательности:
- Диагностика, до 4 недель. Вместе с командой банка разбираем, какие системы и процессы есть, где данные и что мешает.
- Стратегическая сессия, 3 дня. С руководством собираем дорожную карту и выбираем первые инициативы.
- Объединённая команда, до месяца на запуск. Наши эксперты и люди банка работают вместе, с выделенными владельцами продуктов и архитекторами. Управление проектом остаётся у банка.
- Первые продукты через 6 месяцев. Сервисы, которыми пользуются клиенты или сотрудники.
- Дальше 18 месяцев по трём шагам. Deploy — точечная автоматизация, Reshape — процессы целиком, Invent — новые бизнес-модели. Подробнее о шагах — на странице AI-Native трансформации.
Первые продукты мы закладываем на шестой месяц сознательно. Так дорожную карту проверяют работающие сервисы, и к концу первого полугодия у правления есть цифры, по которым можно решать, что делать дальше.
Где теперь уходит время
ИИ поменял соотношение этапов в проекте. Свою CRM мы собрали за 5 недель силами двух разработчиков. Классическим способом такая система заняла бы 10–12 месяцев у команды из 8–10 человек. Аналитика при этом почти не ускорилась.
CRM мы делали для себя, без согласований с заказчиком, поэтому это верхняя граница. В клиентских проектах разработка с ИИ идёт в 3–10 раз быстрее, в зависимости от задачи.
Разработку многих проектов у нас ведёт конвейер. Перед сборкой он проверяет техническое задание: хватает ли данных и не спорят ли документы друг с другом. Если в одном месте написано одно, а в другом другое, модель может выбрать третий вариант, которого не хотел никто. После проверки сборка занимает от нескольких дней до 10 дней на очень сложный проект.
Выяснить, что на самом деле нужно бизнесу, по-прежнему дольше всего: ответ на один уточняющий вопрос может занять три дня. С интеграцией похожая история. Там работают люди с обеих сторон, и срок зависит от того, как быстро команды договариваются. Поэтому интеграцию мы закладываем отдельным этапом, со своим сроком и бюджетом.
Простая проверка для руководителя: если в этом году разработка стоит столько же, сколько в прошлом, и даёт тот же объём, спросите подрядчика, как он работает с ИИ.
Кто пишет код
На FinCore прозвучала мысль, с которой я согласен. С ИИ квалифицированный инженер работает быстрее, а неквалифицированный во много раз быстрее множит ошибки. Количество таких ошибок там назвали чудовищным.
Для команды это значит другой состав. Первую версию продукта у нас делают двое старших разработчиков с ИИ. Такие инженеры стоят дороже обычных, но заменяют большую команду: они ставят задачи инструментам и отвечают за то, что те сделали. (Ещё пример: первую рабочую версию аналитической панели для клиента за 3 недели собрали разработчик и дизайнер на полставки.)
Кейс: Evoca Bank и AI Hub
Сейчас мы ведём трансформацию Evoca Bank, одного из пяти крупнейших банков Армении. Банк хочет стать первым в стране за 24 месяца.
С самого начала мы решили не повторять путь банков с сотнями программистов и устаревшими системами, которые через несколько лет придётся переписывать. Внутри банка работает AI Hub. Его команда проектирует ИИ-разработчиков, которые пишут банковские приложения. Продуктовый аналитик банка приходит с задачей и за несколько минут получает виртуальную команду разработки, без очереди на месяц вперёд. Десятки продуктов, собранных через AI Hub, уже прошли проверку информационной безопасности и сейчас внедряются.
Этапы мы планировали так:
- IV квартал 2025 — аудит и оценка зрелости ИИ.
- I квартал 2026 — антифрод и обработка документов.
- II–III квартал 2026 — кредитный скоринг и автоматизация бэк-офиса.
- IV квартал 2026 — встроенные финансовые сервисы партнёров и динамическое ценообразование.
К октябрю 2026 года в банке внедрены CRM и корпоративный мессенджер. Что ещё в работе:
- AI-версия мобильного приложения — в финальной стадии разработки.
- Хранилище данных (DWH) — близко к завершению.
- Платформа банковских услуг для партнёров (BaaS) — тоже близка к завершению.
Дольше всего придётся работать с АБС, автоматизированной банковской системой. Это ядро банка, поэтому её мы меняем в последнюю очередь.
По расходам банка и бюджету на устаревшие системы у нас есть целевые цифры. Пока идём по плану, итог подведём в начале 2027 года, по результатам 2026-го.
Пример скорости из того же банка: редизайн мобильного банка. 240 задач два человека закрыли за 6 недель, по исходному плану на них отводили 8 месяцев.
С чего начать
Если вы узнали свой банк в начале статьи, я бы начал так:
- Составьте список всех ИИ-пилотов: сколько запущено, сколько работает в эксплуатации, кто отвечает за каждый.
- Проверьте данные. Без единого хранилища с измеренным качеством агенты будут ошибаться, об этом подробно в статье про ИИ-агентов в BI.
- Назначьте владельца ИИ на уровне правления, с бюджетом и правом решать.
- Выберите два-три процесса для первого этапа. В плане Evoca первыми стояли антифрод и обработка документов.
- Заложите интеграцию отдельным этапом, со своим сроком.
- С первого месяца договоритесь, какими деньгами и сроками будете мерить результат, и к шестому месяцу сравните с фактом.
Если хотите пройти этот путь вместе с нами, начнём с диагностики. Как мы ведём такие проекты и что уже сделали для банков, можно посмотреть на странице услуг.
