Почему проваливаются ИИ-пилоты, как этого избежать и можно ли превратить банк в автономную операционную систему? Ч. 1

Об этом на FINNEXT 2026 рассказал Муслим Сатыбалдиев, директор департамента развития цифрового бизнеса Ростелекома.

По данным McKinsey, компании, первыми внедрившие AI, получат преимущество примерно в 4% рентабельности капитала. Те, кто не сделает этого своевременно, рискуют потерять до 10% прибыли в ближайшие годы. Но успешный переход — это отнюдь не простое внедрение технологий, и в процессе велик риск угодить в скрытые ловушки.

«Ловушка старых процессов" на примере Klarna
В 2024 году финтех заменил большую часть сотрудников контакт-центра AI-ботами. Первые результаты впечатляли: за месяц было обработано более 2 млн вызовов, скорость выросла в 5,5 раза (с 11 до 2 минут), ожидалась прибыль в 40 млн. Но к концу года CEO начал активно возвращать людей. Причина — падение качества и отток клиентов.

Главный урок: «натянуть» новую технологию на старый процесс — критическая ошибка.

«Пилотная ловушка»
Согласно исследованиям MIT, 95% AI-пилотов не дают измеримого финансового результата. То, что отлично работает на демо, часто не выживает в промышленной эксплуатации. Мы пытаемся автоматизировать то, что изначально было спроектировано под людей.

Это подтверждает опыт смежных отраслей:
• Промышленность: добавление роботов на конвейер, спроектированный под людей, окупается в течение 5–10 лет. Если завод строится под роботов с нуля (как Tesla Gigafactory) — производительность возрастает в 5–10 раз.

• Внедрение ERP-систем: если систему накладывать на старые процессы, стоимость проекта увеличивается в 3–5 раз. Перестройка процессов под новую систему дает быстрый и очевидный эффект.

Общий принцип один: технология дает эффект, когда процессы проектируются под нее, а не наоборот.

Как AI работает в финансовом секторе:
• JPMorgan. При IT-бюджете около 18 млрд долларов банк проводит фундаментальную реорганизацию: у каждого сотрудника появляется AI-ассистент, у каждого процесса — AI-агент, а у каждого клиентского опыта — AI-консьерж.

• Ryt Bank. Запущен в 2025 году, не имеет легаси-систем, будучи изначально спроектирован под AI-процессы. Клиенту достаточно сказать: «оплатить электричество за месяц», и система сама формирует и выполняет платеж, а человек его лишь подтверждает. Итог: 50 тыс. клиентов и 80 тыс. за первые полгода.

Четыре главных барьера на пути к AI-трансформации:

1. Качество данных — информация разрознена по десяткам разных систем.

2. «Черный ящик» — алгоритмы непрозрачны для аудита и жесткого комплаенса.

3. Отсутствие решений, готовых к промышленной эксплуатации. Большинство AI-инструментов не соответствуют банковским требованиям по нагрузке, отказоустойчивости и SLA. По данным Ampcome, только 14% предприятий имеют production ready AI-системы.

4. Кадровый голод — нехватка компетенций и неготовность самих сотрудников к изменениям.

Продолжение в следующем посте

Почему проваливаются ИИ-пилоты, как этого избежать и можно ли превратить банк в автономную операционную систему? Ч. 2

Четыре слоя глубокой AI-трансформации

Что же делать, чтобы система работала слаженно? Рекомендуем использовать подход на базе четырех слоев трансформации:

1. Единый слой данных. Данные из всех систем банка находятся в единой логике и беспрепятственном доступе для AI .

2. Процессный BPM-движок. Выстраивает сквозные процессы между подразделениями и гарантирует, что данные не потеряются на стыках.

3. Аналитика процессов. Мониторинг нормативного и законодательного регулирования, оценка эффективности в реальном времени и строгий контроль за работой AI.

4. AI-агенты. Автономные единицы, которые выполняют операции внутри этих процессов и непрерывно их улучшают.

Как внедрить это без бюджета JPMorgan?

Глубокая переработка требует колоссальных ресурсов. Если у вас нет бюджетов крупнейших мировых банков, оптимальный выход — платформенные решения.

Например, Farzoom реализует архитектуру «BPM + AI-агенты + аналитика» для российских банков под ключ. Важное уточнение: это не просто прикрученный ChatGPT, а генеративные модели, целенаправленно обученные на отраслевых банковских данных.

Эффекты для бизнеса

• Автономия от IT: менеджер может самостоятельно строить и настраивать процессы.

• Скорость: цикл от идеи до внедрения сокращается в 3,5 раза.

• Эволюция: обеспечивается непрерывное автоматическое улучшение процессов.

• AI-конструктор процессов. Менеджер банка сможет спроектировать и запустить новый процесс через AI, описав его на естественном языке и не обладая навыками программирования. Техническая сложность уходит в платформу. Главное — продуктовое видение.

Что делать, если AI-агенты конфликтуют?

Для решения этой проблемы возможны следующие варианты:

• Превентивное моделирование. Без большого объема данных корректную систему не построить. Мы заранее прогоняем сценарии конфликтов еще до стадии пилота. Накопленная база знаний позволяет предсказывать, где именно могут столкнуться интересы.

• Explainable AI (Объяснимый ИИ). Через аналитический слой логируются абсолютно все события. Система анализирует их и моментально выявляет отклонения.

• Контролируемая верификация. Система может выполнять процесс автономно, но в критических узлах финальное подтверждение остается за человеком.

Благодаря этой архитектуре любой конфликт между агентами быстро обнаруживается и переходит в управляемое русло.

Мы находимся в классической точке «дилеммы инноватора». Новая технология только начинает экспоненциальный рост. Те, кто не зайдет в этот тренд сейчас, будут вынуждены догонять конкурентов позже — а это всегда дороже, дольше и больнее.