Генеративный ИИ: внедряют почти все, зарабатывают единицы
В прошлой колонке речь шла об AI-агентах в e-commerce: следующим клиентом может стать не человек, а его цифровой представитель. Но агент полезен именно настолько, насколько хороша модель, лежащая в его основе. Эта модель — генеративный искусственный интеллект. Для банка он одновременно является источником эффективности, новым каналом продаж и угрозой прибыли.
Генеративный ИИ перестал быть технологией, которая "вот-вот наступит". Она наступила: модели уже пишут тексты, код и аналитику в производственной среде десятков банков. Открыт другой вопрос — научились ли на ней зарабатывать. Пока честный ответ: почти нет.
Технологии повсюду, отдача — почти нигде
По данным McKinsey, к концу 2025 года ИИ хотя бы в одной бизнес-функции внедрят почти девять из десяти компаний, около 71% регулярно используют генеративный ИИ, но 94% не видят значимой отдачи от инвестиций. Это современная версия "парадокса Солоу": компьютерную эру можно увидеть где угодно, кроме статистики производительности. Boston Consulting Group в исследовании более 1 250 компаний приходит к тому же выводу: реальную финансовую отдачу получают около 5%, а примерно 60% не видят почти ничего. S&P Global фиксирует разворот настроений: доля компаний, сворачивающих большинство ИИ-инициатив до вывода в продакшн, за год выросла с 17% до 42%.
Причина разрыва не в моделях. Большинство компаний ускоряют с помощью ИИ текущие рутинные операции, не перестраивая сквозные процессы, — и локальный выигрыш быстро съедает конкуренция. BCG описывает это формулой "10–20–70": успех проекта лишь на 10% зависит от алгоритмов, на 20% — от данных и технологий и на 70% — от людей и процессов. При этом 60% компаний вообще не отслеживают финансовые KPI своих ИИ-инициатив. Вывод прост: дело не в том, кто первым купил лицензии, а в том, кто перестроил процессы.
Но выигрыш реальный — особенно для банков
При полномасштабном внедрении генеративный ИИ способен ежегодно приносить мировому банковскому сектору 200–340 млрд долларов — 2,8–4,7% выручки отрасли. Исследование IDC по заказу Microsoft дает в среднем 3,70 доллара отдачи на каждый вложенный доллар, у лидеров — до 10,30, причем наибольшую отдачу фиксируют именно в финансовом секторе. Цифры весьма приятные; вопрос в том, как к ним добраться.
Имеет смысл различать два класса систем: "классический" ИИ распознает — "мошенничество или нет", "надежный заемщик или нет" — и годами работает в скоринге, антифроде и AML; генеративный, который является фокусом этой колонки, создает новое — черновик договора, резюме многостраничного отчета, ответ клиенту, код и т. д. — оставляя сотруднику проверку и принятие решения (human in the loop, человек в контуре — обязательное правило, в частности закрепленное на регуляторном уровне в отношении многих процессов в ЕС).
Кто из игроков финансового сектора уже зарабатывает с помощью генеративного ИИ
JPMorgan Chase. Платформа LLM Suite доступна для более 200 000 сотрудников; технобюджет на 2025 год — около 18 млрд долларов (в 2026-м — почти 19,8 млрд, около 2 млрд из них на ИИ). Банк оценивает реализованную годовую ценность от ИИ примерно в 2 млрд долларов (против 100 млн в 2022-м) при более чем 450 действующих кейсах. Но на Investor Day в феврале 2026 года руководство честно призналось: отдачу трудно посчитать по каждой инициативе, а "сэкономленное время" — слишком расплывчатая метрика. Урок не в цифре, а в подходе: ROI считают там, где его можно измерить, и не выдают активность за результат.
Goldman Sachs. По словам Дэвида Соломона, ИИ подготавливает до 95% проспекта эмиссии за считанные минуты — вместо двух недель работы команды из шести человек. Ценность сместилась в оставшиеся 5%: проверку, экспертизу и суждения.
HSBC. Платформа Dynamic Risk Assessment на базе Google Cloud анализирует более 1 млрд транзакций в месяц, выявляя в 2–4 раза больше реальных преступлений при сокращении ложных срабатываний примерно на 60%. Для банка, находящегося под AML-надзором, это самый реальный показатель эффективности.
Klarna — история о пределе автоматизации. Финтех-компания заявила, что ИИ-ассистент выполняет работу 700, а затем и 853 операторов с экономией около 60 млн долларов в год. Но в 2025 году компания частично отказалась от этой стратегии и снова начала нанимать операторов: в погоне за эффективностью ухудшилось качество сервиса. Это урок о пределах автоматизации там, где цена ошибки высока.
Три урока, которые объединяют лидеров практического прибыльного использования генеративного ИИ
Платформа, а не зоопарк пилотов. Лидеры создают единую корпоративную ИИ-платформу с управлением доступом, безопасностью и аудитом, а не десятки разрозненных экспериментов; преимущество в ИИ накапливается со временем.
