Если спросить директора по данным (CDO) крупного банка в США, сколько ИИ-систем находится у них в промышленной эксплуатации, ответ, скорее всего, будет исчисляться сотнями. Это не пилотные проекты, застрявшие в лаборатории. Это работающие системы, которые уже взаимодействуют с документами, транзакциями и клиентскими задачами.
Сценарии использования группируются вокруг нескольких повторяющихся категорий:
- Копилоты для работы с документами и исследованиями
- Обнаружение мошенничества и противодействие отмыванию денег (AML)
- Повышение продуктивности в управлении капиталом
- Агентные рабочие процессы, охватывающие как структурированные, так и неструктурированные данные.
Самые легкие победы были достигнуты за счет неструктурированных данных. Более сложная и высокоценная работа заключается в раскрытии потенциала структурированных транзакционных данных, которые разбросаны по десяткам изолированных хранилищ.
Банки с наибольшим количеством внедренных сценариев объединяет одна черта. Они сначала решили проблему доступа к данным. Без этого количество сценариев использования застревает на этапе пилотов, независимо от того, какая модель лежит в их основе.
Основные выводы
- Банки сообщают о сотнях сценариев использования ИИ (один крупный банк эксплуатирует почти 1000), которые группируются в четыре категории: копилоты для работы с документами и исследованиями, обнаружение мошенничества и AML, повышение продуктивности в управлении капиталом и агентные рабочие процессы, охватывающие структурированные и неструктурированные данные.
- Самые легкие победы были достигнуты за счет неструктурированных данных, таких как суммаризация, транскрибирование и исследовательские копилоты, в то время как более сложная и высокоценная работа заключается в использовании структурированных транзакционных данных, хранящихся в десятках разрозненных систем.
- Результаты уже поддаются измерению. Например, Khan Bank добился ускорения выполнения запросов в 400 раз, глобальный инвестиционный банк сократил убытки от отмывания денег на миллионы долларов, а более 200 000 сотрудников Bank of America ежедневно используют инструменты на базе ИИ.
- Банки, которые объединяют структурированные и неструктурированные данные на одной платформе, могут перевести новый сценарий использования ИИ из пилотного режима в промышленную эксплуатацию примерно за 90 дней без необходимости полной замены инфраструктуры данных.
- Требования к управлению данными, суверенитету данных и аудиту применяются к каждой ИИ-системе с первого дня, поэтому банки, которые встраивают контроль доступа и отслеживание происхождения данных (lineage) в платформу данных, могут быстрее утверждать новые сценарии использования.
Разговорные копилоты для неструктурированных данных — самый быстрый успех
Самые простые победы ИИ в банковском деле начинаются с неструктурированных данных, включая документы, заметки со встреч и исследовательские отчеты, которые раньше требовали участия человека-читателя. Инструменты суммаризации сокращают длинные отчеты и контракты за секунды. Копилоты для транскрибирования превращают встречи с клиентами в заметки, доступные для поиска. Исследовательские копилоты помогают аналитикам сканировать отчеты о доходах и нормативную документацию в поисках важных деталей.
Согласно Banking Dive, ссылающемуся на отчет Bank of America о доходах за 2 квартал 2026 года, более 200 000 сотрудников банка теперь используют инструменты на базе ИИ. Персонал отправляет более 400 000 запросов в день. Banking Dive также сообщил, что Bank of America одобрил более 300 сценариев использования ИИ, включая 114 проектов генеративного ИИ, 34 из которых полностью внедрены в производство. Wells Fargo пошел по аналогичному пути с тем, что они называют «AI Teammate» — внутренним помощником, созданным для того, чтобы помочь сотрудникам быстрее работать с документами и рутинными задачами.
Обнаружение мошенничества, AML и аналитика рисков работают в режиме реального времени
Команды по борьбе с мошенничеством и рисками были одними из первых, кто внедрил машинное обучение, и эта область продолжает развиваться. Banking Dive сообщил, что один крупный банк сейчас использует почти 1000 работающих сценариев ИИ в сферах рисков, мошенничества, маркетинга и чтения документов. Это один из крупнейших масштабов внедрения среди всех банков США.
