Хайп вокруг технологий генеративного искусственного интеллекта, начавшийся во второй половине 2010-х годов, постепенно сменяется разумным потреблением продуктов и услуг. Однако переходный период еще далек от завершения, и внедрение интеллектуальных инструментов многие компании оценивают как высокорисковые инвестиции — даже в таких продвинутых отраслях, как финансовая. Подробно о неудачных и успешных ИИ-проектах в этой сфере порталу PLUSworld рассказывает директор по инновациям Fork-Tech Владислав Лаптев.
В финтехе можно выделить общие технологические тенденции, присущие в равной мере и другим отраслям экономики, и специализированные, характерные именно для финансового сектора. К первым относятся импортозамещение ИТ-инфраструктуры, усиление ИБ, дефицит ИТ-специалистов на рынке труда. Ко вторым — применение биометрии для бесконтактной оплаты, внедрение цифровых валют и цифровых финансовых активов, появление на рынке крупных технологических компаний, развитие мобильных и инновационных платежных решений.
ИИ можно отнести к обеим категориям: стремительный рост интереса к этой технологии характерен для всех сфер деятельности, но в финтехе он имеет свои особенности. Не будет преувеличением сказать, что сегодня ИИ — ключевой драйвер цифровой трансформации этой отрасли. Однако, согласно прошлогоднему исследованию RAND Corporation, более 80% новых проектов в сфере ИИ не достигают заявленных бизнес-результатов. Разберемся, почему так происходит.
Внедрение ИИ: крупные провалы и заметные достижения
Провальных внедрений ИИ не избежали всемирно известные компании. Вот несколько примеров.
Американская компания в сфере недвижимости Zillow Offers, доверившись алгоритму автоматизированной покупки домов, потеряла около 500 млн долл., так как модель не смогла учесть резкие изменения рынка и давала неверные прогнозы.
Кредитный сервис Apple Card понес убытки и вынужден был корректировать бизнес-процессы из-за системы ИИ-скоринга: она установила кредитные лимиты для женщин вдвое ниже, чем для мужчин при схожих финансовых показателях, что вызвало возмущение пользователей.
Инструмент для автоматизации отбора кандидатов Amazon’s AI Recruiting Tool тоже оказался замешан в гендерном скандале: система показывала явную предвзятость к женским резюме. Низкое качество найма вынудило компанию отказаться от использования системы.
Чат-бот Microsoft’s Tay Chatbot, запущенный ИТ-гигантом для общения с пользователями в соцсетях, всего за сутки научился генерировать оскорбительный контент и был оперативно свернут.
Очевидно, что без тщательного анализа бизнес-процессов, наличия качественных данных, постановки четких бизнес-целей и строгого управления ИИ-решения могут не достичь цели, вызвать значительные убытки и подорвать доверие клиентов. И если мировые гиганты еще могут себе позволить потерять миллионы долларов на провальном проекте, то для российского банка такие расходы могут привести к трагическим последствиям.
С другой стороны, известно и большое количество успешных кейсов внедрения ИИ в финтехе. Ниже приведен обобщенный опыт таких финансовых организаций, как банки Bank of America, Capital One, JPMorgan Chase, HSBC, Goldman Sachs, Morgan Stanley, инвестиционные платформы Betterment и Wealthfront.
– Чат-бот клиентской поддержки позволил автоматически закрывать до 50% запросов, снизив нагрузку на операторов на 40%.
– Система распознавания документов сократила время их обработки на 40%, при этом количество ошибок, связанных с человеческим фактором, снизилось с 15% до 5%.
– Инструмент аналитики инвестиционного портфеля помог добиться снижения инвестиционных рисков на 20–30%.
– Сервис классификации обращений сократил время обработки запросов на 25%.
– Система аналитики транзакций повысила точность обнаружения аномалий до 95%, сократила время реагирования на аномальную транзакцию до 1 минуты.
– Система речевой аналитики колл-центра позволила снизить отток клиентов банка на 10–15% и повысить их удовлетворенность на 15% за счет повышения качества обслуживания.
– Инструмент генерации финансовых отчетов снизил затраты на их подготовку до 50%, повысил оперативность принятия решений на 30%.
