Еще три года назад к генеративному ИИ в банках относились с осторожностью. Сегодня ситуация кардинально изменилась: по данным опросов консалтинговых компаний, подавляющее большинство банковских организаций либо уже внедрили, либо внедряют генеративный ИИ хотя бы в одном направлении деятельности. McKinsey оценивает потенциальный ежегодный эффект от применения генеративного ИИ в банковской отрасли в 200 – 340 миллиардов долларов – это сопоставимо с 9 – 15% операционной прибыли всей отрасли.
Однако за впечатляющими цифрами скрывается более сложная картина: технология действительно приносит измеримую пользу в одних сферах, но сталкивается с серьезными ограничениями в других. В этой статье разберем конкретные примеры внедрения генеративного ИИ крупнейшими банками мира и поговорим о том, где технология буксует.
Реальные кейсы внедрения
JPMorgan Chase: LLM Suite и корпоративная фабрика ИИ
JPMorgan Chase выбрал стратегию построения единой платформы для всей организации. В партнерстве с OpenAI компания создала внутренний инструмент – LLM Suite – для контролируемого доступа к внешним языковым моделям – так, чтобы конфиденциальные данные банка не были под угрозой. Изначально сервис запустили для нескольких десятков тысяч сотрудников, а сейчас доступ к нему имеют более 200 тысяч работников банка – это один из крупнейших корпоративных проектов такого рода на Уолл-стрит. Инструмент помогает писать письма и отчеты, суммаризировать длинные документы, работать с Excel и генерировать идеи. Параллельно банк развивает платформу OmniAI для инженеров и специалистов по данным, а также запускает автономных ИИ-агентов для более сложных многошаговых задач. Годовой технологический бюджет банка составляет порядка 18 миллиардов долларов, и AI-инициативы там занимают все более заметную часть.
Bank of America: Erica
Виртуальный ассистент Erica, запущенный еще в 2018 году, стал одним из самых успешных клиентских ИИ-продуктов в банковской сфере. По последним раскрытым данным, Erica обработала более 3 миллиардов взаимодействий с клиентами, а линейка «Erica для сотрудников» показывает более 90% внутреннего принятия персоналом и, по заявлениям банка, сократила количество обращений в ИТ-поддержку примерно вдвое. Технология также лежит в основе инструмента askMerrill, ориентированного на клиентов подразделения по управлению активами.
Morgan Stanley: помощник для финансовых консультантов
Morgan Stanley пошел по пути глубокой интеграции ИИ в работу консультантов. Совместно с OpenAI банк разработал ассистента, который позволяет примерно 16 тысячам консультантов по управлению состоянием быстро находить нужную информацию среди десятков тысяч аналитических отчетов банка, формулируя запрос на обычном языке. По данным банка, регулярное использование инструмента достигло почти всех консультантских команд. Позднее технологию распространили и на инвестиционно-банковское и трейдинговое направления через похожий инструмент для работы с исследовательскими материалами.
Wells Fargo: Fargo
Клиентский ассистент Fargo стал показательным примером масштабирования генеративного ИИ в жестко регулируемой среде: в 2024 году он обработал свыше 245 миллионов обращений клиентов – более чем вдвое превысив первоначальные прогнозы банка. Особенность архитектуры в том, что персональные данные клиентов очищаются до того, как попадают в саму языковую модель, что снижает риски утечки чувствительной информации.
Goldman Sachs
GS AI Assistant, построенный поверх нескольких моделей от разных провайдеров под собственным контуром безопасности банка, после пилотного тестирования был развернут на все 46 тысяч работников компании. Инструмент помогает с составлением документов, суммаризацией и анализом данных, а на инженерном направлении банк сообщает о заметном росте продуктивности разработчиков при генерации кода.
Дополнительные направления применения
Помимо клиентских и внутренних ассистентов, генеративный ИИ активно используется банками в других направлениях:
- Борьба с мошенничеством и AML. Модели анализируют транзакционные паттерны и генерируют предиктивные модели для выявления новых, ранее неизвестных схем мошенничества, адаптируясь к изменяющемуся поведению злоумышленников быстрее, чем традиционные системы на жестких правилах.
- Ускоренный онбординг и кредитный андеррайтинг. Автоматизация обработки документов и многошаговых процессов проверки клиентов сокращает время принятия решений по заявкам с нескольких дней до нескольких часов.
- Синтетические данные. Поскольку тестировать модели на реальных клиентских данных рискованно с точки зрения приватности, банки генерируют синтетические наборы данных, статистически повторяющие свойства реальных транзакций, для обучения и стресс-тестирования моделей.
