Кто такая Светлана Царицина. Эксперт по Enterprise AI, цифровой инфраструктуре и стандартам данных, руководитель направления по внедрению ИИ в Центре внедрения инструментов цифровизации. Работает с AI-based решениями, RAG-сервисами, качеством данных и production-внедрением цифровых технологий в сложных регулируемых средах. Имеет многолетний опыт разработки и внедрения национальных стандартов на базе ISO 20022, миграции от SWIFT MT к MX, а также развития проектов цифровой финансовой инфраструктуры, включая Систему передачи финансовых сообщений, Систему быстрых платежей, Open Banking и E-Invoicing.

Иллюзия «умной модели»

В 2023–2024 годах на рынке доминировало заблуждение: достаточно подключить большую языковую модель — и она «сама разберётся» с любыми проблемами качества данных. Руководители проектов полагали, что можно загрузить в модель терабайты неразмеченных логов, разрозненные выгрузки из CRM и массивы нормативных документов — а на выходе получить требуемый корректный аналитический отчет или точную клиентскую рекомендацию. На практике к 2025 году стало очевидно, что базовая нейросеть — лишь вычислительный инструмент, работающий по вероятностным принципам. Если на вход подаются некорректные, противоречивые или неактуальные данные, модель с высокой точностью генерирует ложные выводы.

Финансовый сектор не имеет права на ошибку в расчёте кредитного риска или комплаенс-контроля, поэтому фокус сместился с выбора самой «передовой» модели на создание среды AI-ready data — очищенной, структурированной и стандартизированной информационной инфраструктуры.

Инсайт здесь предельно прагматичен: если на вход подаются неструктурированные и некачественные данные, нейросеть с высокой точностью генерирует ложные выводы. Успех применения внутренних корпоративных ИИ-помощников на 90% зависит от рутинной очистки документов, жёсткой каталогизации и контроля происхождения данных, а не от тонкой математической настройки самой модели.

Неудивительно, что согласно исследованию Rexsoft от сентября 2025 года более 70% крупных компаний, которые уже используют генеративный ИИ хотя бы в одном бизнес-процессе, столкнулись со значительными сложностями, и реальную операционную окупаемость получили только те, кто предварительно инвестировал в стандартизацию инфраструктуры данных.

Что значит быть AI-ready в финтехе

Термин «AI-ready финтех» сегодня часто звучит в презентациях и на конференциях, но на практике готовность организации к внедрению генеративного ИИ оказывается куда более приземлённой, чем громкие заявления.

Во-первых, нужна доказанная целесообразность использования ИИ в конкретных бизнес-процессах — не только в формате прототипов, но и в виде проверенной экспериментами эффективности. Во-вторых, требуется готовность ИТ-инфраструктуры: архитектура, способная выдерживать интеграцию ИИ-сервисов без разрушения базовых систем. В-третьих, критически важны качественные данные, очищенные и согласованные между структурными подразделениями организации.

К этому добавляется обеспечение стриминга данных в реальном времени, чтобы для ИИ-решения был доступен контекст последних транзакций клиента, совершённых секунду назад, а не вчерашний срез. Наконец, безопасность и управление доступом должны быть выстроены так, чтобы строгие стандарты обезличивания персональных данных выполнялись ещё до попадания информации в контекстное окно модели.

Монолитные ИТ-решения против ИИ и цена технического долга

Первые масштабные попытки внедрения генеративного ИИ до 2026 года очень быстро встречали на своем пути непреодолимое препятствие в виде многолетнего технического долга банков. Исторически финансовые институты строили монолитные системы, предназначенные для пакетной обработки и работающие изолированно.

Для точной аналитики или персонализированного финансового помощника нейросети нужен доступ в реальном времени к данным из разных структурных подразделений. На практике же кредитная история, транзакции и обращения в поддержку часто хранятся в отдельных базах данных с разными форматами. В такой конфигурации инструменты ИИ просто не могут генерировать полную достоверную картину, а интеграция информационных систем превращается в проект с огромными затратами.

Основными барьерами стали разрозненность хранилищ и изолированность данных внутри департаментов, а также полное отсутствие единой семантики.

