ИИ и аналитика данных в сфере финансовых услуг

Как ИИ и анализ данных повышают эффективность финансовых услуг Как ИИ и анализ данных повышают эффективность финансовых услуг

Бизнес

Теги

#ИИ

#Инженерия

#Анализ данных

#Финансовые услуги

Финансовые институты потратили десятилетия на создание сложных моделей, систем управления рисками, платформ для работы с клиентами и инфраструктур данных. Теперь у них есть доступ к гораздо более широкому спектру возможностей ИИ — от традиционного машинного обучения и аналитики в реальном времени до генеративных и агентных систем.

Внедрение больше не является главным вопросом. Cambridge’s 2026 global study выяснила, что 81% опрошенных финансовых компаний внедряли ИИ на том или ином уровне, однако лишь 14% сочли его трансформирующим для своей стратегии и конкурентного преимущества. Более половины также столкнулись с трудностями при оценке ценности внедрения ИИ.

Этот разрыв носит не просто технический характер. Он отражает сложность увязки моделей, данных, решений, средств контроля и операционных процессов вокруг измеримого результата.

ИИ и анализ данных могут усилить обнаружение мошенничества, кредитование, работу с претензиями, регуляторную отчетность, удержание клиентов и инвестиционные операции. Но надежная ценность появляется только тогда, когда организация может ответить на шесть вопросов:

• Какой финансовый, рисковый, операционный или клиентский результат мы улучшаем?
• Какие данные необходимы и можно ли им доверять?
• Как будет тестироваться модель или аналитическая система?
• Куда ее результаты будут поступать в рамках рабочего процесса?
• Кто сохраняет полномочия и ответственность?
• Как будут мониториться производительность, риски и ценность после развертывания?

В этом и заключается разница между вариантом использования ИИ и операционной возможностью с поддержкой ИИ.

Разрыв в зрелости данных в финансовых услугах

Банки, страховые компании, управляющие активами и финтех-компании по своей сути богаты данными. Их информация охватывает транзакции, счета, полисы, претензии, рынки, взаимодействие с клиентами, системы рисков, документы и сторонних поставщиков.

Тем не менее ценные данные часто рассредоточены по устаревшим базовым системам, приобретенным платформам, отделам хранилищ, облачным средам, электронным таблицам и сторонним сервисам. Определения могут различаться в отделах финансов, рисков, комплаенса, операций и разработки продуктов. Клиент может фигурировать под несколькими идентификаторами. Исторические данные могут отражать устаревшие продукты или полисы. Происхождение данных может быть неполным именно там, где объяснимость и возможность аудита имеют наибольшее значение.

Банк Англии и Управление по финансовому регулированию и надзору Великобритании (FCA) установили, что 75% опрошенных британских финансовых компаний уже использовали ИИ в 2024 году. Пятьдесят пять процентов зарегистрированных вариантов использования включали некоторую степень автоматизированного принятия решений, но только 2% были охарактеризованы как полностью автономные. Конфиденциальность данных, качество, безопасность, зависимость от третьих лиц и сложность моделей были среди главных проблем.

Это важное различие. Финансовые услуги не переходят напрямую от ручной работы к автономным институтам. Большинство организаций внедряют ИИ выборочно вокруг существующих решений и средств контроля. Их задача — сделать эти системы достаточно точными, объяснимыми, устойчивыми и полезными, чтобы заслужить место в промышленной эксплуатации.

Путь от финансовых данных к ценности зависит от объединения доверенной информации, ИИ и аналитики с контролируемыми рабочими процессами и четко измеряемыми результатами.

Превращение финансовых данных в измеримую ценность требует связанного пути от регулируемой информации к контролируемому решению и четко определенному результату.

Как мы объясняем в материале о том, как ИИ и анализ данных повышают бизнес-результаты, влияние на бизнес зависит от объединения доверенных данных и аналитики с рабочим процессом, где происходят действия.

Ваш партнер по ИИ

Создайте фундамент данных для финансового ИИ.

Exadel объединяет финансовые данные и управляет ими, чтобы ИИ мог поддерживать своевременные, отслеживаемые решения по всему предприятию.

