Результаты исследования, проведенного AI-radar совместно с PLUS Consulting и Ratexa, июнь 2026.

Весной 2026 года несколько банков Узбекистана впервые прошли независимую структурированную диагностику AI-зрелости. Не в форме пресс-релиза, не в рамках форумного выступления — а в виде детального опросника на уровне CDO и CTO с верифицируемыми данными о production-решениях, инфраструктуре и управленческой архитектуре. Опрос проводился в том числе в рамках 6-го международного ПЛАС-Форума Digital Uzbekistan в Ташкенте.Это первый срез такого рода на рынке. Ниже — то, что мы увидели.

Контекст: почему сейчас

Банковский сектор Узбекистана вошел в 2026 год на волне роста: совокупные активы системы достигли 863 триллионов сумов к осени 2025 года, отдельные крупные банки фиксируют рост чистой прибыли на 60–70% год к году. За этим ростом стоит в том числе ускоренная цифровизация — банки конкурируют за молодую, технологически грамотную аудиторию.

Параллельно сформировалась принципиально новая регуляторная среда.

ПП-358 (октябрь 2024) — «Стратегия развития технологий ИИ до 2030 года» — прямо включает банковско-финансовую сферу в перечень приоритетных направлений: предотвращение мошенничества, оценка платежеспособности, прогнозирование рыночных тенденций. Для банков с государственным участием участие в AI-повестке де-факто становится частью государственной программы развития.

ЗРУ-1115 (январь 2026) — закон о регулировании применения AI — вводит прямой запрет принимать юридически значимые решения, опираясь исключительно на выводы AI-систем, и устанавливает административную ответственность за нарушения. Для банков, эксплуатирующих ML-скоринговые модели, это означает обязательное участие человека в кредитном процессе и практическую необходимость документировать роль AI-модели в каждом решении.

ЦБ РУз последовательно расширяет требования к биометрической верификации клиентов: с конца 2024 года биометрия обязательна при выдаче онлайн-кредитов, а в 2025 году внесены изменения, направленные на ее распространение на всех поставщиков цифровых сервисов через единую систему ЦБ. В мае 2026 года по поручению Президента РУз запущены обязательные курсы по AI-governance для руководящего состава банков во всех регионах.

Практический смысл для банков простой: AI из конкурентного преимущества превращается в регуляторное обязательство.

Что мы измеряли — и важное ограничение

Методология AI-radar разделяет AI-зрелость на четыре уровня:

Уровень	Название	Признаки
0	Нулевой	Нет ни одного AI/ML-решения в production
1	Экспериментальный	1–2 точечных решения; пилоты не масштабируются
2	Операционный	3–5 решений в production; не связаны между собой
3	Трансформационный	AI системно встроен в ключевые процессы; новые бизнес-модели

Важно: зрелость — это не количество AI-решений и не объем инвестиций. Это способность организации системно создавать, масштабировать и управлять AI как инструментом измеримого бизнес-результата. Банк с одним по-настоящему работающим решением, привязанным к P&L, более зрелый, чем банк с десятью пилотами, ни один из которых не вышел в production.

Полная диагностика AI-radar включает два опросника: CEO-опросник (стратегический уровень — амбиции, приоритеты, горизонт трансформации, личное вовлечение правления банка) и CDO/CTO-опросник (технический уровень — реальный состав production-решений, данные, инфраструктура, барьеры). Именно пересечение двух уровней позволяет измерить главный индикатор риска трансформации — разрыв между стратегическими амбициями правления и технической реальностью.

В пилотном срезе получены только CDO/CTO-опросники. Ни по одному участнику не получен CEO-опросник, заполненный членом правления. Там, где CEO-версии существовали, их заполняли менеджеры среднего звена — что само по себе является косвенным свидетельством наличия разрыва. Все, что вы прочитаете ниже, — это технологическая реальность уровня CDO/CTO.

Разрыв «амбиции CEO vs реальность CDO/CTO» остается главной нераскрытой переменной этого исследования. Опыт банков, прошедших трансформацию, показывает: чем больше этот разрыв — тем выше риск, что инициативы остановятся на этапе красивых презентаций вне зависимости от бюджетов. Именно прямое измерение этого разрыва — через CEO-опросник, заполненный лично первым лицом, — является центральной задачей второй волны.

Что показал первый срез

Все участники — на уровнях 1–2

Ни один банк не находится на нулевом уровне. Ни один не достиг трансформационного. Большинство участников — на уровне 2 («Операционный»): несколько AI-решений работают в production, технологическая база есть. Меньшая часть — на уровне 1: решения запущены, но системного масштабирования нет.

Это значит: технологический старт в секторе состоялся. Следующий рубеж — научиться управлять AI как единой программой, а не как набором отдельных проектов.

Косвенные признаки позволяют предположить, что публичное AI-позиционирование банков системно опережает их внутреннюю зрелость. Банки, активно демонстрирующие AI-повестку на форумах, внутри имеют технические и управленческие барьеры, несовместимые с декларируемым уровнем. Это не индивидуальная особенность — это поведенческий паттерн рынка, усиленный регуляторным и конкурентным давлением «заявить о себе». Вторая волна, охватывающая более широкую выборку, позволит проверить эту гипотезу статистически.

