Банковские приложения в Центральной Азии уже удобнее самих банков: клиентская сторона оцифрована, а в мидл- и бэк-офисе до сих пор остаются ручные операции. Что из ИИ в банкинге — хайп, а что даёт измеримый результат, как считать стоимость одного закрытого обращения и почему часть ежедневного банкинга уйдёт к персональным агентам — об этом мы поговорили с Романом Надеиным, сооснователем и CEO Rocket Tech и Ready Bank.
Как вы оцениваете текущий уровень цифровой трансформации финансового сектора в Центральной Азии? Мы уже прошли этап «базовой цифровизации»?
Клиентская сторона оцифрована гораздо лучше, чем сами банки. В Казахстане, по статистике за первый квартал, более 90% безналичных платежей по картам прошло через мобильный банкинг. Это уже устоявшаяся модель, а не эксперимент.
Но удобное приложение и цифровой банк — не всегда одно и то же. За классным интерфейсом до сих пор могут стоять ручные действия и перенос данных из одной системы в другую. Мидл- и бэк-офис оцифрованы не до конца: простые операции автоматизированы, а часть процессов работает в полуручном режиме.
Так что со стороны клиента базовый этап пройден. Следующий шаг — не добавлять новые функции, а доработать существующие: убрать лишнее и сделать процессы бесшовными, простыми и удобными. Внутри банков остаются процессы, которые можно и стоит автоматизировать, и ИИ как раз это позволяет.
Если сравнивать ключевые рынки — например, Казахстан и Узбекистан — в чем фундаментальные отличия в подходах местных банков к инновациям? Где вы видите наибольший потенциал для внедрения AI прямо сейчас?
Нельзя сказать, что Казахстан и Узбекистан находятся на одной стадии. Разрыв между двумя банками внутри одной страны бывает больше, чем между странами.
Казахстан. Цифровые сервисы здесь уже построены, поэтому ИИ нужен для их эффективности: сделать операции дешевле, быстрее и удобнее для клиента.
Узбекистан. Рынок стартовал с низкой базы и сейчас догоняет. Банки могут сразу закладывать ИИ в новое цифровое обслуживание и за счёт этого двигаться быстрее. Тормозит госучастие: на середину лета около 62% активов сектора приходилось на банки с долей государства, а там изменения внедрять сложнее. Часть банков приватизируют, и это правильно. Хорошие кейсы уже есть: в этом году TBC Bank запустил в приложении ИИ-помощника, который работает на русском и узбекском и умеет выполнять часть банковских операций.
Для всего региона важно качество работы на местных языках. Клиент должен своими словами объяснить проблему — например, «с меня дважды списали деньги», — а помощник понять запрос, найти операцию и довести до решения. Агенты уходят в голос, как показывают недавние презентации Meta и OpenAI, поэтому добавляются акцент, скорость речи и шум. Проверять качество стоит на реальных обращениях местных клиентов.
Потенциал есть на обоих рынках, но измеряется он не презентацией «мы запустили агента», а пользой для конечного клиента.
С какими главными внутренними барьерами сталкиваются финансовые институты при попытке перейти от классического банкинга к AI-driven экосистемам?
Главный барьер — безопасность и ответственность за результат. У него две составляющие.
Безопасность разработки. Банки уже активно используют ИИ-агентов для написания кода и тестов. Важно, чтобы цикл разработки с ИИ был выстроен через практики application security. Вопрос в том, как банк за этим следит: просто покупает разработчикам подписки, и они пушат в общий репозиторий что хотят, или у него есть платформа с проверками.
На таких платформах обычно ставятся guardrails — ограничители, которые проверяют, какие данные уходят в модель и какие возвращаются. Они не дают утечь персональным данным, секретам и другой чувствительной информации. Сейчас для этого есть термин harness: вся обвязка, которая строится вокруг модели.
Безопасность клиентских данных. Если клиент взаимодействует с ИИ внутри приложения или ИИ обрабатывает процессы в самом приложении, нужно понимать, в какие модели уходят данные. Обычно всё упирается в железо. Если у банка есть деньги, он разворачивает модели в своём контуре, и регулятор за этим следит. Но часть запросов всё же может уходить по API в незащищённый контур, к моделям гигантов вроде Anthropic или OpenAI. Пусть и в обезличенном виде, но вопрос, насколько корректно это реализовано, остаётся.