7 высокоэффективных приложений ИИ и аналитики в финансовых услугах

1. Обнаружение мошенничества и распознавание образов в сфере противодействия отмыванию денег (AML)

Команды по борьбе с мошенничеством и финансовыми преступлениями должны находить относительно небольшое количество значимых рисков среди огромных объемов легитимной активности. Правила по-прежнему важны, но они могут генерировать длинные очереди оповещений и с трудом выявлять новые паттерны.

Машинное обучение может оценивать поведение транзакций, сигналы устройств, контрагентов, географию, связи по счетам и предыдущие расследования. Сетевая аналитика может выявить связи между субъектами, в то время как языковые модели могут помочь в проверке документов, сопоставлении имен и исследованиях следователей.

В исследовании сравнивались несколько крупных языковых моделей с методами нечеткого сопоставления при проверке санкций. В рамках реалистичных пороговых значений протестированные большие языковые модели (LLM) сократили количество ложноположительных результатов на 92% и увеличили показатели обнаружения на 11% по сравнению с сильнейшей базовой линией нечеткого сопоставления. Модели также работали значительно медленнее, что иллюстрирует, почему при принятии производственных решений необходимо учитывать задержку, стоимость, объяснимость и пропускную способность рабочего процесса наряду с точностью.

Поэтому успех следует измерять по убыткам от мошенничества, охвату обнаружения, частоте ложноположительных результатов, времени рассмотрения оповещений, пропускной способности следователей и качеству эскалаций, а не просто по количеству генерируемых оповещений. Люди-расследователи должны иметь возможность изучать доказательства и оспаривать систему.

2. Скоринг кредитных рисков и андеррайтинг кредитов

ИИ может объединять традиционную кредитную информацию с активностью по счетам, моделями денежных потоков, документами и другими разрешенными данными для поддержки проверки на предмет возможности погашения, оценки риска дефолта, проверки документов и приоритизации андеррайтинга.

Возможность заключается в более быстром и последовательном анализе. Риск заключается в том, что модель может воспроизводить историческую предвзятость, полагаться на нестабильные прокси-данные или выдавать рекомендацию, которую клиенты и сотрудники не могут осмысленно понять.

Анализ ЕЦБ показал, что банки, сообщающие о более активном внедрении ИИ для кредитного скоринга, также продемонстрировали большую дисперсию в ценообразовании новых кредитов, что согласуется с использованием более детальной информации при оценке рисков. Это не доказывает, что каждое решение стало более точным, справедливым или выгодным для клиентов. Это делает тестирование подгрупп, документацию, объяснимость и непрерывный анализ результатов еще более важными.

К числу релевантных показателей относятся время принятия решений, показатели ручной проверки, показатели дефолтов, стабильность цен, отмены решений, жалобы и эффективность в значимых группах клиентов. Учреждение также должно определить, когда модель должна информировать о принятии решения, а когда в процесс должен вмешиваться человек.

3. Алгоритмическая торговля и оптимизация портфеля

ИИ и аналитика могут поддерживать исследования рынка, генерацию сигналов, формирование портфеля, сценарный анализ, исполнение, мониторинг и управление рисками. Они могут обрабатывать структурированные рыночные данные наряду с новостями, документами и другими разрешенными источниками с такой скоростью, с которой не справится ни одна команда людей.

Но более быстрый анализ не означает предсказуемой доходности. Финансовые взаимоотношения меняются, модели могут сходиться к схожим стратегиям, а казалось бы стабильные паттерны могут исчезнуть в условиях стресса. Более автономные системы также могут вести себя так, что это трудно предсказать на быстро меняющихся рынках.

Таким образом, ИИ должен функционировать в рамках установленных полномочий, лимитов риска, стандартов тестирования, предторгового контроля, мониторинга и процедур экстренного вмешательства. В ESMA’s 2026 supervisory briefing подчеркивается, что управление, тестирование, аутсорсинг и предторговый контроль являются ключевыми аспектами алгоритмической торговли в соответствии с MiFID II.

Полезные показатели включают качество исполнения, доходность с поправкой на риск, просадки, оборачиваемость, проскальзывание, нарушение лимитов и поведение в стрессовых условиях. Наиболее эффективным краткосрочным применением часто является улучшение работы по исследованию, программированию, надзору и поддержке принятия решений для ответственных инвестиционных специалистов, а не полная передача им полномочий по совершению сделок.