Мониторинг AML в реальном времени — хороший пример того, почему это число продолжает расти. Глобальный инвестиционный банк теперь использует мониторинг транзакций, который ускоряет обнаружение и предотвращение отмывания денег, помогая банку выявлять подозрительную активность до того, как она превратится в многомиллионные убытки. Чтобы проще понять, как это работает, ознакомьтесь с этим обзором современных стандартов мониторинга по борьбе с отмыванием денег.
Аналитика рисков также движется в сторону разговорных инструментов. В Santander Corporate & Investment Banking аналитики и фронт-офис теперь общаются с многопетабайтными озерами данных на естественном языке через интерфейс разговорной аналитики Starburst, AIDA. Инструмент превращает то, что раньше было многодневной выгрузкой данных, в вопрос, введенный в окно чата.
Продуктивность взаимодействия с клиентами и управление капиталом набирают обороты
Управление капиталом — это область, где преимущества ИИ в продуктивности проявляются наиболее непосредственно в отношениях с клиентами. Многие консультанты по управлению капиталом теперь используют ИИ-инструмент, который помогает им извлекать данные о клиентах из записей CRM Salesforce гораздо быстрее, чем это позволял ручной поиск. Это означает, что консультанты тратят больше времени на клиентов и меньше — на поиск истории счетов.
Citigroup описывает внедрение в столь же широких масштабах. Banking Dive сообщил, что почти 9 из 10 сотрудников Citigroup теперь используют ИИ-инструменты, при этом банк связывает это внедрение с ростом продуктивности, улучшением клиентского опыта и развитием бизнеса. Финансовые фирмы с таким охватом все чаще используют ИИ, чтобы помочь командам разрушить информационные барьеры и обеспечить более разумное принятие решений. Тот же фундамент поддерживает обоснованные решения по снижению рисков, получению доходов и оптимизации процессов во всем бизнесе.
Проблема данных, стоящая за агентным ИИ
Неструктурированные данные были легкой победой, потому что LLM отлично справляются с их анализом, будь то репозиторий документов, архив электронной почты или хранилище транскриптов. Структурированные данные — более сложная проблема. Записи транзакций, истории счетов и показатели рисков часто разбросаны по десяткам изолированных хранилищ, каждое из которых имеет свои правила доступа и форматы.
Это проблема более высокого уровня, над которой сейчас работают банки. Следующее поколение ИИ-систем должно иметь доступ к обоим типам данных одновременно. Оно должно направлять один вопрос через документы и таблицы транзакций, не заставляя аналитика вручную запрашивать каждую систему. Банки все чаще создают агентные ИИ-системы, которые направляют запросы к структурированным и неструктурированным данным. Именно это превращает чат-интерфейс в нечто, способное отвечать на вопросы, основываясь на собственных данных банка.
Модернизация платформы данных для поддержки ИИ в масштабе
Ни один из вышеперечисленных сценариев использования не будет работать хорошо, если базовая платформа данных не справляется. Скорость запросов, охват источников и время получения инсайтов — все это определяет предел возможностей ИИ-системы.
Khan Bank добился ускорения выполнения запросов в 400 раз после модернизации своего стека данных — изменение, которое превратило отчеты, занимавшие часы, в нечто близкое к реальному времени. Это дало аналитикам более широкий обзор данных банка без создания новых конвейеров для каждого источника. US Bank применил тот же подход для унификации доступа к данным и ускорения аналитики на базе ИИ, предоставив командам единое место для запроса данных, которые раньше находились в отдельных системах.
Управление и регуляторное давление формируют каждый сценарий использования
Каждый сценарий использования ИИ в банковской сфере работает в рамках регуляторного периметра. Правила суверенитета данных, ограничения на трансграничную передачу и требования аудита применяются к ИИ-системе точно так же, как и к любой другой промышленной системе. Банкам необходимо проектировать это с самого начала, а не внедрять позже.
Это означает, что управление данными не может быть второстепенной задачей, которую добавляют к уже завершенному проекту. Банкам необходима современная, готовая к работе с ИИ инфраструктура данных, которая функционирует поверх существующих систем. Таким образом, элементы контроля доступа, отслеживания происхождения данных и аудиторские следы будут сопровождать данные независимо от того, какая команда или модель делает к ним запрос. Такой управляемый, федеративный доступ, обеспечивающий быструю и соответствующую нормативным требованиям аналитику и работу ИИ, позволяет банку оперативно внедрять новые сценарии использования ИИ. Ему не нужно каждый раз заново проходить процедуру проверки на соответствие требованиям.
