Год отечественных платформ: влияние технологических лидеров на развитие ИИ в финансах
Отечественный финансовый рынок переходит от пробного использования больших языковых моделей к их полноценному внедрению, активно задействуя облачные сервисы крупнейших российских поставщиков. Такой подход создает заметный контраст с западными компаниями, которые чаще выбирают гибридные стратегии с развертыванием собственных или адаптированных моделей в своей инфраструктуре.
Доминирующие технологические экосистемы
Предпочтение централизованным поставщикам моделей в России обусловлено практическими соображениями: ускорение запуска решений, управляемость расходов, а также преодоление нехватки вычислительных мощностей и квалифицированных кадров делают модель «LLM как услугу» наиболее выгодной для большинства участников рынка.
В то же время сохраняющиеся риски, связанные с моделями (например, склонность к генерации недостоверной информации, вопросы безопасности), а также отсутствие значимой отдачи от инвестиций, соответствующей амбициям сектора, повышают общие риски внедрения и масштабных вложений.
В сегменте платформ в настоящее время преобладают предложения двух ключевых экосистемных вендоров, которые служат основой для корпоративных экспериментов и коммерческих продуктов.
В 2025 году обе экосистемы существенно расширили бизнес-функциональность: ведущий технологический игрок открыл доступ к своей основной модели и одновременно сократил стоимость в три раза — до 0,40 ₽ за 1000 токенов. Учитывая современные тенденции масштабирования LLM через цепочки логических рассуждений и параллельные вычисления, что ведет к более быстрому расходованию токенов, цена становится ключевым фактором совокупной стоимости владения. При этом снижение стоимости токена, вероятно, будет компенсироваться ростом объемов потребления, что может уменьшить фактический экономический эффект от удешевления.
Ещё один участник экосистемы, со своей стороны, внедрил голосовое общение в веб-браузере и на Android, а также добавил поддержку цепочек рассуждений (chain-of-thought) в интерфейс пользователя в июле текущего года. Этим решением уже пользуются около 15 000 российских организаций, тогда как их соперник сообщил о 25 000 корпоративных заказчиков по результатам первых шести месяцев, а технологии распознавания и генерации речи суммарно обработали 77 миллионов минут за аналогичный срок.
Опыт рынка: кейсы внедрений
Поверх фундаментальных языковых моделей от технологических лидеров другие игроки создают платформы более высокого уровня, напрямую нацеленные на удовлетворение бизнес-потребностей.
Например, контактный центр одного из трёх крупнейших банков России перешёл на платформенное решение от вендора, которое теперь обслуживает более 7 миллионов звонков ежемесячно; в состав этого решения входят интеллектуальный помощник и ИИ-инструменты для поддержки сотрудников.
Крупная ИТ-компания анонсировала настраиваемую платформу, позволяющую сократить среднее время обслуживания благодаря контекстным подсказкам, а также представила агента для организации голосового взаимодействия.
Другой банк встроил модель для масштабного анализа диалогов, что позволило ускорить разбор клиентских бесед в 30 раз, обрабатывая свыше 29 000 разговоров в неделю. Внедрённый ими агент поддержки обработал около 60 000 клиентских обращений с минимальным числом ошибок, автоматизировав до 8% запросов и повысив индекс удовлетворённости клиентов (CSI) на 0,2 пункта.
Некоторые компании создают собственные комплексные продукты в тех областях, где существующие платформы не демонстрируют необходимой эффективности.
Российская биржа внедрила собственное ИИ-решение в офисные приложения и веб-интерфейсы, а также технологию RAG для поиска по внутренним документам. Время поиска сократилось с 18 минут до 15 секунд, что потенциально позволяет экономить более 1 млрд рублей ежегодно.
Крупный частный банк запустил нейропомощника в веб-банке для юридических лиц, а также отдельного ассистента по госзакупкам (который стал первым в России продуктом такого класса для бизнеса).
Из текущей практики видно, что наибольший интерес пока вызывают системы автоматизации поддержки, а также инструменты семантического поиска и анализа внутренней документации. В то же время более сложные агентские сценарии, способные взять на себя более широкий спектр клиентских операций, находятся преимущественно на этапе пилотных испытаний и апробации, сталкиваясь с регуляторной неопределённостью, вопросами контроля качества и прозрачности.
Наиболее распространённая модель внедрения выглядит как тонкая настройка со стороны вендора с последующей интеграцией в банке или через партнёрские платформы. Внутри банков формируются небольшие центры компетенций (prompt/product/eval/governance), которые работают «поверх» платформ технологических гигантов.