4. Автоматизация соблюдения нормативных требований и отчетности

Финансовые учреждения тратят много времени на сбор доказательств, сверку данных, пересмотр политик, расследование исключений и подготовку регуляторной отчетности.

ИИ и аналитика могут классифицировать документы, отслеживать информацию в различных системах, выявлять аномалии, обобщать изменения в законодательстве, проверять средства контроля и приоритизировать дела для рассмотрения. Генеративный ИИ может помочь в подготовке черновиков или разъяснении проблем с данными при условии, что каждый результат остается связанным с утвержденными источниками и подлежит ответственному контролю.

Основой являются управляемые данные с четкой историей происхождения. Цифра в регуляторном отчете должна быть прослеживаемой через все преобразования до своего источника. Рекомендация по соблюдению требований должна содержать указание на доказательства, на которых она основывается.

Полезные показатели включают время цикла отчетности, усилия по сверке, исключения по качеству данных, охват тестирования контроля, повторяющиеся выводы и время, затраченное на сбор аудиторских доказательств. Автоматизация не должна снимать ответственность: регулируемое учреждение остается ответственным за отчет, решение или подачу документов. В BIS identifies data quality, accountability, governance, privacy, security, and supervisory access рассматриваются повторяющиеся проблемы на протяжении всего жизненного цикла финансового ИИ.

5. Пожизненная ценность клиента и прогнозирование оттока

Банки и страховые компании могут использовать данные о транзакциях, продуктовых портфелях, взаимодействии с сервисами, жалобах, цифровом поведении и жизненных событиях для оценки риска оттока, ценности клиента или вероятной потребности в продукте.

В Deloitte’s 2025 EMEA model-risk research установлено, что 53% опрошенных банков и 37% страховых компаний используют ИИ в моделях клиентского опыта. В анализе утверждается, что будущих лидеров будет отличать не только внедрение технологий, но и редизайн процессов, управление и управление изменениями.

Результаты могут помочь команде решить, с кем связаться, какую проблему обслуживания решить в первую очередь или где клиент может получить выгоду от более подходящего продукта. Это полезнее, чем рассматривать персонализацию как увеличение объема автоматизированных предложений.

Соответствующие показатели включают удержание, разрешение жалоб, уровень отклика, стоимость обслуживания, соответствие продукта и долгосрочную ценность клиента. Учреждениям также следует проверять, не создают ли рекомендации несправедливого исключения, неуместного давления или непоследовательного отношения.

6. Обработка претензий и андеррайтинг в страховании

Рабочие процессы страхования содержат большие объемы структурированной и неструктурированной информации: заявки, записи о полисах, заметки оценщиков, медицинские или ремонтные документы, фотографии, счета-фактуры и сторонние отчеты.

Компьютерное зрение и языковые модели могут извлекать информацию, выявлять недостающие документы, сортировать претензии, оценивать сложность и выявлять возможности для мошенничества или суброгации. Прогностические модели могут помочь приоритизировать проверку андеррайтинга или поддержать выбор рисков.

В одном анонимном проекте Exadel разработала возможность идентификации суброгации с поддержкой ИИ, которая анализировала документы по претензиям и доказательства в виде изображений, приоритизировала потенциальные возможности возмещения и сохраняла за человеком право принятия окончательных решений. В отчете об этом случае сообщалось об улучшении эффективности процесса суброгации примерно на 10%.

Полезные показатели включают время цикла обработки претензии, стоимость возмещения, количество ручных операций, утечки, клиентский опыт и эффективность андеррайтинга. Решения с высоким уровнем воздействия по-прежнему требуют четких правил проверки, эскалации и отмены.

7. Персонализация в реальном времени и следующее лучшее действие

Аналитика в реальном времени может объединять текущий контекст с данными об учетной записи, транзакциях, каналах и услугах, чтобы рекомендовать следующее наиболее полезное действие. Это может быть подтверждение мошенничества, предупреждение о комиссии, предложение по сбережениям, вмешательство в обслуживание или разговор о соответствующем продукте.

Рекомендации должны отражать потребности клиента, согласие, уместность и обязательства учреждения по ведению деятельности.

Организациям необходимы потоковая передача данных, событийно-ориентированная архитектура, общие определения клиентов и единообразное обслуживание при взаимодействии через мобильные устройства, веб-сайты, контакт-центры и отделения. В Банке Англии и FCA было установлено, что операционная деятельность, розничный банкинг, поддержка клиентов, борьба с мошенничеством и соблюдение нормативных требований входят в число областей, в которых финансовые учреждения уже используют или планируют использовать ИИ.

