Как интегрировать передовые ML-технологии в консервативную среду банковского комплаенса без потери контроля над качеством данных и достаточностью резервов? При каких условиях интеллектуальные алгоритмы становятся надежным инструментом риск-менеджера, а не превращаются в «черный ящик» и слабое звено системы финансовой устойчивости банка? Эти вопросы обсудили участники Финансового конгресса Банка России, состоявшегося в июле 2026 года в Санкт-Петербурге.
Александр Долбнев, директор по развитию бизнеса ИИ Yandex Cloud:
– Существуют две принципиально разные технологии, которые нужно разделять. Есть классический искусственный интеллект, Machine Leaning (ML, машинное обучение), который уже давно используется в банках. Например, в кредитном скоринге, где анализируются сотни параметров клиентов, выдаются кредиты без требования справок о доходах, решение принимается за минуты, а не дни. В антифроде (система правил, проверок и технологий, которая помогает выявлять мошенничество) в прошлом году было предотвращено 134 миллиона нежелательных и подозрительных операций на сумму почти 14 триллионов рублей. То есть эффект использования ML сомнений не вызывает. Иное дело, когда мы говорим про генеративный искусственный интеллект. Граница применимости проходит не по сложности задачи, а по типу данных и по объяснимости.
Если классические ML-модели отлично работают на структурированных цифровых данных и обеспечивают объяснимость, то генеративный искусственный интеллект работает с текстом. И перед нами открывается огромный пласт задач по анализу неструктурированных данных. Это договоры, журналы, переписка, новостной фонд – все то, что классические модели не покрывают.
Конечно, генеративный искусственный интеллект (ГИИ) во многом находится еще на стадии пилотирования в области рисков, но уже есть определенные результаты. Например, для задач кредитного скоринга генеративный искусственный интеллект помогает анализировать внешний новостной фон либо неструктурированную информацию о клиентах. Это дает возможность обогатить риск-профиль либо получать сигналы до того, как они отразятся в цифрах.
Есть кейсы применения ГИИ для подготовки кредитных меморандумов с более высокой скоростью. Есть большой набор кейсов в блоке операционных рисков. Например, записи разговоров с клиентом можно не просто суммаризировать при помощи генеративного искусственного интеллекта, но и строить более сложную модель, которая будет выявлять повторяющиеся обращения и жалобы, свидетельствующие о системном риске. Немало кейсов, когда ГИИ применяется как ассистент для комплаенса для быстрого поиска по нормативной базе – это обеспечивает кратную экономию времени.
На российском рынке есть кейсы, когда LLM применяется для анализа новостного фона при управлении риском в проектном финансировании. Причем точность результатов выявления негативных факторов достигает 93%.
Отдельным блоком можно отметить стресс-тестирование, где ГИИ может помогать риск-менеджеру составлять и генерировать новые сценарии на основе открытых аналитических источников.
Смежная связанная область – внутренний аудит, где вся цепочка процесса – это работа с неструктурированной информацией. Это планирование, поиск журналов источников, анализ информации, выявление расхождений с нормативной базой, выставление предписаний и отслеживание их исполнения. Сейчас тут применяются отдельные ассистенты и они уже показывают эффекты. Но потенциал во внутреннем аудите очень высокий, потому что всю цепочку можно оцифровать современными агентами и обеспечить переход к так называемому непрерывному аудиту, где мы проверяем не вручную по плану, а фактически каждый день (если есть доступ к данным и правильно выстроенная безопасная цепочка агентов).
Несмотря на то что генеративный искусственный интеллект открывает большой потенциал, сам по себе он – это источник новых рисков и уязвимостей, которыми надо уметь правильно управлять.
Но несмотря на то что генеративный искусственный интеллект открывает большой потенциал, сам по себе он – это источник новых рисков и уязвимостей, которыми надо уметь правильно управлять.
Регуляторные модели – классический ML, линейная регрессия, дерево решений активно используются в банках для расчета точных показателей, таких как вероятность дефолта, объем резервов.
Тут учитываются два фактора. Эти модели должны быть детерминированными, то есть при том же самом входном наборе данных давать постоянный результат. В базовых ML-моделях это решено либо за счет применения интерпретируемых моделей, либо объясняемого искусственного интеллекта, где полученная метрика раскладывается на составляющие и объясняется вклад каждого из них.