Гибрид с человеком побеждает чистую автоматизацию. Наибольшая отдача там, где ИИ усиливает человеческое суждение, а не вытесняет его из зон высокой ответственности. Для кредита, антифрода и спорных обращений человек в контуре — условие качества, а не уступка регулятору.
Измеримость отделяет эффективность от "показухи". Когда 42% компаний сворачивают проекты, единственная защита — честные бизнес-метрики: стоимость операции, время решения запроса, доля ложных срабатываний, EBIT. Количество пилотных проектов — это активность, а не результат.
Где скрывается угроза
Генеративный ИИ — это инструмент не только для банка, но и для его клиента, и угроза заключается в том же, что и в случае с ИИ-агентами и электронной коммерцией. McKinsey предупреждает: при неизменных бизнес-моделях банки рискуют потерять в целом около 170 млрд долларов — примерно 9 % мировых доходов сектора. Тот же агент, который сегодня сравнивает товары (см. мою предыдущую колонку), завтра будет сравнивать ставки по депозитам и кредитам, переводить остатки на счет с лучшей доходностью и выбирать платежного провайдера за доли секунды. Лояльность, на которой банки веками зарабатывали маржу, сводится к API-запросу.
Регуляторная политика: ответственное внедрение
В Евросоюзе AI Act относит ИИ для кредитного скоринга к системам высокого риска (Annex III). Первоначальный срок обязательств — 2 августа 2026 года, но по политическому соглашению в рамках Digital Omnibus (май 2026) он переносится на 2 декабря 2027 года; формальное принятие поправок не завершено, поэтому до публикации действует предыдущая дата. Штрафы за системы высокого риска — до 15 млн евро или 3% оборота — например, такой штраф может быть наложен за неправильно откалиброванную обучающую выборку модели, что приводит к дискриминационным решениям, или за невозможность объяснить клиенту логику принятого банком решения.
Важная деталь: использование ИИ в антифроде выведено из категории высокого риска и регулируется иначе, чем скоринг. Параллельно действуют DORA и право клиента на объяснение автоматизированного решения в соответствии с GDPR. Для украинского банка это вектор евроинтеграции и ориентир для требований НБУ: кто выстроит объясняемость, документацию и человеческий контроль "по дизайну" сейчас, тот не переплатит "комплаенс-долгом" потом. В нашем банке мы постоянно ориентируемся на европейское регулирование, чтобы при внедрении новых систем быть максимально готовыми к адаптации отечественного законодательства к европейским практикам.
Что банкам делать уже сейчас — от общего к конкретному
Выбрать 2–3 сквозных процесса, а не 30 пилотных: один доведенный до продакшна процесс — подготовка кредитных меморандумов, работа контакт-центра — ценнее десятка витринных демо. Оценивать ценность по EBIT и бизнес-метрикам: фиксировать показатели "до" и измерять "после"; то, что нельзя измерить — это не инициатива, а презентация. Наладить управление с первого дня: инвентаризация ИИ-систем, человек в контуре для регулируемых решений, документация в соответствии с AI Act, DORA и НБУ. Начинать с бэк- и мидл-офиса: отчетность, мониторинг регуляторных требований, AML и комплаенс, поддержка, анализ документов; фронт-офис — следующий шаг.
Наш банк "Кредит Днепр" — пока, естественно, отстает от приведенных в статье мировых лидеров финансового сектора в применении генеративного ИИ. Однако мы пошли именно тем же правильным путем, опираясь на их опыт — у нас уже работают модели, которые помогают анализировать входящие судебные и исполнительные документы, облегчая жизнь бэк- и мидл-офису.
Мы рассматриваем применение ИИ как инструмента распространения знаний внутри команд — то, что в будущем может эволюционно стать прототипом системы, аналогичной LLM Suit JP Morgan Chase. Мы создали кросс-функциональную молодую команду ИИ-евангелистов — ключевая задача которой как раз и заключается в определении тех бизнес-процессов, которые с наибольшим ROI (и/или другими бизнес-метриками) можно реинжинирировать и возложить на движок генеративного ИИ.
Вместо заключения
Первая волна ИИ изменила то, как мы ищем; вторая — как покупаем; третья — как платим и кому доверяем деньги. За всеми тремя стоит один двигатель — генеративный ИИ. Поэтому вопрос для банков, как и для большинства компаний в других высокотехнологичных секторах, не в том, "внедрять ли": это уже происходит. Вопрос — окажется ли компания среди тех 5%, кто действительно заработал. Для этого нужно меньше пилотных проектов, больше переписанных процессов и дисциплина в измерении результата. Технология перестала быть преимуществом — преимуществом стало умение ее внедрять.
Колонка отражает личную позицию автора и не является инвестиционной или юридической рекомендацией.