От пилотного проекта к промышленной эксплуатации
Путь от многообещающего пилотного проекта до промышленного внедрения ИИ не требует полной замены всей инфраструктуры данных. Банки, которые объединяют структурированные и неструктурированные данные на одной платформе, могут запускать готовые к 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 способ сокращения 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, у кого больше всего работающих сценариев использования ИИ, — это те, кто сначала решил проблему доступа к данным, прежде чем задумываться о том, какую модель на них запускать.
Хотите узнать больше о финансовых услугах и Starburst? Посмотрите наш вебинар по этой теме.
Часто задаваемые вопросы
Какие сценарии использования ИИ чаще всего внедряют банки сегодня?
Банки группируют свои сценарии использования ИИ по четырем направлениям: помощники для работы с документами и исследованиями, выявление мошенничества и противодействие отмыванию денег, инструменты управления капиталом и агентские рабочие процессы. Помощники для работы с документами и исследованиями обобщают отчетность и расшифровывают встречи, в то время как системы выявления мошенничества и противодействия отмыванию денег помечают подозрительные транзакции в режиме реального времени. Инструменты управления капиталом помогают консультантам быстрее извлекать данные о клиентах, а агентские рабочие процессы направляют один запрос по структурированным и неструктурированным данным одновременно.
Как банки используют ИИ для выявления мошенничества и противодействия отмыванию денег?
Команды по борьбе с мошенничеством и рисками используют модели ИИ для мониторинга транзакций в режиме реального времени, чтобы банк мог выявить подозрительную активность до того, как она приведет к крупным убыткам. Один глобальный инвестиционный банк теперь использует мониторинг транзакций, который ускоряет обнаружение и предотвращение отмывания денег. Аналитики Santander Corporate & Investment Banking используют разговорного ИИ-агента под названием AIDA для запросов к многопетабайтным озерам данных на обычном языке, вместо того чтобы ждать несколько дней ручной выгрузки данных.
Какое главное техническое препятствие для масштабирования ИИ в банковской сфере?
Структурированные данные — более сложная проблема. Записи транзакций, истории счетов и показатели рисков разбросаны по десяткам хранилищ данных, каждое из которых имеет свои правила доступа и форматы. Система ИИ должна получить доступ к каждому из этих источников, прежде чем 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 больше всего работающих сценариев в промышленной эксплуатации.
Чем генеративный ИИ отличается от предыдущих аналитических инструментов в банковской сфере?
Предыдущие аналитические инструменты 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 заметки со встреч, превращая документы, которые раньше требовали участия человека, в данные, доступные для поиска и общения. Именно поэтому сотрудники Bank of America теперь отправляют более 400 000 ИИ-запросов в день, согласно Banking Dive. Большинство этих запросов направлены на работу с документами, с которой старые инструменты не могли справиться.
Нужно ли банкам перемещать все данные перед внедрением ИИ?
Нет. Банки, которые объединяют доступ к данным на одной платформе, оставляют данные там, где они хранятся — будь то Amazon S3, локальное хранилище данных или сторонние системы. Они используют эту платформу для выполнения запросов к разным источникам, вместо того чтобы сначала копировать все в новое место. US Bank применил этот подход для объединения доступа к данным и ускорения аналитики на базе ИИ, предоставив командам единое место для запросов к данным, которые раньше находились в разрозненных системах.
Как быстро банк может запустить новый сценарий использования ИИ?
Банки, которые уже объединили структурированные и неструктурированные данные на одной платформе, могут запускать готовые к эксплуатации сценарии использования ИИ примерно за 90 дней. Они работают с уже имеющимися системами, не планируя полную замену инфраструктуры данных. Работа по управлению данными, такая как контроль доступа, отслеживание происхождения и аудиторские следы, осуществляется параллельно с данными с самого начала. Для нового сценария использования не требуется отдельная проверка на соответствие требованиям перед запуском.