Самое интересное начинается там, где мы говорим о применении генеративного искусственного интеллекта, который имеет не детерминированную логику, а вероятностную. Это свойство самой технологии, и оно означает, что LM не вычисляет ответ, а фактически генерирует его. Поэтому возникает эффект галлюцинаций.
Отсюда следует, что LM-генеративная модель не дает финального решения. Она анализирует информацию, генерирует информацию, и дальше вычисление должно проводиться при помощи детерминированных алгоритмов того же самого MA. Решение всегда остается за человеком, этот тезис надо взять за основу.
Внедрение ГИИ в банках в любом процессе требует объяснимости и прозрачности результатов работы агента. Поэтому комбинированный подход – современная архитектура, детерминированные инструменты, плюс машиночитаемые политики – то, что позволит перейти к применению генеративного искусственного интеллекта с минимизацией и управлением рисками.
Джангир Джангиров, старший вице-президент, руководитель блока «Риски» Сбер:
– Мы много вкладывали в моделирование и технологии искусственного интеллекта. У Сбера очень много клиентов: больше 100 миллионов в рознице, больше 3 миллионов в корпоративном кредитовании. А это очень большой поток запросов, обращений; «руками» это обработать невозможно. Поэтому для работы с этими запросами мы используем большое количество моделей. В общей сложности у нас в рисках почти полтысячи моделей. В основном в кредитовании – более 130 моделей в розницу, более 200 в корпоративном кредитовании. Модели надо встраивать в стратегии принятия решений, которых у нас тоже достаточно много (31 в розничном кредитовании, 82 – в корпоративном). Такая схема позволяет принимать эффективные решения очень быстро и практически на автомате.
Второе, где применяется генеративный искусственный интеллект, – это сами модели. Архитектура их может быть разной. Конечно, используются простые модели, такие как логистические регрессии, но более высокое качество показывают модели на нейросетях. Их применяем начиная с 2018 года в розничном кредитовании. Начинали мы с рекуррентных нейросетей (RNN, созданы для работы с данными, которые имеют последовательную структуру: текст, аудио, временные ряды. – Прим. ред.). Это достаточно простая архитектура, потом мы ее усложняли. В 2023 году мы перешли на трансформерную архитектуру, она дала очень большой прирост в качестве ранжирования. С прошлого года используем LLM -архитектуру в скорринге, и она дала еще большой прирост.
Работает это очень просто. Если есть две разные модели и одна имеет более высокие метрики качества, например, ранжирующую способность, при замене одной модели на другую повышается качество принимаемых решений. Например, можно одобрять кредиты большему количеству клиентов при том же уровне риска.
Все это несколько сотен моделей, более сотни стратегий принятия решений. Если бы мы могли сегодня сделать один раз суперэффективную модель и ничего не менять, жизнь была бы прекрасна. Но меняется поведение клиентов, макроэкономика, макропруденциальные надбавки к коэффициентам риска и регуляторные требования. То есть мир меняется, соответственно, нужно все время создавать новые модели, перестраивать стратегии принятия решений.
Например, в розничном кредитовании мы вносим около 2000 изменений в год: моделей, стратегий принятия решений, других параметров. Чтобы не иметь этого ограничения, нужно использовать мультиагентные системы.
И мы все стремимся сделать автономный риск-менеджмент на основе мультиагентных систем.
Илья Чижевский, президент ОТП Банка:
– Мы находимся на втором этапе внедрения технологий искусственного интеллекта. Первый начался 10 лет назад с ML-моделей, у нас их десятки, и только в рисках их сейчас 36 единиц.
На текущий момент они дают от 5% до 20% в «Джине» (Gini coefficient, в риск-менеджменте и кредитном скоринге используется для оценки предсказательной силы модели. – Прим.ред.). А экономический эффект по итогам прошлого года составляет 2% чистой прибыли банка. То есть это уже совершенно понятная метрика.
В прошлом году начался второй этап. Мы выделили отдельное подразделение внутри нашей организации, которое отвечает за два направления: оптимизации процессов и внедрения инструментов искусственного интеллекта.
Искусственный интеллект – это инструментарий для оптимизации процессов. Наша работа строится вокруг трех ключевых направлений: первое – создание инфраструктуры для надежного применения моделей; второе – их повсеместное внедрение в бизнес-процессы; третье – разработка метрик эффективности.