Проблема известная, и инструменты для неё уже есть. Мы в том числе помогаем внедрять решения для обезличивания: контекст сохраняется, реальные данные клиентов в модель не уходят, а при получении ответа нужные данные подставляются обратно.
Искусственный интеллект в банкинге — где сейчас проходит граница между маркетинговым хайпом и реальным, измеримым бизнес-результатом?
Для меня граница проходит по результату. Если помощник закрывает обращение, сокращает время операции и снижает нагрузку на поддержку — у него есть бизнес-ценность. Если после разговора клиент всё равно проходит тот же путь вручную, эффект нужно доказывать.
Скорее хайп — ИИ-помощники и ассистенты в банковских приложениях. По сути это обёртки над существующими моделями, с которыми можно пообщаться. Но непонятно, зачем делать это внутри банковского приложения, если то же самое доступно снаружи.
Реальный результат дают антифрод и скоринг. Антифрод-системы на ИИ следят за транзакциями и вовремя останавливают мошеннические. Скоринг становится быстрее и эффективнее и помогает банку лучше знать своего клиента.
Большой потенциал — обработка клиентских обращений. Допустим, человек спрашивает, почему не прошёл платёж. В хорошем сценарии помощник с необходимыми разрешениями проверяет статус операции, объясняет причину и помогает выполнить следующий шаг. Если требуется сотрудник, передаёт ему уже собранную информацию, чтобы клиенту не пришлось рассказывать всё заново. Эффект можно проверить: сколько обращений удалось закрыть, сколько времени это заняло и сколько клиентов вернулось с той же проблемой.
Ещё одна точка приложения — аналитика. Я пока не видел ни одного банковского приложения, где аналитика расходов и доходов была бы сделана удобно. Это подтверждает само существование отдельных сервисов учёта финансов вроде CoinKeeper, куда пользователи выгружают данные. Банки пытаются делать это у себя, но выглядит всё сыро и неудобно. С помощью ИИ эту историю можно сделать действительно удобной.
Опираясь на продуктовый опыт и кейсы Rocket Tech, в каких банковских процессах внедрение ИИ сейчас дает самый быстрый и ощутимый «вау-эффект», который пользователь заметит с первого клика?
Я бы начал со сценариев, где клиенту приходится проходить несколько экранов ради простой операции. Перевод, выписка, оплата счёта — здесь эффект понятен сразу. Дальше проверяем его на данных: сколько времени сэкономили, сколько людей завершили операцию и сколько ошибок возникло.
Как первый эксперимент я бы выбрал голосовое управление: переводами, выписками, отправкой счетов. Говоришь «отправь маме пять тысяч на карту», агент готовит операцию, ты подтверждаешь. Он видит мои транзакции и знает мои контакты, поэтому мне не нужно проходить пять-шесть экранов, чтобы сделать перевод или оплатить парковку. Это закрывало бы мои реальные ежедневные задачи.
У такого сценария есть несколько оговорок:
- Аудитория. Нужно смотреть на срез пользователей банка: насколько они молодые и активные. Более взрослое поколение консервативнее, оно сделает всё руками и перепроверит.
- Бизнес-метрики. Вряд ли это повысит эффективность или увеличит число транзакций. Зато может забрать часть хайпа и аудитории: банк воспринимается как цифровой и внедряющий ИИ.
- Безопасность. С ней нужно работать отдельно, чтобы у пользователей не было переживаний. Такие функции легко сделать на локальных моделях в контуре банка.
- Коммуникация. Нужна поддержка PR и маркетинга, которые объяснят, как это работает и почему это безопасно.
Внедрение AI-решений часто воспринимается как дорогая инвестиция с неочевидным горизонтом окупаемости. Как банку или финтех-компании правильно считать ROI от таких инициатив на ранних этапах?
Да, это действительно дорогая инвестиция с неочевидной окупаемостью. Чтобы посчитать ROI, нужно разделять два типа внедрений.
