Банковский сектор — одно из самых динамичных направлений цифровизации в России. Финансовые организации стремятся как можно быстрее внедрять новые технологии, которые дают конкурентное преимущество, и искусственный интеллект (ИИ) здесь не исключение. Уже сегодня его используют для выявления мошенничества, автоматизации кредитного скоринга, персонализации предложений, управления рисками и повышения операционной эффективности. При этом постоянно возникает вопрос: как применять ИИ, не сталкиваясь с риском утечки данных и не нарушая требования регуляторов.
ИИ в банках сегодня
По результатам опроса Банка России о применении искусственного интеллекта, 21% банков на постоянной основе используют ИИ, 15% тестируют пилотные проекты, а 29% планируют использовать технологию в течение 1–3 лет. Согласно данным «Ассоциации ФинТех», рынок больших языковых моделей (LLM) оценивается в 6,4 млрд долларов в мире и в 35 млрд рублей в России, при этом демонстрирует рост 33,2% год к году.
Аналитические компании считают, что ИИ становится основой конкурентоспособности банков и финтех-компаний. По данным McKinsey Global Banking Annual Review 2025, внедрение искусственного интеллекта может снизить операционные расходы банков на 15–20%, что эквивалентно экономии 700–800 млрд $ в глобальном масштабе. Одновременно генеративный ИИ способен увеличить годовую выручку банков на 2,8–4,7%, что соответствует дополнительной стоимости 200–340 млрд $ ежегодно. Основной эффект достигается за счет автоматизации процессов, повышения точности работы с клиентами и оптимизации принятия решений.
Как отметил глава «Сбера» Герман Греф, в «Сбере» внедрены сотни ИИ-агентов, которые применяются в ключевых процессах, более тысячи агентов находятся в разработке: «Развиваются мультиагентные системы, где у каждого своя роль. Причем они взаимодействуют друг с другом почти так же, как это делала бы команда людей. К примеру, в нашем базовом процессе есть ИИ-агент, который формирует кредитные предложения для клиентов. Сегодня уже 96% корпоративных клиентов, использующих услуги кредитования, получили индивидуальные кредитные предложения».
Дмитрий Мацера, управляющий ИТ-директор Совкомбанка, рассказал, что в Совкомбанке портфель ИИ-инициатив уже измеряется сотнями, более 34 тыс. сотрудников прошли обучение работе с искусственным интеллектом, а ежедневное использование таких инструментов стало устойчивой частью рабочей практики. Акцент при этом делается на платформенном подходе — собственной агентной среде, защищенной инфраструктуре и сценариях, в которых ИИ встроен в повседневную работу ИТ- и бизнес-функций.
При этом, как уточняется в исследовании McKinsey Global Banking Annual Review 2026, генеративный ИИ стал самым быстро внедряемым технологическим решением в истории: за два года после запуска ChatGPT им воспользовались 45% трудоспособного населения США, а к 2025 году — уже 55%. Для сравнения, цифровому банкингу потребовалось 15 лет, чтобы достичь сопоставимого уровня проникновения. В отличие от предыдущих технологических волн, разрыв в использовании ИИ между молодыми и старшими возрастными группами незначителен. Это значит, что даже «консервативные» клиенты начинают доверять ИИ в сложных финансовых задачах, например управлении финансами, инвестициях, кредитах. Сочетание очень быстрого внедрения искусственного интеллекта населением и уже зрелого цифрового банкинга приводит к тому, что банки теряют традиционное временное преимущество: клиенты всех возрастов осваивают ИИ‑инструменты для управления финансами и легко мигрируют к тем, кто предлагает более умные, автоматизированные и выгодные решения.
Можно выделить несколько основных направлений, в которых банки используют искусственный интеллект:
- Обслуживание клиентов. Чат-боты и голосовые ассистенты берут на себя рутину: уточняют баланс, статус заявки, условия продукта. Их главная задача — дать клиенту быстрый и точный ответ, не заставляя ждать, пока освободится оператор.
- Оценка кредитоспособности. Алгоритм для оценки кредитоспособности анализирует десятки факторов одновременно. Это позволяет банку точнее оценивать свои риски и одобрять больше заявок.
- Противодействие мошенникам. Алгоритмы анализируют транзакции в моменте и ищут аномалии. ИИ помогает банку мгновенно выявить подозрительный перевод и приостановить его на период охлаждения, чтобы спасти деньги.
- Биометрия. Банки активно используют технологии компьютерного зрения и распознавания голоса. ИИ умеет отличать живого человека от фотографии, видеозаписи или дипфейка, обеспечивая безопасность доступа к счетам и операциям без паспорта и карт.
- Персональные предложения. Искусственный интеллект помогает формировать ленту предложений: кешбэк в любимых категориях, лимиты по картам, инвестиционные советы.
- Логистика. Алгоритмы помогают управлять даже физическим миром банка. Например, ИИ может прогнозировать спрос на наличные в банкоматах, учитывая погоду, праздники и дни зарплат.
- Обработка документов. Искусственный интеллект распознает текст в заявках, договорах и справках, извлекает ключевые данные и автоматически заносит их в банковские системы.
Сложности на пути использования ИИ
Настоящая зрелость внедрения ИИ определяется не числом запущенных пилотов, а тем, насколько глубоко они встроены в систему управления рисками и контроля. Банк России придерживается технологически нейтральной позиции, но делает ставку на риск-ориентированный надзор, и для банков это означает необходимость выстроить дисциплинированный операционный контур: журналировать действия агентов, жестко разграничивать роли и права, сохранять обязательное участие человека в критических точках принятия решений, а также обеспечивать высокое качество данных, прозрачное тестирование, регулярный аудит и надежную защиту информации. Без такой управляемой архитектуры масштабирование ИИ быстро упирается в требования по информационной безопасности, объяснимости решений и внутреннему контролю.
