Вступительное слово
Цифровая трансформация больше не дает преимуществ — это стандарт. Новая арена конкуренции — искусственный интеллект (ИИ). Однако, несмотря на инвестиции, большинство банков не получают от ИИ стратегической отдачи. Проблема не в технологиях, а в неготовности самих организаций. В этом отчете мы анализируем реальные барьеры на пути к автономному банку будущего и предлагаем дорожную карту для перехода от разрозненных экспериментов к системному внедрению ИИ. Это руководство к действию для лидеров завтрашнего дня.
Розничные банки сталкиваются со множеством вызовов — падение спроса на кредитные продукты, снижение маржинальности, рост операционных затрат. Традиционные инструменты конкурентной борьбы себя исчерпали — сменить банк можно за 5 минут онлайн, а новые продукты и сервисы запускаются крупными банками с разницей в пару недель. ИИ становится для банковской отрасли больше, чем просто инструментом. Трансформация по модели AI-First может перевернуть традиционный взгляд на продукты, клиентский сервис и операционную модель банка. Но для достижения реального эффекта и устойчивых изменений нужен стратегический, комплексный подход к трансформации. Данное исследование поможет увидеть большую картину и даст основу для расстановки приоритетов.
Александр Чугунов
Директор практики «Стратегия» Рексофт-Консалтинг
Алексей Лебедев
Директор департамента «Банки и финансы» Рексофт
Методология исследования
В основе исследования лежит комплексный подход: мы проанализировали более 200 практических кейсов внедрения ИИ-решений (в т.ч. более 130 кейсов внедрения генеративного ИИ) в российских и зарубежных финансовых институтах, а также авторитетные отраслевые отчеты. Все выводы и рекомендации верифицированы нашим практическим опытом реализации проектов для ведущих игроков рынка и структурированы с помощью собственных методологических фреймворков, что обеспечивает взвешенный и применимый на практике результат.
Вводная часть
Ключевые выводы
ИИ — больше чем технология
В условиях снижения общей прибыли сектора (на 14% в 2025 году), когда издержки смены банка для клиентов стремятся к нулю, именно ИИ становится не просто технологией, а ключевым фактором, меняющим правила рынка. Появление новых игроков, строящих свои бизнес-модели на принципах ИИ без legacy-архитектуры, смещает фокус конкуренции с улучшения продуктов на фундаментальную перестройку всей операционной модели.
Тактическая ловушка — текущие внедрения ИИ не дают ожидаемого эффекта
В РФ 48% финансовых организаций уже начали внедрять ИИ-решения. При этом большинство эффектов достигаются за счет сокращения ФОТ и не влияют на выручку банка. 70% неудач ИИ-проектов вызваны не слабостью алгоритмов, а фундаментальной неготовностью бизнеса к изменениям и восприятием ИИ как ИТ-инструмента.
Как достичь значимых эффектов и подготовиться к будущему
Эффекты от внедрения ИИ могут увеличить прибыль банка в полтора раза в перспективе 2-5 лет. Ключевые факторы успеха — стратегический выбор «пилотов» исходя из потенциала и сложности, максимальное использование генеративного ИИ и комплексный подход к трансформации, включающий перестройку процессов, закрепление ответственности, а также развитие компетенций, ИТ-архитектуры и управления данными.
С чего начать
Лидерам отрасли, уже разрабатывающим собственные ИИ-платформы, взгляд «сверху вниз» на организацию поможет систематизировать трансформацию и создать базу для внедрения технологий. Средним же игрокам не стоит вступать в гонку разработок — для них оптимальным путем станет трансформация с участием внешнего технологического партнера, который предоставит экспертизу, подберет готовые решения и запустит необходимые изменения.
Текущий уровень проникновения ИИ в банковскую отрасль
По итогам 2024 года объем мирового рынка ИИ в банковском секторе составил $26,2 млрд и продолжает расти. Банки и другие участники рынка выступают ключевым драйвером глобального развития ИИ благодаря высокой цифровой зрелости, масштабной цифровизации услуг, созданию экосистем и совершенствованию клиентского пути.
| Направление использования ИИ (мировая практика) | Доля компаний, использующих решение |
|---|---|
| ИТ и кибербезопасность | 74% |
| Клиентская поддержка | 72% |
| Продажи, маркетинг и финансы | 69% |
Российская финансовая отрасль также лидирует во внедрении ИИ: по данным НЦРИИ (Национальный центр развития искусственного интеллекта), в 2024 году 48% финансовых организаций имели хотя бы одно промышленное ИИ-решение. Основные направления внедрения — автоматизация работы колл-центров и цифровых каналов обслуживания, а также ИТ-подразделений.