ИИ во внутренних процессах разработки. Это цикл доставки продукта: разработка, проверка гипотез, покрытие тестами. Здесь эффективность считать проще. Мы видим количество выпускаемых фич, скорость их выпуска и качество: сколько фич ушло на доработку, сколько багов найдено при тестировании и после запуска. Всё это переводится в финансовую выгоду и скорость разработки, из которых получается ROI.
ИИ в клиентских процессах. Здесь я бы начинал с конкретной единицы результата. Например, сколько стоит закрыть одно обращение в поддержку. В стоимость входят работа модели, инфраструктура, сопровождение и время сотрудника, если ему приходится проверять или исправлять ответ. Затем сравниваем с текущим процессом при сопоставимом качестве. Если обращение стало дешевле, но клиент вынужден приходить повторно, экономию нужно пересчитать. Такие условия я бы определял ещё до пилота.
Можете привести пример типичной ошибки в оценке экономики ИИ-проектов, из-за которой классные технологические инициативы так и не доживают до продакшена?
Типичная ошибка — не посчитать стоимость эксплуатации до релиза. Команда придумывает сильную ИИ-фичу, а перед запуском выясняется, что она обходится слишком дорого.
Считать нужно заранее: сколько токенов будет тратиться, а если модель внутренняя — сколько ресурсов нужно, чтобы она нормально обрабатывала нагрузку.
Я бы считал полную стоимость успешно выполненной задачи: модель, инфраструктура, интеграции, проверка человеком и исправление ошибок. Пилот должен показать, сохраняется ли эта экономика на реальных запросах и при масштабировании.
В регионе мы видим острую борьбу: классические банки строят свои экосистемы, а бигтех и телекомы агрессивно заходят в финтех. Кто сейчас, на ваш взгляд, выигрывает гонку технологий и быстрее внедряет ИИ?
Я бы не противопоставлял банки и технологические компании. Выигрывает тот, кто контролирует больше полезных ежедневных сценариев клиента, а не одну нишу. Удобнее, когда перевод, билет в кино и заказ продуктов — в одном приложении: привычка потребления сводится к нему.
Но важно, как это реализовано. В одних приложениях путь пользователя короткий и понятный, в других сервисы нагромождаются так, что сложно выполнить даже базовые банковские операции.
Здесь и пригодится ИИ. Банк с множеством сервисов знает о клиенте больше и может сократить путь к услуге: я голосом говорю, что мне нужно, а он подбирает варианты — например, билеты в кино или на самолёт на нужные даты. Мне остаётся только выбрать.
Особенно заметна польза, когда сервисы работают вместе. Предпринимателю нужно оплатить счета поставщиков и понять, хватит ли денег до следующих поступлений. Помощник мог бы собрать счета, сопоставить их со сроками платежей и ожидаемыми поступлениями, показать возможный разрыв и подготовить платежи на подтверждение. Сегодня для этого нужны несколько систем и ручная работа.
Как изменится ландшафт рынка в перспективе 3–5 лет? Зацементирует ли развитие искусственного интеллекта монополию нескольких крупных экосистем, или у нишевых AI-финтех продуктов останется пространство для взрывного роста?
Экосистемы пока останутся впереди, но я вижу сразу несколько процессов.
Концентрация на уровне инфраструктуры. Большие языковые модели требуют много железа, а с ним на рынке есть проблемы. Его сложно получить, оно дорого стоит, и его сложно поддерживать.
Разнообразие на уровне прикладных решений. Запустить MVP стало намного проще. Раньше для этого нужны были большие команды, а сейчас продукт можно запустить в одиночку. Пусть это неидеальная версия, но идею она реализовать позволяет. Конкуренция смещается к тому, что именно и как ты сделаешь.
Напрямую конкурировать с банковскими функциями и сценариями такие компании не смогут, но могут давать отдельную пользу. В таких случаях банки будут присматриваться к M&A: покупать продукты или реализовывать похожие идеи у себя.
Я ожидаю, что в ближайшие три–пять лет часть ежедневного банкинга перейдёт к персональным агентам. Клиент будет поручать им оплатить счета, подготовить перевод или разобраться в расходах. Для банков это создаёт серьёзный вопрос: кто будет поддерживать отношения с клиентом и влиять на его выбор? Я бы уже сейчас готовил банковские сервисы к работе через агентов — с понятными разрешениями, лимитами и подтверждением действий.
