Спросите главного директора по данным в крупном американском банке, сколько производственных систем ИИ работает в банке, и ответ, вероятно, будет исчисляться сотнями. Это не пилотные проекты, застрявшие в лаборатории. Это работающие системы, которые уже взаимодействуют с документами, транзакциями и клиентской работой.
Случаи использования группируются вокруг нескольких повторяемых категорий:
- Копилоты для работы с документами и исследованиями
- Обнаружение мошенничества и отмывание денег (AML)
- Продуктивность управления активами
- Агентные рабочие процессы, охватывающие как структурированные, так и неструктурированные данные.
Самые простые достижения были получены за счет неструктурированных данных. Более сложная, более ценная работа заключается в раскрытии структурированных транзакционных данных, которые находятся в десятках сегрегированных хранилищ.
У банков с наибольшим количеством работающих случаев использования есть одна общая черта. Они сначала решили проблему доступа к данным. Без этого количество случаев использования останавливается на уровне пилотов, независимо от того, какая модель находится сверху.
Ключевые выводы
- Банки теперь сообщают о сотнях случаев использования ИИ, при этом один крупный банк использует почти 1000, и случаи использования группируются в четыре категории, включая копилоты для работы с документами и исследованиями, обнаружение мошенничества и AML, продуктивность управления активами и агентные рабочие процессы, охватывающие структурированные и неструкурированные данные.
- Самые простые достижения были получены за счет неструкурированных данных, таких как суммирование, транскрибирование и копилоты для исследований, в то время как более сложная, более ценная работа заключается в раскрытии структурированных транзакционных данных, которые находятся в десятках сегрегированных хранилищ данных.
- Результаты уже измеримы. Например, Khan Bank достиг 400-кратного ускорения производительности запросов, глобальный инвестиционный банк сократил убытки от отмывания денег на миллионы долларов, и более 200 000 сотрудников Bank of America теперь ежедневно используют инструменты, основанные на ИИ.
- Банки, которые объединяют структурированные и неструкурированные данные на одной платформе, могут перевести новый случай использования ИИ из пилотного проекта в производство примерно за 90 дней, не меняя полностью инфраструктуру данных.
- Требования к управлению, суверенитету данных и аудиту применяются ко всем системам ИИ с первого дня, поэтому банки, которые внедряют контроль доступа и отслеживаемость данных в платформу данных, могут быстрее утверждать новые случаи использования.
Разговорные копилоты для неструкурированных данных — это самый быстрый выигрыш
Самые простые достижения ИИ в банковской сфере начинаются с неструкурированных данных, включая документы, записи совещаний и отчеты исследований, которые раньше требовали человеческого читателя. Инструменты суммирования сокращают длинные документы и контракты до нескольких секунд. Копилоты транскрибирования превращают клиентские встречи в поисковые заметки. Копилоты исследований помогают аналитикам сканировать отчеты о доходах и документы на предмет важных деталей.
По данным Banking Dive, со ссылкой на отчет о доходах Bank of America за второй квартал 2026 года, более 200 000 сотрудников банка теперь используют инструменты, основанные на ИИ. Сотрудники отправляют более 400 000 запросов в день. Banking Dive также сообщил, что Bank of America одобрил более 300 случаев использования ИИ, включая 114 проектов генеративного ИИ, из которых 34 полностью работают в производстве. Wells Fargo пошел по аналогичному пути с тем, что он называет своим «AI Teammate» — внутренним помощником, созданным для того, чтобы помочь сотрудникам быстрее работать с документами и рутинными задачами.
Обнаружение мошенничества, AML и рисковая аналитика работают в режиме реального времени
Команды по борьбе с мошенничеством и рискам были одними из первых, кто внедрил машинное обучение, и эта область продолжает развиваться. Banking Dive сообщил, что один крупный банк теперь использует почти 1000 работающих случаев использования ИИ в области риска, мошенничества, маркетинга и чтения документов. Это один из крупнейших развернутых проектов в любом американском банке.
Мониторинг AML в режиме реального времени — хороший пример того, почему количество случаев использования продолжает расти. Глобальный инвестиционный банк теперь осуществляет мониторинг транзакций, который ускоряет обнаружение и предотвращение отмывания денег, помогая банку выявлять подозрительную активность до того, как она станет убытком в несколько миллионов долларов. Для более простого понимания того, как это работает, см. этот обзор современных стандартов мониторинга борьбы с отмыванием денег.