Однако при внедрении ИИ компаниям часто сложно перейти от идеи к подтвержденной бизнес-ценности (from proof-of-concept to proof-of-value).
| Метрики эффективности и внедрения ИИ | Значение |
|---|---|
| Доля масштабируемых пилотных ИИ-решений | 20% |
| Респонденты, сообщающие о снижении затрат | 66% |
| Респонденты, отмечающие существенный рост выручки | 20% |
| Топ-менеджеры, ожидающие эффекта до начала инвестиций | 71% |
Большая часть ИИ-решений внедряется в поддерживающих процессах и пока что имеет ограниченное влияние на финансовый результат. Несмотря на все трудности, ожидается, что рынок банковского ИИ будет расти быстрее остального рынка: ежегодный прогнозный рост составит 32% в ближайшие пять лет при среднерыночных 19%.
| Год | Рынок ИИ-решений в банковском секторе (млрд $ США) |
|---|---|
| 2024 | 26,2 |
| 2025 (прогноз) | 34,6 |
| 2026 (прогноз) | 45,6 |
| 2027 (прогноз) | 60,1 |
| 2028 (прогноз) | 79,2 |
| 2029 (прогноз) | 104,5 |
| 2030 (прогноз) | 137,7 |
| CAGR (среднегодовой темп роста) | 32% |
Возможности достижения устойчивого стратегического преимущества
За последние 30 лет источники конкурентного преимущества в банкинге радикально изменились. В 1990–2000-х банки фокусировались на развитии физических каналов и прямом маркетинге. В 2010-х приоритет сместился к цифровизации клиентского опыта и построению экосистем. Сегодня функции ДБО через мобильные и веб-приложения есть у каждого розничного банка РФ из топ-30.
Конкуренция переместилась в оптимизацию процессов разработки (DevOps, CI/CD). В результате внедрения микросервисных платформ ВТБ и Сбербанк смогли ускорить запуск новых продуктов до 2–4 недель. Сейчас потенциал дальнейшего роста эффективности через сокращение TTM ограничен.
Этапы развития банковского сектора
| Период | Название этапа | Ключевое содержание |
| :--- | :--- | :--- | | 1990-2000-е | Развитие физических каналов и маркетинга | Расширение филиальной сети и активные маркетинговые коммуникации для привлечения ключевых клиентских сегментов. | | 2010-е | Продуктовый подход и развитие экосистем | Развитие мобильных сервисов, внедрение продуктового управления и создание партнерских экосистем. | | 2020-е | Внедрение ИИ | Персонализация клиентского опыта, качественное улучшение соотношения доходов и расходов (Cost-to-Income Ratio) за счет сквозного встраивания ИИ-решений в процессы банков. |
Давление на рентабельность: рост издержек как ключевой вызов для банков
Несмотря на рост прибыли сектора в 2024 году (на 19,8%), динамика изменения операционных расходов (OPEX) оказалась более выраженной, опережая темпы увеличения чистого процентного и чистого комиссионного дохода на 11% и 13% соответственно.
| Показатель эффективности (АКРА) | 2023 год | 2024 год |
|---|---|---|
| Необходимый прирост OPEX для увеличения дохода на 1 рубль | 0,23 руб. | 0,85 руб. |
Согласно прогнозу регулятора, чистая прибыль банковского сектора в 2025 году сократится в среднем на 14%, до 3-3,5 трлн руб. В этих условиях вопрос повышения эффективности становится критическим.
ИИ как новый дизраптор отрасли
Ключевой сдвиг — переход к модели автономного банкинга. Это полностью автоматизированная финансовая экосистема, в которой интеллектуальные ИИ-агенты взаимодействуют с клиентами, управляют продуктами и выполняют операции с минимальным вмешательством человека.