Показатели могут включать время отклика, принятие, завершение цифровых операций, разрешение проблем, удержание и удовлетворенность клиентов. Краткосрочная конверсия не должна быть единственным показателем, когда на кону долгосрочное соответствие и доверие.

Перевод финансового ИИ в промышленную эксплуатацию.

Exadel проектирует ИИ вокруг рабочих процессов, средств контроля и мониторинга, необходимых финансовым учреждениям для надежного развертывания.

Регуляторные соображения: управление ИИ в финансовых услугах

ИИ в сфере финансовых услуг работает в рамках пересекающихся требований к моделям, рынкам, конфиденциальности, устойчивости и подотчетности. Применимая база зависит от учреждения, юрисдикции, предполагаемого использования, уровня автоматизации, влияния на клиентов и участия третьих сторон.

Уровень валидации, объяснимости, проверки и управления должен, как правило, повышаться по мере того, как ИИ приближается к принятию решений, имеющих большое значение для клиентов, кредитования, претензий, инвестиций или соблюдения нормативных требований.

Полезный способ осмысления управления финансовым ИИ — это континуум рисков: чем ближе ИИ к принятию важных решений, тем сильнее должны быть средства контроля, валидация и человеческий надзор.

Управление модельными рисками в США: SR 26-2

В апреле 2026 года Federal Reserve, OCC, and FDIC replaced SR 11-7 with revised interagency guidance. Федеральная резервная система в документе SR 26-2 подчеркнула риск-ориентированный подход, связанный с целью модели, подверженностью риску и существенностью.

Он охватывает разработку, тестирование, валидацию, анализ результатов, мониторинг, инвентаризацию, документацию, эффективное оспаривание, управление и сторонний надзор.

Руководство официально применяется к традиционным статистическим и количественным моделям, а также к негенеративному и неагентному ИИ. Генеративный и агентный ИИ исключены из сферы его действия, поскольку они являются новыми и быстро развивающимися, хотя агентства заявляют, что более широкие практики управления рисками и руководства должны лежать в основе применяемых к ним средств контроля.

Закон ЕС об ИИ

Согласно Закону ЕС об ИИ, системы, используемые для оценки кредитоспособности физических лиц или установления кредитных рейтингов, включены в список потенциально высокорискованных приложений, при этом системы обнаружения мошенничества рассматриваются отдельно. Также включен ИИ, используемый для индивидуальной оценки рисков и ценообразования в страховании жизни и здоровья.

Классификация по-прежнему зависит от предполагаемой цели и принципа работы. Некоторые узкоспециализированные, процедурные, подготовительные или проверяемые человеком приложения могут подпадать под исключения, в то время как системы, осуществляющие профилирование физических лиц, остаются высокорискованными.

Вслед за AI Omnibus 2026 года, основные правила для высокорискованных систем согласно Приложению III должны вступить в силу со 2 декабря 2027 года. Требования к ИИ, встроенному в регулируемые продукты, запланированы на 2 августа 2028 года.

MiFID II, GDPR и DORA

Для инвестиционного консультирования, управления портфелем и алгоритмической торговли сохраняют актуальность существующие обязательства MiFID II. ESMA’s 2026 supervisory briefing делает акцент на управлении, тестировании, аутсорсинге и предторговом контроле для алгоритмической торговли.

ИИ, взаимодействующий с клиентами, также может подпадать под требования GDPR, касающиеся профилирования, прозрачности и принятия исключительно автоматизированных решений, которые влекут за собой юридические или аналогичные значимые последствия. Решение Суда Европейского союза по делу SCHUFA подтвердило, что кредитный рейтинг сам по себе может подпадать под действие статьи 22, если кредитор в значительной степени полагается на него при принятии решения о предоставлении кредита.

DORA применяется с 17 января 2025 года. Он имеет отношение к операционной устойчивости и технологическим зависимостям от сторонних поставщиков в сфере финансовых услуг с использованием ИИ.

Это не является юридической или комплаенс-консультацией. Организациям следует оценивать отдельные системы совместно со своими командами по управлению модельными рисками, юридическим отделом, комплаенс-службой, отделом защиты данных, безопасности и операционной устойчивости.

