Компания «Рексофт» представила обзор применения генеративного ИИ в банках. Для этого были проанализированы более 200 кейсов внедрения ИИ-решений (в том числе более 130 кейсов применения генеративного ИИ) в российских и зарубежных финансовых институтах, а также данные из открытых источников.

Специалисты изучили текущий уровень проникновения ИИ в банковскую отрасль, барьеры и эффекты применения технологии.

Ключевые выводы:

• 48% финансовых организаций в России уже начали внедрять ИИ-решения. При этом большинство эффектов достигаются за счет сокращения фонда оплаты труда и ограниченно влияют на выручку банка, отмечают авторы документа. 70% неудач ИИ-проектов аналитики связывают не со слабостью алгоритмов, а с фундаментальной неготовностью бизнеса к изменениям и подходом к ИИ как к ИТ-инструменту;
• эффекты от внедрения ИИ могут увеличить прибыль банка в 1,5 раза в перспективе 2–5 лет. На данном этапе развития технологий потенциальный базовый эффект для отрасли от ИИ может составить 385 млрд руб., а при переходе к стратегии AI-First технология может принести российским банкам до 1,9 трлн руб., прогнозируют авторы;
• экономический эффект от внедрения ИИ в банках значительно варьируется в зависимости от выбранных процессов, говорят  исследователи. Точечные внедрения могут принести до 11% роста прибыли, когда эффект от комплексной ИИ-трансформации оценивается до 53%. Анализ процессов фронт-офиса показал, что внедрение помощников и чат-ботов дает в среднем лишь 1,2% прироста прибыли, в то время как комплексная перестройка процессов фронт-офиса может увеличить этот показатель на 20%. В мидл-офисе, где использование генеративного ИИ пока ограничено, потенциальный эффект составляет до 19%, а в бэк-офисе и ИТ – до 13%, говорится в документе;
• к ключевым факторам успеха аналитики относят включение ИИ-трансформации в стратегические цели, выбор «пилотных» процессов исходя из их потенциала, максимальное использование генеративного ИИ и комплексный подход к трансформации, включающий перестройку операционной модели, развитие компетенций, ИТ-архитектуры и управления данными;
• основные трудности при реализации ИИ-инициатив обусловлены проблемами процессного характера, пишут аналитики. Несовершенства ИТ-ландшафта и недостатки алгоритмов играют второстепенную роль. Тем не менее среди технологических сложностей авторы выделяют: отсутствие опыта в построении и управлении мультиагентными системами на базе LLM, недостаточный объем данных для обучения ИИ-моделей, необходимость интеграции с Legacy-системами, высокие затраты на инфраструктуру и вычисления, отсутствие детального плана масштабирования (развертывания) ИИ-решений и зависимость от внешних сервисов/моделей.