Эта трансформация уже началась. На рынке появляются новые игроки без legacy-систем, которые изначально строят свои бизнес-модели на принципах ИИ (например, OffDeal). Параллельно крупные технологические компании развивают свои ИИ-решения, усиливая давление на традиционных игроков.
Вопрос повышения эффективности становится для банков особенно актуальным.
В условиях, когда традиционные источники роста исчерпаны, а рентабельность находится под давлением, ИИ становится не просто инструментом оптимизации, а фундаментом для создания новой бизнес-модели в отрасли. Ключевой сдвиг, который определит облик индустрии, — переход к модели автономного банкинга. Это полностью автоматизированная финансовая экосистема, в которой интеллектуальные ИИ-агенты взаимодействуют с клиентами, управляют продуктами и выполняют операции с минимальным вмешательством человека. Такая модель позволит достичь принципиально нового уровня эффективности и гибкости.
Эта трансформация уже началась. На рынке появляются новые игроки, не обремененные сложной организационной структурой и legacy-системами, которые изначально строят свои бизнес-модели на принципах ИИ (прим. OffDeal). Параллельно крупные технологические компании развивают свои ИИ-платформы, технологический потенциал которых позволит им в будущем с высокой эффективностью и скоростью реплицировать ключевые банковские функции.
Для действующих игроков это означает, что конкуренция смещается с улучшения существующих продуктов на фундаментальную перестройку операционной модели. Скорость и глубина этой перестройки определят, как будет выглядеть банковский сектор в будущем — как на горизонте ближайших 2–5 лет, так и в перспективе следующего десятилетия. Искусственный интеллект начинает новую эру цифрового банкинга, открывая возможности для роста и меняя правила конкуренции в отрасли.
Траектория развития банков при внедрении ИИ
| Слой / Аспект | Базовый сценарий развития (Горизонт 2–5 лет) | Возможный сценарий (Горизонт 10+ лет) |
|---|---|---|
| Бизнес-модель | Активное внедрение ИИ для глубокой персонализации сервисов и развития новых экосистемных решений. Формирование собственных AI-платформ и персонализированных финансовых предложений в реальном времени. Масштабирование сотрудничества с внешними партнерами (Open Banking). Конкурентное преимущество в клиентском опыте. | Автономные ИИ-агенты, проводящие транзакции от лица банка и клиентов (от вкладов до управления активами) как замена текущей модели банков. |
| Операционная модель | Расширение применения центров ИИ-экспертизы и распределенных ИИ-команд внутри бизнес-подразделений. Ввод новых ролей и развитие смешанных команд «человек + ИИ». Развитие профильных ролей (ИИ-владелец продукта, ML-инженер). Централизованное управление портфелем ИИ-инициатив. | Выстраивание работы банка на взаимодействии ИИ-агентов с минимальным участием людей: человек формирует цели и оценивает результаты. |
| Бизнес-процессы | Массовая автоматизация типовых процессов (hyperautomation + IPA). Встраивание ИИ в принятие ключевых решений и мониторинг рисков. Внедрение ModelOps. Изменение сущности процессов — фокус на оркестрации. | Автоматизированные сквозные процессы управляются ИИ-агентами, которые самостоятельно оптимизируют и адаптируют операции в реальном времени. |
| ИТ-ландшафт | Внедрение централизованных AI/MLOps платформ и гибридных архитектур (cloud + on-premise). Оркестрация данных (DataOps, data fabric/mesh) и развитие AI-as-a-Service. Партнерство с облачными провайдерами для масштабируемости. | Единая AI-first архитектура с децентрализованными ИИ-агентами, полностью автоматизированным управлением инфраструктурой и самообучающимися системами безопасности. |
| Персонал и компетенции | Сотрудники на всех уровнях владеют базовыми знаниями об ИИ. C-level активно используют ИИ-аналитику. Развиты карьерные треки для ИИ-специалистов. Культура мышления AI-first. Базовые задачи переданы ИИ. | Ключевые роли персонала связаны со стратегией, экспертизой и этикой; основные рутинные и операционные функции полностью реализованы ИИ. |
| Комплаенс и отчетность | Внедрение стандартов ответственного ИИ. Автоматизация комплаенса, мониторинга и генерации отчетности. Встраивание ИИ-агентов в контур компании. Рост прозрачности контроля рисков. | Сквозная автоматизация комплаенса: ИИ-агенты проводят аудит, мониторинг и обмен данными с регуляторами в режиме реального времени. |
Применение генеративного ИИ в банкинге
Перед тем как перейти к практическим кейсам применения ИИ, предлагаем кратко повторить основные типы моделей, используемых в современных финансовых организациях.