Что реально работает

По частоте встречаемости среди участников в production работают:

1. AI-чат-бот — у всех участников. Уже не дифференциатор: это «входной билет» в AI-повестку.
2. OCR / автоматическая верификация документов — у большинства.
3. ML-скоринговая модель при кредитовании — у части участников. Именно здесь возникает прямое подпадение под ЗРУ-1115: нужна документация роли модели и подтверждаемое участие человека в решении.
4. Антифрод в реальном времени — у части участников.
5. RAG-системы / базы знаний на основе LLM — единичные случаи, пока не масштабированы.

Ни у одного участника нет в production полноценной системы AI-персонализации с замкнутым клиентским профилем. Этот рубеж заблокирован не отсутствием желания — состоянием данных.

«Пилотное кладбище»

У каждого участника есть AI-инициативы, которые запустились, но не дошли до промышленного масштаба. Диапазон — от нескольких проектов до большей части всего запускавшегося портфеля. Паттерн одинаков: старт есть, масштабирования нет.

Три причины, которые фиксируются у большинства:

Интеграция с АБС. Каждый новый AI-проект упирается в банковское ядро. Если API-слой не выстроен или АБС не поддерживает гибкую интеграцию — каждая следующая итерация требует отдельного «ручного» подключения. Это удваивает сроки и бюджет, а пилоты зависают в статусе «почти готово» месяцами.

Данные не готовы к production. Пилот запускается на ограниченной выборке — и работает. В production тот же подход не масштабируется: данных больше, они из разных систем, они «грязные». Без Data Governance пилот остается пилотом.

Нет владельца результата. Самая болезненная и самая редко называемая причина. AI-инициатива есть, технические исполнители есть, бюджет выделен — но нет человека, который персонально несет ответственность за финансовый результат перед правлением. Как только первые трудности встречают первые согласования — инициатива теряет импульс.

Данные пилота дают основание предположить, что это не технологическая проблема, а управленческая: банки с назначенным AI-чемпионом на уровне правления показывают значимо более высокую долю проектов, дошедших до production. Проверить эту зависимость статистически позволит расширенная выборка второй волны.

Пять системных барьеров

По частоте упоминания и значимости среди участников пилота:

1. Отсутствие единого управленческого контура — нет персонального владельца AI-программы с мандатом правления и P&L-ответственностью. Зафиксировано прямо или косвенно у всех участников.
2. Интеграционный барьер (АБС / API-слой) — отсутствие или незрелость интеграционной шины блокирует любое масштабирование. Каждая интеграция — индивидуальный проект.
3. Качество и разрозненность данных — DWH номинально существует, но данные по ключевым AI-атрибутам либо недоступны, либо неполны, либо не управляются по единым правилам качества.
4. Дефицит AI/Data-компетенций — команды либо слишком малы для одновременного поддержания существующих решений и разработки новых, либо децентрализованы без единого центра управления.
5. Сопротивление среднего менеджмента — стратегический импульс сверху не находит операционного проводника на уровне линейных руководителей.

Первые четыре барьера технически устранимы при наличии воли и бюджета. Пятый — организационный и культурный — устраняется только при наличии персонального мандата первого лица. Отдельный вопрос, который пилот не позволяет проверить напрямую: быстрее ли с этими барьерами справляются частные банки по сравнению с государственными? Логика подсказывает — да: меньше слоев согласования, более прямой мандат акционеров. Вторая волна с явным разделением по форме собственности даст на это ответ.

Три системных вывода

1. Технология есть — управление отсутствует

Каждый участник умеет запускать AI. Никто еще не научился им управлять как единой программой с владельцем, метриками и измеримым бизнес-результатом.

Это не технологическая проблема. Это проблема архитектуры власти: пока AI-инициативы живут в CDO/CTO-периметре без мандата правления, они остаются проектами, а не трансформацией.

2. Данные — декларируемый актив, реальный барьер

Все участники номинально имеют DWH или строят его. Но у каждого — один из трех сценариев: хранилище строится и не запущено; данные «частично доступны» по всем ключевым атрибутам; данные формально есть, но разрознены и низкого качества.

Ни у одного участника не зафиксирован работающий Data Governance — ни как процесс, ни как организационная функция. На этом фундаменте нельзя масштабировать ни полноценный скоринг, ни персонализацию, ни антифрод следующего поколения. Банки, которые инвестируют в AI-модели, не решив проблему данных, покупают дорогой инструмент для работы с некачественным сырьем. Это наблюдение устойчиво: все участники уровня 2 одновременно фиксируют проблемы с качеством и разрозненностью данных — это позволяет предположить, что Data Governance является не параллельным треком, а обязательным предусловием для выхода на следующий уровень зрелости.

3. Регуляторное давление опережает готовность

Банки знают о ключевых регуляторных изменениях. Разрыв — на уровне операционной готовности: процессы не выстроены, документация разрознена, ответственный за AI-compliance назначен, но функционал размыт.