В реальных проектах внедрения приходилось сталкиваться, например, с различием в определении одних и тех же финансовых показателей в финансовом и операционном блоках: ИИ-модели не могли корректно сопоставить данные и выдавали ошибочные расчёты. Когда модель пыталась агрегировать такие данные, она смешивала несовместимые показатели, и вместо автоматизации бизнес получал рост операционных рисков.

Второй фактор — скрытые инфраструктурные затраты. Обработка огромных объёмов неструктурированного текста или некачественных данных с дубликатами, пропусками и разными форматами в разы увеличивает объём обрабатываемого текстового массива и нагрузку на графические процессоры. Финансовые институты вынуждены платить за обработку токенов или содержание дорогого серверного оборудования просто потому, что модели просеивают терабайты информационного мусора.

Почему лидеры рынка достигли таргета раньше остальных

На этом фоне успех лидеров рынка выглядит не случайностью, а следствием многолетней стратегической подготовки. Крупные финансовые институты начали работать с данными задолго до бума генеративного ИИ: создавали централизованные озера данных, внедряли строгие регламенты управления данными и выстраивали MLOps-пайплайны в течение последних пяти–семи лет.

Когда коммерческие большие языковые модели стали доступны, их просто встроили в уже существующую, высокотехнологичную и подготовленную инфраструктуру качественных и стандартизированных данных.

Поэтому лидеры смогли показать впечатляющие цифры: один из крупнейших российских банков отчитался о 30 млрд рублей чистого финансового эффекта от внедрения мультимодальной нейросети только за полугодие, другие начали масштабировать ИИ во фронт-офисе.

Успех крупных российских финансовых институтов в применении ИИ-ассистентов для малого бизнеса — анализ отчётности, подготовка налоговых документов — или ИИ-инструментов для разработчиков обусловлен тем, что их внутренние базы знаний идеально каталогизированы. Если архитектура данных позволяет обращаться к информации в реальном времени с минимальной задержкой (низкой латентностью), нейросеть работает штатно. Организации, которые попытались перепрыгнуть этап базовой цифровизации и сразу внедрить ИИ поверх разрозненных таблиц Excel и устаревших автоматизированных банковских систем, закономерно оказались в числе аутсайдеров.

Единые стандарты и открытые API как фундамент

Переход к AI-ready финтеху невозможно представить без имплементации единых стандартов. Внедрение открытых API и форматов обмена данными на базе международных финансовых стандартов, таких как ISO 20022, становится не модным трендом, а необходимым условием масштабируемого и безопасного использования ИИ.

Стандартизация — единственный способ сделать интеграцию нейросетей реально масштабируемой. ISO 20022 структурирует финансовые сообщения, обогащая их чёткими метаданными. Для генеративного ИИ это означает, что он перестаёт быть «переводчиком», вынужденным распознавать текстовые примечания к платежу в свободной форме: модель сразу получает структурированный поток финансовой информации.

На такой основе становится возможной автоматизация комплаенса, выявление мошеннических схем и мгновенное формирование персонализированных предложений. Однако, как и прежде, всё упирается в качество данных: если обучение модели проводилось на некачественных массивах, стандарты не спасут от ложных срабатываний.

Характерный пример — антифрод-алгоритмы. Если в выборке для обучения на миллионах транзакций время операции представлено в разных форматах, у модели размываются границы «нормального» поведения. В результате возникает ложное срабатывание алгоритма на законный перевод денежных средств, а счёт блокируется из-за ошибочно выявленных признаков аномального времени из другого часового пояса.

Стандартизация открытых API в России обеспечивается регулированием Банка России. Там, где стандартизированы межбанковское взаимодействие и внутренние сервисы, затраты на подключение новых ИИ-агентов снижаются в разы: модели могут бесшовно взаимодействовать с внешними и внутренними микросервисами без написания сложных промежуточных интеграционных слоёв.

Как не отстать, пока приводишь хаос в порядок

Проекты внедрения единых стандартов и перестройки инфраструктуры данных — это годы работы. Но финансовые институты не могут просто «остановиться» и ждать завершения этих инициатив: рынок и технологии движутся гораздо быстрее.