При этом даже хорошо выстроенный внутренний контур не снимает другого ограничения: модели, обученные только на собственных данных, неизбежно видят лишь часть картины. Для задач вроде борьбы с отмыванием денег, выявления кросс-банковского мошенничества или построения более точных риск-моделей критически важен обмен данными между участниками рынка. Однако именно попытка выйти за пределы одного банка и организовать совместную аналитику обнажает правовые барьеры: персональные данные нельзя просто «свести» в одну модель или среду, даже доверенную, без отдельного, юридически корректного основания.
Эта логика напрямую связана с практическими ограничениями работы с персональными данными: место размещения модели (в облаке или внутри закрытого периметра банка) само по себе не снимает вопрос о корректности обработки персональных данных. Даже если модель развернута на инфраструктуре банка, действуют требования 152-ФЗ («О персональных данных»), поскольку согласие клиента покрывает лишь те способы обработки, которые прямо описаны и на которые он дал разрешение. Общая формулировка вроде «разрешаю обработку данных в системах искусственного интеллекта» вряд ли удовлетворит регулятора: цели и способы обработки должны быть конкретны и понятны субъекту данных. При этом важно различать согласие на саму процедуру, например на скоринг, и условия, при которых данные попадают в конкретный инструмент. Если LLM используется как инструмент в рамках уже согласованной процедуры, вопрос может сводиться к тому, укладывается ли характер ее работы в описание, данное клиенту. Однако сценарий «загрузить всю клиентскую базу с транзакциями в модель и пусть она сама ищет зависимости и сегменты» заметно выходит за рамки привычной процедуры и требует отдельного юридического обоснования. Таким образом, без выстроенного контура управляемости, о котором говорит регулятор, риск претензий со стороны надзора в области 152-ФЗ существенно возрастает.
Пути решения
Летом 2026 года Банк России разработал методические рекомендации, призванные помочь финансовым организациям обеспечить информационную безопасность при использовании технологий искусственного интеллекта. В документе собраны и упорядочены основные риски, связанные с применением искусственного интеллекта, описаны типичные сценарии атак на ИИ-системы и сформулированы практические рекомендации по защите. В частности, для финансовых организаций, где ИИ задействован в критически важных процессах с высокими требованиями к информационной безопасности (например, в платежах), предлагается обязательное подтверждение операций сотрудником.
Говоря о технологиях, которые могут использоваться для обеспечения безопасности при разработке и применении искусственного интеллекта, Банк России в своих методических рекомендациях выделяет протоколы конфиденциальных вычислений. В документе они названы среди мер противодействия хищению обучающих данных, наряду с шифрованием, обезличиванием, ограничением потоков данных и мониторингом.
Как банки применяют конфиденциальные вычисления
Конфиденциальные вычисления уже оформились в отдельный глобальный рынок: по оценкам, в 2025 году его объем достиг 4,6 млрд долларов, а к 2035 году, согласно прогнозам, он может вырасти до 34 млрд долларов при среднегодовом темпе около 22%. Среди ключевых игроков этого направления — Inpher, которая сотрудничает с крупными телеком-компаниями и финансовыми институтами и помогает страховщикам совместно строить модели рисков, не раскрывая друг другу свои портфели. Отдельно стоит Owkin, фокусирующаяся на федеративном обучении в фармацевтике и медицине, и Duality Technologies, специализирующаяся на совместном анализе данных между банками для борьбы с отмыванием денег без раскрытия информации о клиентах.
Конфиденциальные вычисления помогают банкам получать ценную аналитику и инсайты из данных, не нарушая приватность и 152‑ФЗ. Это дает несколько практических эффектов. Во-первых, федеративное обучение позволяет нескольким банкам совместно обучать скоринговые и антифрод-модели на распределенных данных, не передавая друг другу исходные клиентские записи. Каждый участник обучает локальную модель на своих данных, а в общий контур передает только изменения параметров этой модели — то, как скорректировались ее внутренние коэффициенты после обучения. Более того, эти изменения защищают специальными алгоритмами, поэтому общий контур не может разобрать, какой банк какие изменения прислал. Сами исходные данные и признаки при этом вообще не покидают периметр участника. Во-вторых, такие решения уже позиционируются как инструмент для совместной борьбы с мошенничеством и отмыванием денег, где кросс-банковские схемы (смурфинг, «денежные мулы», сетевые структуры) становятся видны только при объединении сигналов из разных организаций, но без раскрытия персональных данных. В-третьих, в российской практике это увязывается с идеей «вычисления идут к данным», а не «данные к вычислениям»: инфраструктура конфиденциальных вычислений позволяет запускать аналитику и ML там, где данные физически находятся, и тем самым снижать регуляторные и репутационные риски утечек.
В качестве примера можно привести Т-Банк: компания развивает собственный стек технологий многосторонних вычислений (MPC) и уже запустила ряд пилотов по конфиденциальному обучению моделей вместе с партнерами. Такой подход позволяет организации тренировать специализированные ИИ-модели, не раскрывая исходные наборы данных и не выгружая информацию за свой периметр. Параллельно открываются возможности для межбанковской аналитики, отраслевых бенчмарков и более детального понимания клиентского профиля в конкурентной среде без передачи клиентских данных третьим сторонам. Технология уже перешла из стадии академических экспериментов в коммерческую практику: на рынке действуют платформы, где более десяти кредитных организаций применяют MPC для совместной оценки кредитоспособности заемщиков.
Дамир Узбеков, заместитель генерального директора Группы Arenadata по работе с финансовым сектором
