Александр Янчук, владелец консалтинговой компании, консультант по вопросам управления в области организационного развития, бережливого производства и управления качеством;
Наталия Корнелюк, младший научный сотрудник.
Подход
2025 год — рубеж. Искусственный интеллект в кредитовании больше не «у кого-то там внедрён». Он стал новой нормой, новой архитектурой решений. Сейчас не «внедряют AI». Сейчас его строят внутрь процессов. Не как внешний модуль, а как основу всего — от предодобренных предложений до коллекторской стратегии.
Банки, которые поняли это, уже экономят миллионы на скоринге, увеличивают LTV за счёт персонализации и сокращают churn. Остальные — топят в регуляторке, Excel-таблицах и смертельной бюрократии.
Так что финансовые организации делятся на два типа:
- Те, кто уже переобулся в real-time AI decisioning и управляют риском в минуту, а не в неделю.
- Те, кто продолжают собирать кредитный комитет в пятницу на 17:00, чтобы обсудить, что случилось во вторник.
AI — это не «инновация». Это способ делать то же самое быстрее, точнее и с меньшим риском. А если вы не успели — вы станете поставщиком клиентской базы для тех, кто успел.
Проблема
Самая большая ложь на рынке — «у нас всё работает».
Вот реальность:
1.Скоринг-модели устарели. 80% игроков до сих пор используют логистическую регрессию и простые правила. Никакой персонализации, никакого реального понимания поведения за пределами трёх банковских продуктов.
2.Данные плохие. Банки купаются в данных, но не умеют ими пользоваться. 70% фичей, на которых обучаются модели, нерелевантны. Нет feature store, нет фреймворка для отбора признаков, всё на ручниках.
3.Explain Ability отсутствует. Модели — black box. Никто не может объяснить, почему отказали Иванову и одобрили Петрову. А значит, нет доверия, нет защиты от регулятора, нет устойчивости.
4.AI-инициативы не масштабируются. Пилоты делаются по 6 месяцев. В проде — одна модель. Всё остальное — в презентации для CEO.
Добавим:
- ML-отделы не встроены в бизнес.
- Комплаенс блокирует каждый шаг.
- Legacy IT душит любое ускорение.
- И главное: никто не отвечает за результат.
| Проблема | Описание | Последствия |
|---|---|---|
| Устаревшие скоринг-модели | Логистическая регрессия, без поведенческого анализа | Ошибочные одобрения / отказы |
| Плохие данные | Нерелевантные фичи, нет feature store | Снижение точности |
| Отсутствие explain ability | Модели black-box, нет объяснений решений | Риски регуляции, потеря доверия |
| Невстроенность в бизнес | AI отдел сам по себе | Нет эффекта на метрики P&L |
Пример?
Пример? Один из крупных банков Восточной Европы потратил $3 млн на внедрение AI-системы скоринга. За 18 месяцев модель была внедрена в одном продукте. Эффект? +2,5% точности, 0% масштабируемости, полное недоверие от risk-менеджмента.
Решение
AI в кредитовании — это не про модели. Это про архитектуру.
Вот как должна выглядеть рабочая AI-экосистема в 2025 году:
1.Explainable AI (XAI) — прозрачность или смерть. Используются модели, которые можно интерпретировать на уровне отдельного решения. Это не тренд, это требование регуляторов в ЕС, Великобритании, Сингапуре. И скоро — везде. SHAP, LIME, TrustyAI — must have.
2. Feature store + автоматизированный пайплайн обработки данных. Фичи не создаются вручную в Jupyter, они управляются системой. Отбор — по impact на бизнес-метрики, а не по корреляции с default.
3. Гибридные модели. Смешение деревьев решений (XGBoost), нейросетей и бизнес-правил. Каждая модель на своём месте: нейронка для понимания поведения, деревья для интерпретации, правила — для регуляторики.
4. Реальное внедрение, а не витрина. Модель живёт внутри продукта, отвечает за real-time решения, имеет обратную связь, переобучается по расписанию и версиируется.
5. End-to-end интеграция с процессами. Скоринг — это не отдельный процесс. Он живёт вместе с антифродом, предложением лимита, условиями, каналом выдачи и способом обслуживания.
6. AI в коллекшн. Predictive models подсказывают, кого звонить, как говорить, когда предлагать реструктуризацию, и какие слова в скрипте использовать. Это снижает просрочку и повышает эффективность агентской сети.
7. AI в апсейле. Модель подбирает не просто следующий продукт, а продукт, который клиент примет с вероятностью 74% при взаимодействии через push, а не звонок. Это уже не CRM. Это умный банк.
| Компонент | Legacy AI | AI 2025-Ready |
|---|---|---|
| Хранилище фич | Отсутствует, Jupyter | Feature Store с версионированием |
| Обновление модулей | Ручное, 1 раз в квартал | Автоматическое, каждые 72 часа |
| Прозрачность решений | Black-box | SHAP / LIME интеграция |
| Внедрение | Витрина | End-to-end в продукте |
| Метрики эффективности | Нет, никто не считает | Влияние на P&L, speed-to-decision |
Кейс: Индийский банк HDFC
В 2024–2025 гг. HDFC Bank внедрил собственную AI-платформу на базе AWS SageMaker и Databricks.
Что они сделали:
– Переучивали модели каждые 72 часа.
– Отказались от ручных скоринг-решений.
– Построили собственную feature store из 1.2 млрд транзакций.
– Встроили explain ability в каждый отказ.
Результаты:
– Скорость принятия решения — 2.7 секунды.
– Уровень одобрения вырос на 9% без увеличения default.
– Стоимость риска снизилась на 18 bps.
– NPS в кредитном блоке вырос на 14 пунктов.
Выводы
AI — это не модуль. Это core-архитектура кредитного бизнеса.
Если в вашей системе есть AI, но он не влияет на P&L, вы не внедрили AI.
Если ваши модели непрозрачны, не обоснованы, не живут внутри продукта — это игрушка.
Будущее принадлежит тем, кто строит «банки как платформы», где решения — это не люди в зуме, а модели в проде.
Каждый день без AI в проде — это потерянный доход, рост риска и потеря клиента.
Источники
– McKinsey & Co. «Состояние ИИ в управлении рисками — 2025»
– Индекс ИИ в кредитовании от BCG (2 квартал 2025 года)
– Трекер регулирования финтеха от Всемирного банка
– Внутренние бенчмарки: HDFC, DBS Bank, Capital One
– Интервью с дата-сайентистами из топ-10 финтех-компаний
– Наши кейсы внедрения AI-моделей в реальных банках