Типизация наиболее распространенных алгоритмов и моделей ИИ
| Тип модели / системы | Описание и функциональность | Пример применения |
|---|---|---|
| ML-модель (Machine Learning) | Алгоритмы и структуры данных для выявления закономерностей, классификации и прогнозирования на основе больших наборов данных. | Ведущие банки применяют тысячи ML-моделей для прогнозирования рыночных рисков и оценки кредитоспособности. |
| Модель генеративного ИИ (GenAI) | Создает новый контент (текст, фото, код). Мультимодальна, адаптируется без переобучения. Использует LLM, LRM и техники RAG/KAG для работы с внешними данными. | GigaChat от Сбера: общение, генерация текстов, изображений и программного кода. |
| ИИ-ассистенты (AI-assistant) | Программы для решения конкретных вопросов через диалог. Требуют постоянных инструкций (промтов) от человека. | AskResearchGPT (Morgan Stanley): генерирует ответы на основе более 70 тыс. аналитических отчетов. |
| ИИ-агенты (AI-agent) | Автономные сущности, способные самостоятельно ставить цели и действовать в среде без контроля человека. Взаимодействуют с другими системами. | Платформа AlphaGen (Альфа-Банк): ИИ-агенты самостоятельно генерируют автотесты для кода. |
| Мультиагентные системы (МАС) | Группы специализированных агентов, решающих комплексные задачи через координацию ИИ-оркестраторами. | Chat Concierge (Capital One): система полностью покрывает процесс подбора и покупки авто. |
Возможности генеративного ИИ (GenAI)
Генеративный ИИ открывает новые возможности автоматизации. Его способность к многократному «рассуждению» делает инструмент ценным для задач, требующих гибкости.
| Направление | Функциональные возможности |
|---|---|
| Анализ и прогнозирование | Поиск информации, извлечение данных из неструктурированных источников, резюмирование, семантический анализ, выявление паттернов и генерация гипотетических сценариев. |
| Создание контента | Генерация текстов, изображений, аудио, видео и кода. Реструктуризация, корректура, редактирование и стилизация имеющегося материала. |
| Взаимодействие | Управление диалогами, поддержка пользователей, адаптация информации под клиента и обучение на основе истории взаимодействия. |
| Оптимизация процессов | Генерация новых рабочих процессов, поиск эффективных потоков и автоматизация операций на основе анализа данных. |
ИИ-агенты и мультиагентные системы (MAC)
Одним из последних витков развития ИИ являются мультиагентные системы (МАС) — совокупность независимых ИИ-агентов, каждый из которых отвечает за узкоспециализированную задачу и взаимодействует с другими через оркестратор.
Если в обычных генеративных моделях ИИ работает как «монолит», то в МАС несколько агентов делят функции между собой: один анализирует данные, другой оценивает риски, третий формулирует рекомендации. Это ускоряет процессы, укрепляет устойчивость и позволяет гибко масштабировать решения. За счет фиксированных каналов взаимодействия повышается прозрачность системы: становится проще контролировать логику работы.
Концепция мультиагентной системы для предотвращения и обнаружения мошенничества
Алгоритм отслеживает транзакции в реальном времени, используя комбинацию правил для выявления и первичной классификации подозрительных операций:
- ИИ-менеджер направляет задачи соответствующим агентам для дальнейшего анализа и отслеживает их выполнение.
- ИИ-аналитик проверяет транзакцию по внутренним и внешним источникам данных.
- ИИ-чат-бот связывается с клиентом для подтверждения операции.
- ИИ-оптимизатор на основе полученных данных обновляет правила фрод-мониторинга.
- Фрод-аналитик (человек) получает оповещение только о наиболее критических и сложных случаях.