Создание инфраструктуры данных, готовой к ИИ, для финансовых услуг

Эффективность ИИ зависит от данных и операционной среды, в которой он функционирует.

Банк международных расчетов отмечает, что данные лежат в основе всех процессов: от онбординга и оценки кредитоспособности до андеррайтинга, выявления мошенничества, мониторинга ПОД/ФТ и управления рисками. В обзоре за 2026 год подчеркиваются ожидания относительно качества, репрезентативности, конфиденциальности, безопасности, подотчетности и управления на протяжении всего жизненного цикла ИИ.

Для создания среды финансовых данных, готовой к ИИ, может потребоваться:

• Управляемые данные о клиентах, счетах, полисах, претензиях и транзакциях
• Потоковая передача событий в реальном времени и API
• Согласованные идентификаторы, справочные данные и бизнес-определения
• Метаданные и сквозная прослеживаемость
• Контроль качества и наблюдаемость
• Средства контроля прав доступа, конфиденциальности и безопасности
• Контролируемый доступ к сторонним и альтернативным данным
• Инвентаризация моделей, конвейеры оценки и мониторинг
• Интеграция с устаревшими основными системами и платформами управления рисками
• Устойчивые процессы развертывания и восстановления

Именно здесь услуги по проектированию данных и аналитике становятся частью бизнес-результата. Модель не может принимать надежные решения, если входные данные задерживаются, имеют противоречивые определения или их невозможно отследить. Текущее предложение Exadel сосредоточено на подключении, стандартизации, управлении и операционализации данных для ИИ и аналитики.

Операционные возможности вокруг этой инфраструктуры важны не меньше, чем сама архитектура. Команды по работе с данными, модельными рисками, инженерии, безопасности, комплаенсу и бизнес-подразделения должны обладать знаниями и ответственностью для оценки изменений, расследования инцидентов и управления системами ИИ после их ввода в эксплуатацию.

В Exadel мы сочетаем опыт работы в сфере финансовых услуг с инженерией данных, разработкой ИИ, безопасной модернизацией и внедрением в производство с помощью модели, которая объединяет консалтинг, инженерные услуги и развитие компетенций клиента.

Мы помогаем организациям расставлять приоритеты в вариантах использования, создавать управляемые конвейеры данных и моделей, интегрировать ИИ в реальные рабочие процессы, а также настраивать тестирование, надзор и мониторинг, необходимые после запуска. Мы также работаем бок о бок с внутренними технологическими, риск-ориентированными, аналитическими и бизнес-командами, чтобы практики, необходимые для эксплуатации и управления этими возможностями, не оставались исключительно на стороне внешнего партнера.

Эта возможность реализации поддерживается партнерствами Exadel с Cursor, Anthropic и OpenAI, а также сертифицированными специалистами внутри нашей организации. Для клиентов из сферы финансовых услуг ценность заключается в привнесении актуальных знаний о передовых технологиях ИИ и методах внедрения в оценку моделей и платформ, архитектуру, инженерию, управление и развитие компетенций, а не просто в самих партнерствах.

Выбор технологий по-прежнему должен соответствовать требованиям конкретного варианта использования, включая возможности модели, интерпретируемость, безопасность, местоположение данных, задержку, стоимость, регуляторные обязательства, сторонние риски, интеграцию и существующую архитектуру организации.

Для ведущей страховой компании США в сфере ветеринарии Exadel перенесла органически развитую среду машинного обучения на производственную основу MLOps. Автоматизированное обучение, валидация, версионирование, развертывание и теневое тестирование сократили время отклика прогнозов на 25%, снизили уровень ошибок отклика на 2% и сократили время развертывания модели до нескольких часов.

В другом проекте для глобального поставщика финансовых услуг Exadel использовала генеративный ИИ с проверкой старшими инженерами баз данных для миграции более 1200 артефактов баз данных. Этот подход позволил примерно удвоить пропускную способность, ускорить отдельные преобразования в два-три раза и сократить общий срок проекта примерно на 28%.

Эти результаты были достигнуты благодаря сочетанию автоматизации с инженерным суждением, контролируемой валидацией и интеграцией в производство, а не за счет предоставления модели возможности работать без подотчетности.