– Инструмент персонализированного кросс-селлинга помог банку увеличить конверсию на 20% и объем продаж на 15%.
Все успешные проекты характеризуются грамотным выбором инструментов ИИ и сценариев их применения. Поэтому далее речь пойдет о том, как сделать такой выбор.
Оптимальная автоматизация: нужен ли вам ИИ?
Если бизнес-процессы компании четко описаны, а задача хорошо структурирована, альтернативные, проверенные временем методы автоматизации часто оказываются эффективнее сложных ИИ-решений.
Например, чат-боты на базе технологии роботизации (RPA) обрабатывают до 50% типовых запросов с временем ответа 1,5–2 минуты и низким уровнем ошибок (~10%). Готовые модули оптического распознавание символов (OCR), учитывающие бизнес-правила, быстрее специалиста обрабатывают документы, ошибаясь всего примерно в 5% случаев. Традиционные скоринговые карты достигают точности около 88% при существенно меньших затратах, а низкокодовые платформы и облачные SaaS-решения обеспечивают быструю автоматизацию.
Решения на базе RPA и готовых модулей позволяют сократить время обработки заявок на 40% и снизить операционные расходы на 30%, обеспечивая при этом прозрачность процесса и быстрый запуск. Это означает, что перед тем, как думать о внедрении ИИ, компании стоит удостовериться, что актуальные задачи невозможно решить другими способами, которые дадут сопоставимый эффект с меньшими инвестициями.
ИИ и LLM — мощные инструменты, но их применение должно быть обоснованным. Эффект от использования будет виден, прежде всего, на больших массивах информации. Это могут быть сложные задачи с большим объемом неструктурированных данных — искусственный интеллект значительно ускорит их анализ, найдет аномалии, подготовит для дальнейшего использования. ИИ также эффективен при решении задач глубокой аналитики данных для персонализации предложений и прогнозирования поведения потребителей. В любом случае, важными предпосылками успеха будут качество исходных данных, достаточно продолжительный срок обучения модели и включение контроля в соответствии с концепцией Human-in-the-loop — это позволит предотвратить «галлюцинации» ИИ.
Бизнес-показатели для оценки эффективности ИИ
По нашему опыту, чтобы найти оптимальное решение задачи, нужно придерживаться структурированного подхода. Реализация проекта должна включать несколько важных этапов.
Сначала сформулируйте проблему и установите KPI: определите, что именно нужно улучшить — время обработки, уровень дефолтов, удовлетворенность клиентов и т. п. Затем оцените доступность и качество данных, а также готовность инфраструктуры. Запустите пилотный проект (Proof-of-Concept) и соберите ключевые метрики. Рассчитайте ROI и сравните ожидаемый эффект с альтернативными методами решения задачи: если они дают сопоставимые результаты при при меньших затратах, стоит выбрать их. Не забудьте сравнить и операционные расходы: альтернативные решения часто позволяют экономить на OPEX до 30–40%.
Для оценки эффективности ИИ-инструментов важно использовать конкретные, измеримые метрики. Вот несколько характерных примеров: время обработки заявок снизилось на 40% или на 15 минут; количество ошибок сократилось на 10–15%; индекс потребительской лояльности (NPS) вырос на 6 процентных пунктов; показатель оттока клиентов уменьшился на 0,7 процентных пункта. Эти метрики помогут оценить, насколько оправданы инвестиции, и принять обоснованное решение. Использование такого алгоритма действий позволит минимизировать риски и обеспечит максимальную отдачу от инвестиций. Лишь затем можно переходите к масштабированию решения.
Итак, технологии искусственного интеллекта способны привести компанию к новому уровню цифровизации бизнес-процессов и могут демонстрировать измеримую эффективность. Однако польза от них сильно зависит от того, насколько тщательно компания проведет аудит процессов, рассчитает ROI, спланирует проект, реализует пилотное тестирование. Если же в компании не автоматизированы типовые процессы, которые удобнее закрыть альтернативными, менее затратными методами, то лучше начать с них. Выбор оптимального решения должен основываться на четких бизнес-целях, наличии качественных данных, грамотном управлении рисками и строгом учете требований информационной безопасности.
Фото: предоставлено автором