...устойчивость и позволяет гибко масштабировать решения. За счет фиксированных каналов взаимодействия повышается прозрачность системы: становится проще контролировать логику работы и встраивать новые элементы. МАС превосходит одиночные модели за счет модульности, сочетающей преимущества разных алгоритмов и инструментов.
Алгоритм отслеживает транзакции в реальном времени, используя комбинацию правил для выявления и первичной классификации подозрительных операций.
- ИИ-менеджер направляет задачи соответствующим агентам для дальнейшего анализа и отслеживает их работу.
- ИИ-аналитик обрабатывает выбранные кейсы: модель агрегирует внутренние и внешние данные, проводит запрос уточняющей информации через чат-бот, формирует первичное заключение.
- Фрод-аналитик (сотрудник) просматривает результаты ИИ-агентов, при необходимости дорабатывает анализ и выносит окончательное решение.
- ИИ-оптимизатор анализирует завершенные кейсы, выявляет новые паттерны и предлагает корректировки моделей и правил для улучшения работы фрод-мониторинга.
- ИИ-чат-бот связывается с клиентом для подтверждения операции.
Текущие направления использования генеративного ИИ в банках
С точки зрения потенциальных эффектов от внедрения решений ИИ банковские процессы можно условно разделить на 3 типа:
| № | Тип процессов | Описание эффекта | Примеры |
|---|---|---|---|
| 01 | Базовые процессы с наименьшим потенциальным эффектом | Применение GenAI приводит к сокращению трудозатрат и ФОТ. | Частичная автоматизация работы колл-центра за счет внедрения ИИ-ассистентов для клиентов и сотрудников. |
| 02 | Процессы со средним потенциальным эффектом | Применение ИИ дополнительно приводит к ускорению TTM / принятия решений. | Частичная автоматизация работы ИТ-подразделений, кредитный скоринг, фрод-мониторинг, автоматизация решений о выдаче займов. |
| 03 | Процессы с наибольшим эффектом | Применение ИИ позволяет добиться существенной экономии и повысить удовлетворенность клиентов. | Автоматизация процессов с высоким уровнем риска, создание и управление жизненным циклом сложных банковских продуктов. |
Мы проанализировали более 130 кейсов использования генеративного ИИ банками, финтех-компаниями, инвестиционными фондами и другими организациями.
Драйверы потенциального эффекта и распределение кейсов
| Направление использования GenAI | Доля от общего количества кейсов |
|---|---|
| Клиентское обслуживание и автоматизация контакт-центра | 19% |
| Управление знаниями, совместная работа и коммуникация | 13% |
| Рыночная аналитика | 10% |
| ИТ-разработка и тестирование | 9% |
Экономический результат внедрения ИИ-решений
Экономический результат существенно варьируется в зависимости от выбранных процессов и направленности эффектов.
| Группа процессов | Эффект от точечного внедрения (% роста прибыли) | Эффект от комплексных ИИ-изменений (% роста прибыли) |
|---|---|---|
| Фронт-офис | 1,2% | 12,9% |
| Мидл-офис | 2,9% | 19,4% |
| ИТ и бэк-офис | 7,1% | 20,6% |
| Итого по банку | до 11% | до 53% |
Таргетирование эффектов, связанных с кросс-продажами, персонализацией продуктов, клиентским сервисом и оценкой рисков, позволяет увеличить результат для бизнеса более чем в 4-5 раз по сравнению с простой оптимизацией ФОТ.
Фронт-офис
Большинство кейсов применения генеративного ИИ во фронт-офисе затрагивают клиентское обслуживание, продажи и маркетинг.
| Пример использования | Заявленные эффекты |
|---|---|
| Продвинутые клиентские чат-боты | До 95% — обслуживание запросов; до 60% — сокращение времени ответа; до 90% — повышение удовлетворенности; на 40% — повышение вовлеченности. |
| ИИ-следователи для формирования отчетов | До 70% — сокращение времени на поиск и анализ информации на основе внутренних и внешних баз знаний. |
| Ассистенты сотрудника фронт-офиса (менеджера, консультанта, маркетолога) | До 15% — повышение производительности менеджеров; до 20% — увеличение продаж; на 10% — увеличение активов; до 7% — повышение производительности сотрудников КЦ; сокращение времени консультации на 20-35%; сокращение времени на поиск информации на 70%; на 34% — сокращение времени на создание маркетингового контента; до 45% — сокращение затрат на контент. |
Потенциальный эффект при внедрении ИИ-решений в процессах фронт-офиса составляет от 1% до 20% относительного роста прибыли.