Решение лежит в архитектуре интеграции. Не обязательно переписывать всё ядро ИТ-системы. В таких случаях применяют подход ИИ-оверлеев — отдельного семантического и интеграционного слоя, который работает поверх устаревшей архитектуры. Этот слой забирает разрозненные данные, приводит их к единому стандарту «на лету» и уже в таком виде подаёт в модель, не нарушая работу платёжного или учётного ядра.

Прозрачность, комплаенс и объяснимый ИИ

В критичных сферах — скоринг, комплаенс, KYC, AML — любая нейросеть должна быть прозрачной и объяснимой. Регуляторы требуют аудита решений, и без стандартизированных данных сделать такой аудит практически невозможно.

Когда данные стандартизированы и существуют безупречное управление и прослеживаемость происхождения данных, организация способна объяснить аудитору, почему ИИ принял то или иное решение. Без единых стандартов и чётко выстроенного контроля происхождения данных это превращается в попытку восстановить логику «чёрного ящика».

Почему собственных данных всё равно недостаточно

Ещё одно распространённое заблуждение — иллюзия, что достаточно обучить модель на внутренних данных, чтобы автоматически стать AI-ready организацией. На практике это лишь часть пути.

Финансовому институту приходится менять саму операционную модель. Следует придерживаться такого соотношения в распределении ролей и ответственности, при котором большая часть рутинной работы выполняется с использованием ИИ, а экспертная валидация и контроль решения остаются полностью за человеком. Это требует кросс-функционального взаимодействия специалистов по рискам, комплаенсу, дата-инженеров, архитекторов и разработчиков моделей.

RAG как стандарт и его реальные проблемы

Сегодня доминирующим архитектурным паттерном применения генеративного ИИ в корпоративных системах стала технология RAG (генерация, дополненная поиском). Схема работы на первый взгляд проста: пользователь задаёт вопрос, поисковый движок ищет релевантные фрагменты текста в корпоративной базе знаний, превращает их в векторы и отдаёт модели для формирования ответа.

Однако RAG-архитектура на практике вскрыла проблему версионности и актуальности данных. Типичная ситуация: в базе лежат две версии одного и того же регламентирующего документа — за 2025 и 2026 годы. Векторный поиск может извлечь фрагменты из всех трёх документов, и модель выдаст сотруднику или клиенту недостоверный ответ с устаревшими условиями или отменёнными ограничениями.

Опыт показывает, что 90% успеха RAG — это не настройка гиперпараметров нейросети, а жёсткий аудит контента: автоматическое удаление дублей, разметка документов метатегами, ограничение прав доступа на уровне векторных баз и внедрение механизмов контроля происхождения информации. Ключевыми становятся подходы к формированию «золотого датасета» и генерации синтетических данных, а также требования к качеству исторической финансовой информации, которая используется в RAG-сервисах.

Где генеративный ИИ уже окупается

После завершения пилотной фазы 2023–2024 годов в финтехе чётко проявились области, где генеративный ИИ приносит подтверждённый эффект. Ранее преобладали простые текстовые сценарии: суммаризация отчётов, базовые чат-боты поддержки и генерация маркетинговых материалов.

В 2026 году я вижу тенденцию к использованию сетей автономных ИИ-агентов, способных выполнять сквозные бизнес-процессы без постоянного участия человека. При этом сформировались три зрелых направления применения с подтверждённой эффективностью.

●  Во-первых, B2B-аналитика и ассистенты для принятия решений: ИИ анализирует управленческую и финансовую отчётность контрагентов, выявляет скрытые тренды и формирует аналитические записки для отраслевых экспертов, сокращая время оценки бизнеса с нескольких дней до часов.

●  Во-вторых, автоматизация разработки, так называемое AI-поддерживаемое программирование: инструменты генерации кода, адаптированные под внутренний стек и стандарты безопасности конкретного банка, автоматизируют генерацию кода, тестирование и документирование, повышая производительность на 30–40%.