Генеративный искусственный интеллект – это вероятностная технология, она может допускать ошибки. И там, где эти ошибки совершенно недопустимы, использование ГИИ должно быть запрещено.
Мы стремимся к тому, чтобы, создав инфраструктуру, обучить максимальное количество сотрудников, чтоб они на местах могли внедрять инструменты, облегчающие работу. 25% сотрудников уже прошли обучение, которое позволяет им пользоваться этими инструментами. И треть сотрудников сможет этим заниматься до конца года.
Мы не увидели для себя преимущества в моделях, которые позволяют оценивать эффективность корпоративных заемщиков. На текущий момент они показывают очень неконсистентные результаты, требуют перекалибровок и используются у нас только для агрегации информации, создание саммари; дальше все равно работает человек.
Еще одна спорная история – все что касается автоматизации не массовых конвейеров. То есть в розницу и МСЕ (микропредприятия и малый бизнес) она легко встраивается, потому что много повторяющихся операций. А вот дальше сложнее. Возможно, мы проявляем осторожность, но это не сказывается на работе – мы растем быстрее рынка.
Наталья Касперская, президент Лаборатории Инфовотч:
– Уже довольно много организаций приходят к идее создания центров компетенций, которые занимаются искусственным интеллектом и агрегируют знания. Это новая малоисследованная сфера, здесь есть плюсы, минусы, риски, и доверять ей полностью нельзя. Но какое‑то место в организации у нее должно быть.
Кроме того, надо выявлять задачи, с которыми искусственный интеллект справится.
Например, мы проанализировали несколько направлений применения искусственного интеллекта внутри организации и выбрали всего три темы. Первая – это анализ уязвимостей, которые современные системы хорошо находят, мы нашли сотню. Второе – помощь в тестировании, потому что это значительно ускоряет процесс. И третье – это блоки программирования отдельных модулей.
Очевидно, в банковском секторе это будут другие задачи. Значит, надо выявить их на основании имеющегося опыта и понять, какие модели можно использовать.
Дальше, безусловно, необходимо проанализировать риски, понять, как их нивелировать, и решить, в каких областях можно применять искусственный интеллект, а в каких нет. Потому что генеративный искусственный интеллект – это вероятностная технология, она может допускать ошибки. И там, где эти ошибки совершенно недопустимы, использование ГИИ должно быть запрещено.
Следующий шаг – обеспечение функционирования процесса. Постоянный мониторинг, который должен включать регулярный анализ выполненных работ (раз в квартал или раз в месяц) и контрольные точки для оценки эффективности.
Затем мы разделяем задачи на шаги (причем эту функцию можно поручить ИИ), выбираем последовательность действий, приступаем к реализации и регулярно проверяем по контрольным точкам.
При внедрении искусственного интеллекта нужно максимально экспериментировать, но при этом постоянно проверять результат.
Во многих организациях искусственный интеллект растет как бурьян, и люди об этом даже не догадываются.
Год назад мы провели опрос, чем пользуются разработчики – это более 30 моделей.
Поэтому контроль теневого искусственного интеллекта – это отдельная задача, особенно важная в банковском секторе, где утечка данных несет большие риски.
Нужно обеспечивать материальную поддержку на регулярной основе, потому что искусственный интеллект – это дорого и до сих пор не окупается. Поэтому я не исключаю, что через какое‑то время все западные модели либо поднимут цену в несколько раз, либо закроют доступ.
Нужно понимать, что у этой технологии большие возможности, но ждать от нее чудес неправильно. Здесь требуется прагматичный подход и постоянный контроль желаемого результата. Искусственный интеллект должен работать на человека, а не наоборот.
Ольга Кадрева, начальник управления риск-моделирования в Департаменте банковского регулирования и аналитики Банка России:
– Для пруденциальных целей существует несколько наиболее распространенных классов ИИ-моделей.
Простая регрессия – давно существующий инструмент и, несмотря на наличие более современных моделей оценки риска, по‑прежнему считается отраслевым стандартом.
Причина – в высокой положительной корреляции между предсказательной способностью модели и ее сложностью. Регрессия показывает высокую точность. При этом она проста, интерпретируема, понятна для регулятора, банков и показывает надежные результаты. Поэтому мировые регуляторы придерживаются таких моделей, хотя регулирование в принципе технологически нейтрально. В нем нет ограничений на использование градиентного бустинга и требований применять только регрессию.