Мидл-офис
В процессах мидл-офиса использование генеративного ИИ распространено меньше и сводится к управлению рисками и комплаенсу.
| Пример использования | Заявленные эффекты |
|---|---|
| ИИ-ассистент для проверки клиента (KYC) | До 50% — сокращение неточностей при проверке клиента; сокращение времени обработки пакета документов с 20 до 3 минут. |
| Предотвращение и обнаружение мошенничества (антифрод) | ~ 8% — повышение точности выявления подозрительных транзакций. Эффект в России оценивается в 1-2% от общих затрат. |
Потенциальный эффект при внедрении ИИ-решений в процессах мидл-офиса составляет 7–19% относительного роста прибыли.
ИТ и бэк-офис
ИТ-подразделения и бэк-офис имеют значительный потенциал для внедрения генеративного ИИ за счет автоматизации рутины.
| Пример использования | Заявленные эффекты |
|---|---|
| Корпоративные чат-боты / ИИ-ассистенты сотрудников бэк-офиса | До 25% — экономия времени на рутинные задачи; до 80% — снижение затрат на подготовку протоколов; до 20% — сокращение времени на подготовку писем; сокращение времени обработки документов с 30 до 1 минуты. |
| Ассистенты ИТ-разработчика / тестировщика | До 12% — сокращение затрат на ИТ-проект; до 25% — сокращение времени разработки; на 30% — улучшение обнаружения ошибок. |
ИТ-подразделения и бэк-офис финансовых организаций имеют значительный потенциал для внедрения генеративного ИИ. Одним из наиболее экономически выгодных направлений является автоматическая генерация кода и тестов.
ИТ-подразделения и бэк-офис финансовых организаций имеют значительный потенциал для внедрения генеративного ИИ. Одним из наиболее экономически выгодных направлений является автоматическая генерация кода и тестов. Современные банки, по сути, превратились в технологические компании, расходуя в среднем 5–20% бюджета на ИТ. При этом на рынке уже существуют решения, способные значительно повысить эффективность ИТ-разработчика. Согласно нашим расчетам, внедрение генеративного ИИ в процессах ИТ и бэк-офиса крупнейших российских банках позволит сократить TTM цифровых решений и оптимизировать затраты.
| Показатель | Значение |
|---|---|
| Сокращение времени ИТ-разработки решений | до 25% |
| Потенциальный эффект при внедрении ИИ-решений в процессах ИТ и бэк-офиса (относительный рост прибыли) | 3–13% |
| Оптимизация общих затрат организации (в зависимости от доли ИТ-расходов) | 0,5–2,2% |
Барьеры использования генеративного ИИ
Несмотря на наличие успешных пилотов, многие банки испытывают трудности с тиражированием ИИ-решений. Только 20% ИИ-инициатив, запускаемых в банках, передаются в промышленную разработку — оставшиеся 80% не проходят стадию тестирования. Причины столь низкой жизнеспособности ИИ-решений обусловлены влиянием различных компонентов организационной среды. Около 70% инициатив терпят неудачи из-за трудностей, связанных с процессами и людьми, 20% вызваны несовершенством технологий и только 10% — багами в самих ИИ-алгоритмах.
Одна из ключевых проблем, с которыми сталкиваются банки при внедрении ИИ-решений, — недостаточное качество и актуальность данных. 83% банков не могут получать информацию о транзакциях в режиме реального времени из-за отсутствия достаточной инфраструктуры и продвинутых аналитических платформ.
Еще одним существенным барьером являются регуляторные ограничения. Почти половина ИТ-руководителей считает вопросы информационной безопасности и сохранности персональных данных препятствием для развертывания ИИ-решений. Так как для генеративного ИИ, в отличие от традиционных AI/ML-моделей, не свойственны детерминированные решения на основе заранее обученных паттернов, а интерпретируемость ответов затруднена, использование таких решений в core-процессах (например, для оценки кредитного рейтинга и принятия решения о выдаче займа или во фрод-мониторинге) может потребовать дополнительных комплаенс-процедур.