●  В-третьих, глубокий персонализированный скоринг текстовых данных: модели анализируют неструктурированную информацию о клиентах — детали платёжных транзакций, отзывы, историю обращений в поддержку — чтобы предиктивно предотвращать отток и формировать точечные индивидуальные предложения.

Дальнейший тренд — переход от изолированных ИИ-ассистентов к мультиагентным системам, способным самостоятельно выполнять цепочки сложных межбанковских и внутренних операций под контролем профессионала.

ИИ и устаревшие системы: стратегическое сосуществование

В погоне за лидерством важно не забывать, что интеграция ИИ с устаревшими ИТ-инфраструктурами открывает не только новые возможности, но и новые риски. Устаревшие системы — с legacy-ПО и инфраструктурой — прочно укоренены в финансовых институтах именно потому, что обеспечивают стабильность и безопасность.

Интеграция нейросетей с такими системами требует стратегического подхода: необходимо использовать преимущества ИИ, одновременно справляясь с ограничениями устаревших технологий. Уже сейчас видно, что сосуществование возможно благодаря API-интеграциям, решениям класса middleware, инкрементальным обновлениям и гибридным архитектурам.

Будущие разработки в области ИИ, такие как пограничные вычисления и квантовые технологии, могут ещё больше усилить интеграцию с устаревшими системами. Они позволят применять новые способы обработки и анализа данных, давая финансовым институтам дополнительные возможности для инноваций.

При этом отрасли придётся постоянно адаптироваться, чтобы успевать за развитием и ИИ, и инфраструктуры: непрерывные инвестиции в технологии и стратегическое планирование становятся критическими для успешного объединения ИИ и «легаси».

Используя API, промежуточное программное обеспечение и постепенные обновления, финансовые институты могут расширить возможности своих устаревших систем за счёт искусственного интеллекта — повышая эффективность, получая более глубокую аналитику и стимулируя инновации, параллельно решая проблемы наследуемых технологий.

Суверенный стек, on-premise и пропорция «80/20»

В ближайшие годы модернизация ИТ-инфраструктуры и подходы к генеративному ИИ в финтехе будут развиваться вокруг нескольких базовых принципов. В первую очередь — формирование суверенного технологического стека, с чем российский финтех справляется весьма успешно. По статистике финансовый сектор в России — один из лидеров по инвестициям в генеративный ИИ.

На этом фоне усиливается тренд на on-premise-подходы. Из-за комплаенс-рисков и требований безопасности логично разворачивать ИИ-решения во внутреннем закрытом контуре, используя локальные или открытые модели. Российский финтех идёт именно по этому пути: применяет закрытые локальные решения вроде GigaChat API или Yandex Cloud и кастомизирует открытые архитектуры под собственные нужды в защищённом контуре.

Качество работы ИИ-ассистента в финансовом институте прямо пропорционально тому, насколько хорошо он натренирован на специфических внутренних регламентах, спецификациях и продуктовой линейке самой организации.

В этой логике я бы рекомендовала придерживаться подтвержденной на практике строгой инфраструктурной пропорции «80/20», где 80% бюджета и инженерных ресурсов направляются на модернизацию ядра данных — построение сквозных пайплайнов, очистку и контроль качества, обеспечение информационной безопасности и изоляцию контуров, а 20% расходуются на приобретение API-ключей коммерческих моделей, настройку и промпт-инжениринг.

Сами большие языковые модели уже превратились в стандартизированный товар: базовые алгоритмы ведущих разработчиков в России и мире сопоставимы по возможностям. Долгосрочное конкурентное преимущество финансового института — не выбор конкретной модели, а эксклюзивный доступ к собственным чистым, правильно структурированным и защищённым данным. Инвестиции в качество данных с высокой вероятностью приведут к кратной окупаемости вложений в сервисы на базе генеративного ИИ.

Будущее ИИ в финансовой сфере связано с гармоничной интеграцией новых и устаревших технологий. По мере развития ИИ финансовые институты всё чаще будут применять стратегии, сочетающие инновационные способности нейросетей с существующими «легаси»-системами, максимально используя прежние инвестиции и одновременно получая преимущества от новых решений.