За последние пару лет искусственный интеллект стал почти обязательной темой в банковской повестке. Однако ясности от этого больше не стало. О том, почему это происходит, рассказывает Егор Пустовит, ассоциированный управляющий консультант, Mastercard, чье выступление обещает стать одним из самых резонансных на Международном ПЛАС-Форуме Digital Uzbekistan, который пройдет 19–20 мая 2026 года в Ташкенте.
Сложно найти стратегическую сессию, где бы AI не обсуждали. Чат-боты, голосовые ассистенты, автоматизация, генерация документов — список внедрений растет очень быстро. Но вместе с этим растет и ощущение легкой неопределенности.
Мы действительно создаем новую ценность или просто движемся по классическому сценарию завышенных ожиданий?
Чтобы разобраться, полезно на секунду отстраниться от конкретных кейсов и посмотреть шире, через ту самую кривую Гартнера. Хотя и здесь есть нюанс, о котором часто забывают.
Кривая Гартнера (Gartner Hype Cycle) — это графическое отображение пяти стадий зрелости технологий: от появления (триггер) и пика завышенных ожиданий до разочарования, преодоления недостатков и, наконец, продуктивного использования. Она помогает бизнесу понять, когда инвестировать в инновации, а когда стоит подождать.
Мы не в одной точке кривой
Когда говорят «ИИ», обычно подразумевают что-то единое. На практике это как минимум три разных слоя:
— классическое машинное обучение;
— Generative AI;
— агентные системы.
И у каждого из них — своя стадия зрелости.
С машинным обучением все довольно понятно. Это уже давно не поле для экспериментов, а базовая инфраструктура банковского бизнеса, включающая скоринг, антифрод, рекомендации и другие методы. Это уже не просто дань моде и «технологический хайп», а инструменты с понятным P&L-эффектом (Profit and Loss, влияние различных факторов на финансовый результат компании, который отражается в отчете о прибылях и убытках).
С generative AI все иначе. Сейчас это, скорее, пик завышенных ожиданий. Банки массово запускают ассистентов, чат-боты, внутренние copilot-инструменты. Но если копнуть глубже, эффект часто оказывается скромнее, чем предполагалось на старте: не нулевой, но и не прорывной.
Агентные системы — следующая волна. О них много говорят, но по факту они пока находятся на ранней стадии. Значительная часть агентов, которые я вижу, это хорошо упакованные пайплайны, но настоящей автономности там немного.
Поэтому мы не на одном участке кривой. Мы сразу в нескольких. И это объясняет, почему вокруг столько противоречивых сигналов.
Где AI реально работает
Если убрать шум и маркетинг, картина становится довольно приземленной. Ценность AI в банках сегодня концентрируется в трех направлениях.
№ 1. Риски
Скоринг, антифрод, борьба с отмыванием денег (antifraud, AML). Самая зрелая зона, которая уже стала не «инновацией», а частью экономической модели банков. Здесь все просто: модель либо снижает потери, либо нет. Поэтому дискуссий меньше, а внедрений больше.
№ 2. Рост выручки
Персонализация, next best offer, динамическое ценообразование. Когда данные и модели действительно встроены в принятие решений, это дает прирост конверсии и LTV.
№ 3. Операционная эффективность
Обработка документов, поддержка клиентов, внутренние ассистенты. Именно сюда сейчас активно заходит generative AI. Здесь большой потенциал, но эффект сильно зависит от того, как именно это встроено в процессы: просто «поставить чат-бота» почти никогда не работает.
Откуда берется разочарование
При всей активности внедрений ощущение недоиспользованного потенциала довольно распространено. Причины, как ни странно, почти всегда одни и те же.
Во-первых, AI ради AI. Проект запускается только потому, что «нужно что-то сделать с AI», а не потому что есть конкретный бизнес-запрос.
Во-вторых, разрыв с процессами. Модель существует и даже может быть точной, но решения по-прежнему принимаются вручную или по старым правилам.
В-третьих, завышенные ожидания от Generative AI. Кажется, что ассистент автоматически снизит нагрузку или увеличит продажи. На практике без доработки процессов и метрик этого не происходит.
В-четвертых, масштабирование. Многие пилоты выглядят хорошо на ограниченной выборке, но так и не доходят до промышленного использования.
В какой-то момент все это складывается в знакомый сценарий, когда после всплеска интереса приходит разочарование.
Насколько это серьезно
Я бы не драматизировал. Скорее всего, падение будет неравномерным. Машинное обучение уже на своем плато зрелости, и там вряд ли что-то радикально изменится. Generative AI действительно пройдет через коррекцию ожиданий, это нормально для любой новой технологии. Агентные системы, наоборот, будут постепенно набирать смысл и форму.
Проще говоря, разочарование будет не в AI как таковом, а в том, как мы пытались его применять.
Что изменится дальше
Пожалуй, главный сдвиг, который сейчас начинается, это переход от отдельных моделей к системному использованию AI. Я бы выделил три направления.
AI как часть принятия решений. Не рекомендации где-то рядом, а реальные изменения в бизнес-логике: кредитных решениях, прайсинге, управлении клиентом.
AI как инструмент сотрудников. Ассистенты для менеджеров, аналитиков, операторов. Не вместо человека, а рядом с ним. Это куда более реалистичный сценарий, чем полная автоматизация.
AI в клиентском опыте. Не просто чат-боты, а действительно адаптивные сервисы, которые подстраиваются под клиента. Пока таких примеров немного, но они начинают появляться.
Что это значит на практике
Фокус постепенно смещается. Вопрос уже не в том, «есть ли у нас AI», а в том:
— где конкретно он дает экономический эффект;
— встроен ли он в реальные процессы;
— можно ли это масштабировать.
Это менее эффектная повестка, чем обсуждение новых моделей. Но, как показывает опыт, именно она определяет результат. Банки, которые пройдут этот путь, действительно получат преимущество – не мгновенное, но устойчивое. Остальные рискуют остаться с набором пилотов, которые красиво смотрятся в презентациях, но слабо влияют на бизнес.
Вместо вывода
У меня нет ощущения, что AI в банкинге переоценен, скорее мы переоценили скорость и простоту его внедрения.
ML уже стал частью базовой экономики.
Generative AI проходит через неизбежную проверку реальностью.
Агентные системы только формируются.
Возможно, это как раз тот момент, когда разговор об AI становится взрослее. Не про хайп, а про то, где он действительно работает и за что в итоге платит бизнес.
Напоследок скажу о том, про что неудобно говорить, но без этого ничего не работает. Классическое правило “garbage in, garbage out” никто не отменял. Качество данных, логика процессов и здравый смысл в принятии решений по-прежнему важнее любой модели.
Возможно, стоит идти в обратном порядке от того, что происходит сейчас: сначала наводить порядок в процессах, упрощать их, делать прозрачными и только потом пропитывать их AI. Не пытаться натянуть AI на неработающую систему, а постепенно делать сами процессы AI-native. Это менее эффектно, чем запуск очередного ассистента, но именно это, как правило, и дает реальный результат.
Материал носит информационный и аналитический характер и отражает общее видение подходов к использованию AI. Он не является рекомендацией или руководством к действию. Автор и Mastercard не гарантируют точность и полноту изложенной информации и не несут ответственности за решения, принятые на ее основе.