В данной модели ключевыми являются прежде всего продуктовые позиции (владелец сценария и бизнес-метрик, архитектор RAG, методолог по соответствию и специалист по безопасности), а также интеграционные роли и задача обучения персонала эффективному применению принципиально нового инструментария и корректировке рабочих процедур: к примеру, операторам требуется не столько руководство по ИИ, сколько пересмотренные показатели эффективности и четкое разграничение зон ответственности между алгоритмом и сотрудником.
Внедрению более продвинутых сценариев препятствуют четыре категории рисков
Первая — это качество: возникновение галлюцинаций, что отчасти решается сужением предметной области, указанием источников (grounding), внедрением системы оценки качества (evals) и сохранением человеческого контроля на наиболее критичных и рискованных этапах.
Вторая — данные: требуется очистка персональной информации и поиск оптимального баланса между конфиденциальностью и необходимой полнотой контекста и возможностей для автономных агентов.
Третья — безопасность: RBAC для function calling, аудит промтов, воспроизводимость результатов, защита от внедрения вредоносных промптов — инструменты обеспечения безопасности больших языковых моделей всё еще находятся в активной стадии развития.
И наконец, существуют опасения относительно окупаемости инвестиций, которая пока остается ограниченной как в России, так и в других странах, что создает угрозу формирования пузыря и потенциальных финансовых потерь в случае необходимости резкого сокращения финансирования: технологии IT-гигантов стимулируют отрасль, но пока движение происходит в гору. Эти риски вызывают беспокойство как у компаний, внедряющих решения, так и у регулирующих органов.
Регуляторная база пока находится на начальной стадии, что, с одной стороны, позволяет отрасли развиваться динамично и быстро, с другой — делает ее уязвимой для рисков. Однако ситуация постепенно меняется благодаря более системному и детальному подходу со стороны государства.
Банк России в июле обнародовал Этический кодекс применения ИИ на финансовом рынке, включающий принципы ориентации на человека, справедливости, открытости, безопасности и управления рисками, а также обязанность уведомлять клиентов об использовании искусственного интеллекта.
С этого же месяца ужесточаются правила локализации персональных данных: первоначальный сбор информации должен осуществляться на серверах, расположенных в РФ. Это напрямую сказывается на построении архитектур RAG и систем ведения логов, усложняя применение зарубежных моделей, к примеру, в рамках суверенных облачных решений соседних государств. Одновременно регулятор усиливает меры по защите клиентов от мошеннических операций и указывает на риски, связанные с дипфейками. Это повышает важность вопросов безопасности ИИ-моделей (таких как наличие инструментов для выявления синтезированной речи) и актуализирует дискуссию об ответственности в случае атак на системы искусственного интеллекта.
Подход к хостингу моделей отличается между российскими и западными игроками
Западные финансовые компании нередко выбирают гибридные подходы, комбинируя готовые решения вендоров и адаптированные модели (часто на основе открытых). Это даёт им более высокий уровень контроля над хранением и обработкой конфиденциальных данных, не требуя передачи их сторонним поставщикам, и позволяет рассматривать модели не просто как сервис (Platform/LLM-as-a-Service), но и как внутренний компонент, который можно использовать и дорабатывать внутри компании.
В России же чаще привлекают крупные ИТ-компании в качестве партнёров; собственные разработки пока встречаются реже.
Это отчасти объясняется нехваткой вычислительных ресурсов и квалифицированных специалистов, а отчасти — исторически более тесной интеграцией ИТ-инфраструктуры российских предприятий. Для финансового сектора эти сложности становятся дополнительным доводом в пользу сотрудничества с технологическими гигантами, которые способны консолидировать поставки и настройку сложных инфраструктурных решений, оптимально распределять кадры и организовывать разделение ресурсов между участниками рынка, повышая их загрузку и снижая общие затраты.
К 2025 году использование искусственного интеллекта в финансовом секторе России стало более практичным и нацеленным на конкретные показатели. В обозримом будущем продолжится развитие сложных архитектур: многоагентных систем с центральной управляющей моделью, которая координирует работу узкопрофильных модулей для полного охвата бизнес-процессов, совершенствование голосовых интерфейсов (не только в службах поддержки, но и в прямом обслуживании клиентов) и их объединение с автоматизированными помощниками, а также углубление специализации ассистентов для таких областей, как контроль соответствия, оценка кредитных рисков, управление закупками и других.
Накопление опыта внедрения и повышение зрелости отечественных ИИ-решений будут способствовать усилению их влияния на экономику, что, в свою очередь, стимулирует дополнительные вложения в инфраструктурные и энергетические проекты. Банки в этой ситуации выступят не только как потребители экономических результатов, но и как ключевые участники, обеспечивающие финансовую поддержку таких инициатив.