В отличие от регуляторных ограничений, на которые банки могут влиять лишь частично, остальные проблемы носят внутренний характер. В зависимости от причин их можно разделить на категории: проблемы процессного характера, ограничения, связанные с человеческими ресурсами, и технологические барьеры.
Ключевые проблемы при внедрении ИИ
Основные трудности при реализации ИИ-инициатив обусловлены проблемами процессного характера. Несовершенства ИТ-ландшафта и недостатки ИИ-алгоритмов играют второстепенную роль.
| Категория | Проблема |
|---|---|
| 01 Процессы | Необходимость адаптации под ИИ-решения; Отсутствие связи с целями бизнеса и недостаточная поддержка руководства; Отсутствие настроенных процессов управления ИИ (AI-governance) и риск-менеджмент; Недостаточная надежность / интерпретируемость GenAI-решений; Трудности при обосновании кросс-функциональных проектов (из-за отнесения затрат к различным кост-центрам); Отсутствие готового фреймворка для распределения ответственности и рисков, обеспечения комплаенса. |
| 02 Люди | Отсутствие целостной системы управления изменениями; Завышенные ожидания руководства; Сопротивление сотрудников, отсутствие мотивации; Недостаточный уровень цифровой грамотности; Нехватка технических компетенций у ИТ-команды, недостаток квалифицированных ИИ-инженеров на рынке; Низкий уровень взаимодействия бизнеса и технических команд. |
| 03 Технологии | Отсутствие опыта в построении и управлении мультиагентными системами на базе LLM/LMM; Отсутствие или 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; Зависимость от внешних сервисов / моделей. |
Перечисленные проблемы приводят к стагнации ИИ-проектов: в лучшем случае они не приносят желаемого эффекта, в худшем — приводят к существенным искажениям процессов, которые должны были оптимизировать. В результате у сотрудников и руководства формируется скептическое отношение к ИИ: эффективность технологий ставится под вопрос, и дальнейшее внедрение откладывается на неопределенный срок.
Подчеркнем, что вызовы генеративного ИИ имеют качественно иной характер по сравнению с традиционными ИИ-решениями. Это связано с такими факторами, как:
- экспоненциально растущие требования к вычислительным ресурсам; * отсутствие готовых шаблонов для ИИ-решений в процессах с максимальным ROI (управление ликвидностью, фрод-мониторинг, управление инвестициями); * необходимость параллельной модернизации ИТ-ландшафта и операционной модели.
В результате GenAI-решения часто внедряются изолированно для решения отдельных задач в неосновных процессах (например, ИИ-ассистенты для сотрудников клиентской поддержки, ИТ-подразделений и др.). Отсутствие единой платформы для различных ИИ-решений (ML-моделей, ИИ-ассистентов и агентов) приводит к росту затрат на внедрение и поддержку, увеличению сроков масштабирования, дублированию функционала и, как следствие, недостижению плановых эффектов. В долгосрочной перспективе банки, использующие «точечный» подход к встраиванию ИИ, рискуют не окупить инвестиции либо уступить конкурентам, внедряющим ИИ системно.
Подход к внедрению ИИ
AI-first подход должен стать основой стратегии банка. Трансформация подразумевает комплексные изменения в операционной модели, ИТ-ландшафте и культуре. Анализ проблем развития ИИ в финансовом секторе показывает, что для успеха необходим комплексный подход к его внедрению. Обязательными элементами такого подхода являются: обновление операционной модели, развитие ИТ-ландшафта, обучение сотрудников ИТ и бизнес-подразделений и приоритизация направлений внедрения ИИ.
Большинство проблем внедрения ИИ носят не технологический, а организационный характер: ошибочное целеполагание, жесткая регламентация, нехватка ролей и кадров. Поэтому трансформацию следует начинать с пересмотра оргмодели и бизнес-процессов. Основным принципом при построении целевых процессов должна стать модульность, фокус на обмене и управлении потоками данных, возможность гибкого изменения (добавления/исключения) отдельных шагов. Благодаря этим особенностям модульные процессы могут относительно легко адаптироваться под новые ролевые модели, поддерживать сквозную интеграцию сложных мультиагентных систем и выстраивать комбинированную логику взаимодействия ИИ и человека.