Рисковая аналитика также движется в сторону разговорных инструментов. В Santander Corporate & Investment Banking аналитики и операционные desks теперь общаются с многопетабайтными хранилищами данных на естественном языке через интерфейс разговорной аналитики Starburst, AIDA. Инструмент превращает то, что раньше занимало несколько дней, в вопрос, набранный в окне чата.
Продуктивность работы с клиентами и управление активами набирают обороты
Управление активами — это область, где достижения ИИ в продуктивности проявляются наиболее напрямую в отношениях с клиентами. Многие консультанты по управлению активами теперь используют инструмент ИИ, который помогает им быстрее извлекать данные клиентов из записей CRM-системы Salesforce, чем это позволяло ручное поисковое извлечение. Это означает, что консультанты тратят больше времени на клиентов и меньше времени на поиск истории счетов.
Citigroup описывает внедрение в аналогичных широких терминах. Banking Dive сообщил, что почти 9 из 10 сотрудников Citigroup теперь используют инструменты ИИ, и банк связывает это внедрение с достижениями в продуктивности, клиентском опыте и росте. Финансовые компании с таким охватом все чаще используют ИИ, чтобы помочь командам разрушить сегрегированные хранилища данных и обеспечить более умное принятие решений. Тот же фундамент поддерживает обоснованное смягчение рисков, генерирование доходов и оптимизацию процессов по всему бизнесу.
Проблема данных, стоящая за агентным ИИ
Неструкурированные данные были простым выигрышем, потому что LLM отлично справляются с их разбиением, будь то хранилище документов, архив электронной почты или хранилище транскриптов. Структурированные данные — это более сложная проблема. Транзакционные записи, история счетов и риски часто распределены по десяткам сегрегированных хранилищ данных, каждое из которых имеет свои правила доступа и форматы.
Это более ценная проблема, над которой сейчас работают банки. Следующее поколение систем ИИ должно одновременно получать доступ к обоим видам данных. Оно должно направлять один вопрос через документы и таблицы транзакций, не заставляя аналитика вручную запрашивать каждую систему. Банки все чаще создают агентные системы ИИ, которые направляют запросы через структурированные и неструкурированные данные. Это то, что превращает чат-интерфейс в что-то, что может отвечать на вопросы, основанные на собственных данных банка.
Модернизация платформы данных для поддержки ИИ в больших масштабах
Ни один из вышеперечисленных случаев использования не работает хорошо, если базовая платформа данных не может поспевать. Скорость запросов, охват источников и время получения аналитических данных устанавливают предел того, что может сделать система ИИ.
Khan Bank достиг 400-кратного ускорения производительности запросов после модернизации своего стека данных, что позволило превратить отчеты, которые раньше занимали часы, в что-то близкое к реальному времени. Это дало аналитикам более широкий обзор данных банка без необходимости создания новых конвейеров для каждого источника. US Bank взял тот же подход для объединения доступа к данным и ускорения аналитики, основанной на ИИ, предоставив командам одно место для запроса данных, которые раньше находились в отдельных системах.
Требования к управлению и регуляторное давление формируют каждый случай использования
Каждый случай использования ИИ в банковской сфере работает внутри регуляторного периметра. Правила суверенитета данных, ограничения на трансграничную передачу и требования к аудиту применяются к системе ИИ точно так же, как и к любой другой производственной системе. Банки должны учитывать это с самого начала, а не дорабатывать это позже.
Это означает, что управление данными не может быть второстепенной задачей, добавляемой к уже готовому проекту. Банкам нужен современный, готовый к работе с ИИ фундамент данных, который функционирует во всех существующих системах. Таким образом, контроль доступа, происхождение данных (lineage) и журналы аудита перемещаются вместе с данными, независимо от того, какая команда или модель делает к ним запрос. Такой тип управляемого федеративного доступа, обеспечивающий быстрый и соответствующий требованиям анализ и работу ИИ, позволяет банку без колебаний внедрять новые сценарии использования ИИ. Ему не нужно каждый раз заново инициировать проверку на соответствие требованиям с нуля.
От пилотного проекта к промышленной эксплуатации
Путь от многообещающего пилотного проекта до промышленного внедрения ИИ не требует полной модернизации всей инфраструктуры данных. Банки, объединяющие структурированные и неструктурированные данные на одной платформе, могут запускать готовые к промышленной эксплуатации сценарии использования ИИ всего за 90 дней. Они работают с уже имеющимися системами, а не заменяют их полностью.