Это отражает более широкий принцип нашей модели реализации: люди, консультирующие по вопросам применения ИИ, остаются в тесной связи с инженерами, ответственными за его безопасную работу в производственной среде клиента.

Изучите возможности Exadel в сфере финансовых услуг, чтобы увидеть, как мы связываем стратегию ИИ, производственную инженерию, управление и развитие компетенций клиентов вокруг безопасной и масштабируемой реализации.

Превратите ИИ в сфере финансовых услуг в управляемую операционную возможность

Возможности в сфере финансовых услуг значительны, но само по себе внедрение не является конечным результатом.

Организации, создающие долгосрочную ценность, будут связывать надежные данные, протестированные модели, устойчивую инженерию, подотчетные рабочие процессы и соразмерное управление вокруг четко измеримых результатов.

Exadel помогает банкам, страховщикам, управляющим активами и финтех-компаниям перейти от перспективных вариантов использования ИИ к надежным производственным возможностям.

Часто задаваемые вопросы

Каковы самые большие барьеры для внедрения ИИ в финансовых услугах?

Крупнейшими барьерами являются фрагментированные данные, интеграция с устаревшими системами, неясная ответственность за модели, регуляторные и конфиденциальные требования, слабые показатели эффективности, зависимость от третьих сторон и трудности с переводом успешных пилотных проектов в промышленную эксплуатацию. Организациям также может не хватать возможностей оценки и мониторинга, необходимых для генеративных или агентных систем.

Сильная программа начинается с определения результата, оценки готовности данных и операционной среды, а также установления подотчетности перед развертыванием. Исследование Кембриджа 2026 года определяет доступность и качество данных, таланты, устаревшую архитектуру, конфиденциальность, ненадежные результаты, устойчивость и человеческий надзор как одни из постоянных ограничений и рисков в секторе. (Кембриджская бизнес-школа Judge)

Как финансовым организациям следует измерять рентабельность инвестиций в ИИ?

Начните с изменяемого процесса. Установите текущую долю потерь, время цикла, объем ручного труда, коэффициент конверсии, уровень рисков, частоту ошибок или показатели взаимодействия с клиентами до внедрения.

Затем измеряйте прямые результаты наряду с показателями внедрения, качества, надежности и контроля. Учитывайте полную стоимость подготовки данных, интеграции, инфраструктуры, валидации, проверки человеком, соблюдения нормативных требований, мониторинга и поддержки.

Точность модели важна, но она не тождественна финансовой ценности.

Может ли ИИ принимать финансовые решения без участия человека?

Некоторые задачи с более низким уровнем риска можно в значительной степени автоматизировать, но надлежащий уровень проверки человеком зависит от характера решения, его значимости, юрисдикции, влияния на клиентов и архитектуры модели.

Решения в сфере кредитования, рассмотрения претензий, инвестиций, борьбы с мошенничеством и соблюдения нормативных требований могут потребовать существенного надзора, прав на проверку или эскалацию. Организации должны определить, информирует ли ИИ, дает ли рекомендации или выполняет действия; кто может отменить его решение; а также то, как решения документируются и оспариваются.

Автор: Девендра Шарма (Devendra Sharma), директор по данным и аналитике (Chief Data & Analytics Officer)

Сентябрь, 2026

Ваш партнер по ИИ

Превратите финансовый ИИ в управляемую ценность.

Exadel объединяет экспертизу в сфере финансовых услуг, инженерные решения, управление и возможности поддержки для перехода ИИ от отдельного сценария использования к промышленной эксплуатации.

Центр ресурсов

Как ИИ и аналитика данных повышают эффективность медиаиндустрии

25 сентября 2026

Как ИИ и аналитика данных создают ценность для инвестиционных компаний (Private Equity)

23 сентября 2026

Как ИИ и аналитика данных повышают эффективность финансовых услуг

22 сентября 2026

Как ИИ и аналитика данных улучшают бизнес-результаты: руководство для руководителя

21 сентября 2026

Как ИИ и аналитика данных улучшают показатели в здравоохранении: руководство для руководителей систем здравоохранения

18 сентября 2026

Агентный жизненный цикл разработки ПО (SDLC) против традиционного SDLC: полное сравнение для корпоративного сектора

15 сентября 2026

Сделаем ваш следующий проект быстрее, безопаснее и умнее.

Связаться с нами