Как ИИ модернизирует скоринг
Традиционной оценки уже недостаточно
Еще недавно скоринг бизнеса строился вокруг финансовой отчетности, кредитной истории и ручной проверки заявки. Такой подход по-прежнему эффективен для компаний с прозрачной структурой бизнеса, но все хуже работает и систематически дает сбои там, где финансовая картина менее линейна: у малого бизнеса, молодых компаний, предприятий с сезонной выручкой или длинным производственным циклом.
При этом спрос на финансирование предпринимательства только растет. По данным Банки.ру, в первом полугодии 2026 года доля заявок на кредитные продукты среди всех финансовых сервисов для бизнеса превысила 70%, тогда как в течение 2025 года не поднималась выше 64%.
Чтобы точнее и оперативнее оценивать риски, банкам приходится отходить от универсальных моделей и учитывать значительно больше факторов. Именно здесь ИИ становится одним из основных инструментов.
От статичных данных к гибкому анализу
Главный сдвиг — переход от анализа формальных показателей к комплексной и автоматизированной оценке поведения бизнеса. Если раньше система в первую очередь анализировала данные кредитных бюро и государственных реестров, то теперь с помощью алгоритмов учитываются и другие факторы, включая параметры скоринга благонадежности. Например, связи с подозрительными контрагентами, участие в судебных разбирательствах или попадание в санкционные списки.
Большинство этих данных существовало и раньше, однако изменился способ работы с ними. Многомодульные ИИ-модели позволяют одновременно анализировать тысячи взаимосвязей между показателями, выявлять скрытые закономерности и точнее прогнозировать кредитный риск. Кроме того, они могут дообучаться на новых данных по мере изменения рыночной ситуации, тогда как классические скоринговые модели требуют ручной корректировки и обновляются значительно медленнее.
ИИ уже внедрили в свои процессы крупнейшие банки России. В ВТБ ML-модели объединяют данные кредитной истории, финансовой отчетности и транзакционной активности для расчета вероятности дефолта и кредитного лимита. А в Уралсибе дополнительно учитываются структура денежных потоков, регулярность расчетов и специфика отрасли, что позволяет выявлять признаки дальнейшего роста или возможных рисков бизнеса.
Одновременно развивается Explainable AI — объяснимый искусственный интеллект. Он не просто оценивает вероятность одобрения кредита, но и позволяет видеть, какие именно факторы повлияли на решение по заявке. Например, система может указать, что заемщик высокорисковый из-за снижения оборотов и высокой долговой нагрузки компании. Это помогает банкам контролировать модели, быстрее находить ошибки и объяснять клиентам отказы.
Кто выигрывает от нового подхода
Сильнее всего изменения ощущают компании, которые раньше сложнее проходили классическую оценку. В первую очередь это микро- и малый бизнес, молодые предприятия, организации с нерегулярной выручкой или нестандартной моделью денежных потоков. Например, для традиционного скоринга сезонное снижение оборотов часто выглядело как ухудшение финансового положения, хотя для сезонных отраслей — туристического, сельскохозяйственного и строительного бизнеса — это естественная часть цикла.
ИИ позволяет учитывать контекст. Помимо финансовой отчетности анализируются движение денежных средств, транзакционная активность, отраслевые особенности и другие показатели. Благодаря этому банк получает более объективное представление о бизнесе и может точнее оценить его кредитоспособность.
Это особенно актуально для отраслей, которые сегодня чаще всего обращаются за финансированием. По данным Банки.ру, в первом квартале 2026 года на торговлю пришлось 46,4% запросов бизнеса на финансовые продукты, на транспорт — 15,2%, на строительство — 10,9%.
Что меняется для бизнеса на практике
Самое заметное изменение — скорость. Сегодня лидеры рынка стремятся сократить время принятия решения по кредитам для МСБ до нескольких часов, тогда как раньше рассмотрение заявки могло занимать от двух недель до полутора месяцев. Для небольших сумм и проверенных клиентов процесс стал еще быстрее: после автоматической проверки и подписания документов средства по скоринговому экспресс-кредиту могут поступить на расчетный счет компании всего за несколько минут.
При этом человек из процесса не исчезает. Эксперт по-прежнему необходим при рассмотрении крупных кредитов, сложных сделок, нестандартного залога или реструктуризации задолженности. ИИ берет на себя рутинные операции, а окончательное решение остается за специалистом.
Еще одно направление — персонификация. Например, в МТС Банке кредитный скоринг помогает кастомизировать предложение для клиентов. Алгоритмы учитывают масштаб компании, отрасль, финансовое состояние и особенности ее работы, благодаря чему предприниматель получает условия, которые лучше соответствуют возможностям компании.
Что будет дальше
Следующий этап развития связан уже не столько с новыми алгоритмами, сколько с изменением самой логики оценки бизнеса.
Во-первых, главным источником информации постепенно станут транзакционные данные, а традиционная бухгалтерская отчетность отойдет на второй план. Уже сейчас банки могут отслеживать движение средств на счетах своих клиентов, чтобы мониторить их финансовое положение и прогнозировать риски.
Во-вторых, в скоринге усилится опора на цифровой профиль компании. Помимо финансовых показателей банки будут напрямую учитывать внешние данные: налоговую историю, сведения о сотрудниках и участие в госзакупках.
В-третьих, разовая проверка при подаче заявки постепенно уступит место непрерывному мониторингу. Модели машинного обучения на основе внутренней CRM-системы банка, кредитных конвейеров и истории транзакций позволяют вести постоянную оценку кредитоспособности. Банки смогут автоматически корректировать лимиты и предлагать решения по мере изменения ситуации в бизнесе.
В результате конкуренция между банками будет строиться не только вокруг процентных ставок. На первый план выйдут качество скоринговых моделей, скорость принятия решений и способность точнее оценивать реальное состояние бизнеса.