Банки, которые эксплуатируют ML-скоринг без обеспечения человеческого контроля и без документированной логики участия модели, создают регуляторный риск не в будущем — прямо сейчас. При отсутствии подготовленных процессов и документации даже сильные технологические кейсы могут быстро перейти из зоны конкурентного преимущества в зону повышенного комплаенс-внимания.

Три приоритетных действия

Рекомендации применимы любым банком сектора. Горизонт — 6 месяцев.

Назначить персонального владельца AI-программы — до запуска следующей инициативы. Конкретный человек на уровне правления, с P&L-ответственностью и полномочиями принимать решения о приоритетах и бюджете. Без этого любой новый пилот воспроизведет прошлый паттерн.

Провести Data Readiness Assessment перед следующей волной AI-инвестиций. 4–6 недель оценки готовности данных экономят 6–12 месяцев разочарований. Банки, которые пропускают этот шаг, инвестируют в модели и обнаруживают на этапе пилота, что данных для production недостаточно.

Закрыть регуляторный риск по работающим AI-моделям. ЗРУ-1115 действует с января 2026 года. Составьте реестр всех AI-моделей в production, проверьте наличие документации по каждой, назначьте ответственного за AI-compliance. Банки, которые сделают это проактивно, превратят регуляторное обязательство в конкурентное преимущество.

Международный опыт: как выглядит пройденная трансформация

По оценке McKinsey в Global Banking Annual Review 2026 («Precision with speed», май 2026 года), стратегическим приоритетом становится точность, а не масштаб: побеждают банки, которые прицельно концентрируют AI там, где он создает измеримый результат. Более половины финансовых организаций мира к 2025 году имели активные AI-инициативы — но системная проблема индустрии остается прежней: большинство застревают на переходе от пилота к production из-за дефицита Data Governance и разрыва между технической командой и стратегическим уровнем.

По косвенным признакам банковский сектор Узбекистана находится в точке, которую рынки Восточной Европы и Юго-Восточной Азии проходили в 2021–2022 годах. Разрыв между этой точкой и уровнем, на котором AI становится реальным конкурентным преимуществом, — не пропасть. Это 12–18 месяцев при правильно выстроенной программе.

Кейс Evocabank: что конкретно меняется за 18 месяцев

Evocabank (Армения) — один из наиболее детально задокументированных кейсов AI-трансформации в банковском секторе региона. Он показателен не как идеальная модель для копирования, а как конкретные ориентиры: что меняется, за какое время, с каким результатом.

Ключевые результаты программы трансформации (18 месяцев активной реализации):

• 38%-ное снижение операционных затрат — за счет автоматизации верификации документов, KYC и операционного документооборота;
• 54%-ный рост доли автоматически одобренных кредитов — за счет внедрения и масштабирования ML-скоринга с полным клиентским профилем;
• 35 ИT-специалистов высвобождены с поддержки legacy-процессов на развитие новых продуктов.

Что сделало трансформацию возможной — не технология и не бюджет. Персональный мандат первого лица банка, выделенный владелец программы с P&L-ответственностью, единый управленческий контур и последовательное движение от точечных пилотов к платформенному подходу.

По данным диагностики, большинство банков-участников находятся на уровне 1–2 — именно в той точке, с которой начинала трансформацию Evocabank.

Присоединяйтесь ко второй волне!

Вторая волна диагностики стартует в III квартале 2026 года.

Что получает банк-участник:

• Индивидуальный диагностический отчет по методологии AI-radar.
• Позицию в группе по 6 параметрам (анонимное сравнение с другими участниками).
• Измеренный разрыв между уровнями CEO и CDO/CTO.
• Оценку реального Data Readiness (опция).
• Приоритизированную дорожную карту на 18 месяцев (опция).

Участие добровольное, данные анонимизируются. Все участники получают право использовать агрегированные данные исследования.

Пройти диагностику и записаться на участие: https://ratexa.ai/survey/

По вопросам участия — обращайтесь к командам PLUS Consulting [consulting@plus-alliance.com] и Ratexa [m.andreyeva@itquick.ai].

Об участниках проекта

• AI-radar — независимая диагностическая платформа для оценки AI-зрелости банков и финансовых организаций. Настоящее исследование проведено совместно с Ratexa и PLUS Consulting.
• PLUS Consulting — консалтинговый партнер AI-radar по рынку Узбекистана и Центральной Азии, работает в банковской и финтех-отрасли, криптоиндустрии, в направлении цифровизации госсервисов, на рынке торговой розницы и телекома более 20 лет. Специализация: стратегический, операционный и технологический консалтинг для финансовых организаций.
• Ratexa — технологический партнер AI-radar. Специализация: AI-решения для банковских процессов (KYC/AML, кредитный скоринг, персонализация, антифрод), Data-инфраструктура, управление трансформационными программами. Опыт работы с банками на развивающихся рынках, включая СНГ.

Все данные участников диагностики анонимизированы. Публичное цитирование допускается только в согласованном обезличенном виде. Настоящий материал носит аналитический характер и не является аудиторским заключением или официальной оценкой регуляторного соответствия.