- Персонализация и маркетинг. Генерация индивидуализированных предложений и коммуникаций на основе истории и поведения клиента.
Как лидеры предотвращают риски
При всем впечатляющем масштабе внедрения важно понимать, что генеративный ИИ в банковской сфере сталкивается с серьезными и во многом фундаментальными ограничениями.
Галлюцинации и точность в высокорисковой среде
Языковые модели по своей природе иногда генерируют правдоподобно звучащую, но фактически неверную информацию. В банковском контексте, где ошибка может стоить клиенту денег, а банку – регуляторных санкций и репутации, это один из главных барьеров для расширения применения ИИ в сценариях с прямыми финансовыми последствиями. Именно поэтому наиболее зрелые внедрения (Erica, Fargo, ассистент Morgan Stanley) намеренно ограничивают модель работой с проверенными внутренними источниками данных при помощи RAG, а не позволяют ей свободно генерировать финансовые советы.
Регуляторные и комплаенс-барьеры
Банковская отрасль – одна из самых жестко регулируемых в мире, и требования к аудируемости, прозрачности принятия решений и защите данных клиентов создают дополнительные препятствия для внедрения ИИ. Многие банки до сих пор могут запрещать использование внешних генеративных сервисов именно из опасений, что конфиденциальные данные утекут через обучение сторонних моделей. Решением стало построение закрытых контуров и «порталов» доступа к моделям, как это сделал JPMorgan с LLM Suite, – подход, к которому рано или поздно приходит большинство игроков рынка.
Разрыв между ожиданиями и реальной отдачей
Даже в банках-лидерах руководители признают, что существует разрыв между возможностями технологии и способностью организации извлечь из нее полную ценность – разрыв, однако, преодолимый. Большие технологические бюджеты не конвертируются в пропорциональную отдачу автоматически, но вследствие перестройки процессов, обучения персонала и постепенного накопления доверия к системе как со стороны сотрудников, так и со стороны клиентов.
Человеческий контроль и эскалация
Успешные внедрения строятся на четком понимании границ применимости ИИ: система должна распознавать ситуации, выходящие за пределы ее компетенции, и передавать их человеку с полным контекстом, чтобы клиент не повторял свой запрос заново. Поэтому необходимы human-in-the-loop механизмы: банки, которые пропускают этот этап проектирования, чаще сталкиваются с недовольством клиентов и репутационными издержками, чем с реальной экономией.
Кадровые и этические вопросы
Автоматизация рутинных задач – от обработки обращений до части инженерной работы – неизбежно ставит вопросы о будущем рабочих мест в банковском секторе. Руководители крупных банков признают, что масштабное внедрение ИИ-агентов будет иметь далеко идущие последствия для занятости и структуры затрат отрасли, и эта тема требует такого же серьезного внимания, как и технологические аспекты. При этом, роль сотрудника далеко не всегда устраняется, но зачастую преобразуется так, чтобы ИИ и человек дополняли друг друга для наилучшей производительности. К тому же, внедрение ИИ повлекло за собой появление новых специальностей, такие как ИИ-тренер.
Фрагментация инфраструктуры
Не все банки обладают единой архитектурой обслуживания клиентов, что снижает эффект от внедрения ИИ: организации с разрозненными системами онбординга и обслуживания получают меньше выгоды, чем банки с унифицированной инфраструктурой, поскольку ИИ-инструменту не хватает целостного контекста о клиенте на разных этапах взаимодействия. Именно поэтому очистка и упорядочивание данных – один из важнейших этапов, которые надо пройти до внедрения.
Заключение
Генеративный ИИ в банковской сфере прошел путь от осторожного эксперимента до производственной технологии, обрабатывающей миллиарды клиентских обращений и используемой сотнями тысяч сотрудников в крупнейших финансовых институтах мира. Кейсы JPMorgan, Bank of America, Morgan Stanley, Wells Fargo и Goldman Sachs показывают, что при правильном подходе – с жестким контролем источников данных, продуманной архитектурой безопасности и четкими сценариями передачи задач человеку – технология действительно дает измеримый экономический эффект.
При этом реальность далека от маркетинговых обещаний «искусственного интеллекта, который решит все». Банки, добившиеся успеха, – это не те, кто просто закупил самую мощную модель, а те, кто выстроил вокруг нее дисциплинированную инфраструктуру: проверку фактов, защиту данных, понятные границы автономности и постоянный человеческий надзор. Именно этот баланс между технологическими возможностями и институциональной осторожностью, а не сама по себе мощность моделей, определяет, кто из игроков рынка действительно извлекает обещанные сотни миллиардов долларов ценности, а кто продолжает застревать в стадии пилотных проектов.