При использовании более продвинутых моделей сложность может возрасти кратно, а предсказательная сила – нет. То есть часто игра просто не стоит свеч.
Но есть и хорошая новость. Возможно, генеративный искусственный интеллект при всех своих минусах поможет нам рано или поздно в пруденциальных целях. Дело в том, что ГИИ – это по сути некий бустер процесса. То есть он может не генерировать самостоятельный способ построения модели, но помочь построить регрессию.
Тем не менее если раньше для построения PIT-модели (Point-in-Time model. – Прим.ред.), например, по ипотеке, требовался один старший сотрудник и два младших, то сейчас – старший и искусственный интеллект, и это будет лучше, быстрее, эффективнее.
Раньше регулирование шло по принципу технологической нейтральности. Там не было требований по применению конкретных моделей – были описаны общие принципы, которым должны соответствовать модели. Но в последнее время ситуация начала меняться.
Около года назад Европейский Центральный Банк подготовил рекомендации по использованию ML-моделей для регуляторных целей. И впервые обозначил отношение к более сложным, чем регрессия, моделям для пруденциальных целей, то есть для расчета капитала, где риски достаточно материальные. Он обозначил возможность применения в банке более сложных моделей, но с рядом оговорок, которые можно свести к трем пунктам.
Первое – модель не должна быть «черным ящиком». Почему? Например, какая‑нибудь сложная нейронка могла в истории видеть, что кредитный риск падает, если за день выпала месячная норма осадков. Она переобучилась, но при этом никакой экономической интерпретации в этой связи не показывает. Соответственно, если банк взял нейронку на ПВР («Подход на основе внутренних рейтингов», в английской терминологии – IRB, Internal Ratings-Based Approach, один из ключевых методов расчета минимально необходимого банковского капитала в рамках международных стандартов Базель II и Базель III. – Прим.ред.), он должен обязательно объяснить, как модель устроена и доказать регулятору, что у каждого фактора есть экономическое обоснование. Если он этого сделать не может, то модель валидацию не пройдет.
Второе – человеческие ресурсы. Одно дело ездить на легковом автомобиле, и совершенно другое дело, если вы хотите пересесть на самолет или звездолет. С простыми регрессиями проще обращаться. В них стандартизированные подходы. Чем сложнее модель, тем больше рисков она несет. Это требует более высокой квалификации персонала на каждом уровне. Иначе система может стать неуправляемой и принесет больше вреда, чем пользы.
И третье – игра должна «стоить свеч», то есть предсказательная сила должна расти в соответствии со сложностью модели либо быстрее, иначе регулятор ее не одобрит.
Нашей ближайшей самой важной стратегической задачей является перевод с ЗКО (ЗКО – это использование фиксированных коэффициентов риска, установленных регулятором, вместо собственных математических моделей банка. – Прим.ред.) на ПВР. В связи с этим отмечу два момента. Простая регрессия – уже достаточно хороший инструмент для того, чтобы правильно и точно оценивать риски. Второе – у Банка России обширный опыт валидации простых регрессий. Не у всех банков есть продвинутый модельный аппарат, у многих возникают проблемы даже с простыми регрессиями. В построении модели есть множество нюансов, которые надо правильно учитывать.
Поэтому практический план может быть следующим. На первом этапе нам нужно сфокусировать свои усилия для того, чтобы перейти на ПВР. При этом параллельно мы понимаем, что генеративный искусственный интеллект может в будущем очень сильно облегчить банкам применение более сложных моделей. Чтобы это случилось, нужно заранее подготовиться, чтобы ГИИ стал нам добрым помощником и не принес дополнительных рисков. И мы будем придерживаться политики мягкого регулирования. Начнем с мониторинга работы ГИИ в разных банках.
При необходимости вслед за нашими коллегами из Китая выпустим методические рекомендации, как этими рисками можно управлять. Но если угрозы будут накапливаться, разработаем требования. Это касается не только пруденциальных моделей, но в целом использования генеративного искусственного интеллекта в банке.
Если мы поймем, что все хорошо работает, сможем вернуться к вопросу о расширении таксономии моделей.
Славяна РУМЯНЦЕВА