BNY рассматривает это не просто как меру по сокращению расходов. Как сообщает Banking Dive, руководство BNY видит в ИИ источник долгосрочной ценности, связанный с новыми продуктами, новыми возможностями и платформенными данными, которые делают и то, и другое возможным. Это общая черта всех банков, упомянутых в этой статье. Те из них, у кого запущено больше всего реальных сценариев использования ИИ, — это банки, которые сначала решили проблему доступа к данным, прежде чем беспокоиться о том, какую модель запускать поверх них.
Хотите узнать больше о финансовых услугах и Starburst? Посмотрите наш вебинар на эту тему.
Часто задаваемые вопросы
Какие сценарии использования ИИ банки чаще всего внедряют сегодня?
Банки делят свои сценарии использования ИИ на четыре группы: ИИ-ассистенты (копилоты) для работы с документами и исследованиями, обнаружение мошенничества и борьбы с отмыванием денег, инструменты для управления благосостоянием и агентские рабочие процессы. Копилоты для документов и исследований обобщают отчеты и расшифровывают встречи, в то время как системы обнаружения мошенничества и борьбы с отмыванием денег выявляют подозрительные транзакции в режиме реального времени. Инструменты управления благосостоянием помогают консультантам быстрее извлекать данные клиентов, а агентские рабочие процессы направляют один и тот же запрос как по структурированным, так и по неструктурированным данным.
Как банки используют ИИ для обнаружения мошенничества и борьбы с отмыванием денег?
Команды по борьбе с мошенничеством и управлению рисками используют модели ИИ для мониторинга транзакций в реальном времени, что позволяет банку выявлять подозрительную активность до того, как она приведет к крупным убыткам. Один крупный международный инвестиционный банк теперь использует систему мониторинга транзакций, которая ускоряет обнаружение и предотвращение отмывания денег. Аналитики Santander Corporate & Investment Banking используют разговорного ИИ-агента по имени AIDA для отправки запросов к многопетабайтным озерам данных на простом языке вместо того, чтобы ждать ручной выгрузки данных в течение нескольких дней.
Какое техническое препятствие является самым серьезным для масштабирования ИИ в банковской сфере?
Структурированные данные представляют собой более сложную проблему. Записи транзакций, истории счетов и показатели рисков распределены по десяткам изолированных хранилищ данных, каждое из которых имеет свои собственные правила доступа и форматы. Система ИИ должна получить доступ к каждому из этих источников, прежде чем она сможет с уверенностью ответить на вопрос. Банки, которые решают эту проблему путем объединения доступа к структурированным и неструктурированным данным на одной платформе, как правило, имеют наибольшее количество работающих сценариев использования в промышленной эксплуатации.
Чем генеративный ИИ отличается от более ранних инструментов аналитики в банковской сфере?
Более ранние инструменты аналитики в основном отвечали на структурированные запросы к чистым, предварительно смоделированным данным. Генеративный ИИ также может читать и обобщать неструктурированные источники, такие как контракты, отчеты и протоколы встреч, превращая документы, для изучения которых раньше требовался человек, в доступные для поиска интерактивные данные. Именно поэтому сотрудники Bank of America теперь отправляют более 400 000 запросов к ИИ в день, согласно данным Banking Dive. Большинство этих запросов направлены на работу с большим объемом документов, с которой старые инструменты не могли справиться.
Нужно ли банкам переносить все данные перед внедрением ИИ?
Нет. Банки, объединяющие доступ к данным на одной платформе, оставляют данные там, где они находятся, будь то Amazon S3, локальное хранилище данных или сторонняя система. Они используют эту платформу для выполнения запросов к различным источникам вместо того, чтобы сначала копировать все в новое место. US Bank применил этот подход для унификации доступа к данным и ускорения аналитики на базе ИИ, предоставив командам единую точку для запроса данных, которые ранее хранились в разрозненных системах.
Как быстро банк может запустить новый сценарий использования ИИ?
Банки, которые уже объединили структурированные и неструктурированные данные на одной платформе, могут запустить готовые к промышленной эксплуатации сценарии использования ИИ примерно за 90 дней. Они работают с уже имеющимися системами вместо планирования полной модернизации инфраструктуры данных. Процессы управления, такие как контроль доступа, происхождение данных (lineage) и журналы аудита, с самого начала осуществляются параллельно с перемещением данных. Новому сценарию использования не требуется отдельная проверка на соответствие требованиям перед запуском.