Следующий важный шаг — синхронизация изменений в операционной модели с перестройкой ИТ-ландшафта. Она включает адаптацию ИТ-архитектуры (интеграцию с ИТ-системами и ML-моделями, управление ИИ-запросами) и увеличение инфраструктурных мощностей под потребности генеративного ИИ. Рост киберугроз повышает требования к безопасности, прозрачности и объяснимости ИИ-решений. Это диктует необходимость пересмотра стандартов комплаенса и создания «контрольных точек», передающих финальное решение от ИИ-агентта человеку.
Стратегия развития с фокусом на ИИ (AI-first strategy) — ключевой документ для перехода к ИИ-ориентированной модели. Ее цель — синхронизировать изменения во всех направлениях, обеспечив согласованное внедрение и масштабирование ИИ-решений. Количество банков, реализующих AI-first подход, относительно невелико. Исходя из обзора 30 российских и зарубежных банков:
| Доля банков | Достижение в рамках AI-first подхода |
|---|---|
| 30% | Создали роли, ответственные за развитие ИИ, и сформировали постоянные управляющие комитеты |
| 70% | Создали внутренние центры компетенций (разработка, внедрение и развитие ИИ) |
| 90% | Сформировали стратегические партнерства с провайдерами ИИ-решений / облачной инфраструктуры |
| 100% | Разработали программы обучения и переподготовки сотрудников в сфере ИИ |
Стратегия развития с фокусом на ИИ
В 2023–2024 гг. глобальные и российские игроки запустили масштабные программы трансформации, нацеленные на создание технологической и организационной базы внедрения ИИ в бизнес-процессы.
Примеры банков, реализующих стратегию развития с фокусом на ИИ
| Банк | Страна и Выручка | Операционная модель | ИТ-ландшафт | Эффекты от внедрения ИИ |
|---|---|---|---|---|
| JPMorgan Chase | США; Выручка: $180.6 млрд | Создание Центра ИИ-компетенций (~2 тыс. AI/ML-специалистов и дата-сайентистов); Партнерства с технологическими компаниями (AWS) и институтами; Программы обучения; Культура качества данных. | Переход на облачную инфраструктуру (миграция 75% данных к концу 2024 г.); Подход data mesh; Рефакторинг ПО; Инструментарий тестирования LLM. | $2 млрд — ожидаемое увеличение выручки в 2025 г. |
| Сбербанк | Россия; Выручка: 1,58 трлн ₽ | ИИ-трансформация — приоритет топ-менеджмента; Лаборатория ИИ; Методика оценки инвестиций; Сотрудничество с НИУ ВШЭ и Лабораторией Касперского. | Использование собственных мощностей (SberCloud, суперкомпьютеры); Платформа ML Space; Мультиагентная система на базе GenAI для кибербезопасности. | 450 млрд ₽ — доп. выручка в 2024 г. |
| BNP PARIBAS | Франция; Выручка: $56,9 млрд | Подразделение AI Factory (ускорение TTM); Analytics Manager Academy; Партнерства с разработчиками GenAI (Mistral AI, QuantumStreet AI, Unique). | Платформа LLM as a service; Нативная облачная инфраструктура (Kubernetes, IBM). | — |
| Банк | Страна и выручка | Подход к внедрению ИИ (Операционная модель) | Подход к внедрению ИИ (ИТ-ландшафт) | Эффекты от внедрения ИИ |
|---|---|---|---|---|
| BNP PARIBAS | Франция; Выручка: $56,9 млрд | Создание подразделения AI Factory (ускорение TTM, комплексная интеграция ИИ-решений в процессы); Запуск Analytics Manager Academy — обучающей программы для стимулирования ИИ-трансформации; Внедрение GenAI-решений в процессы с высокой добавленной стоимостью; Партнерства с разработчиками GenAI (Mistral AI, QuantumStreet AI, Unique). | Создание платформы LLM as a service — внутригрупповой экосистемы для встраивания LLM в существующие процессы и инструменты; Развитие нативной облачной инфраструктуры с использованием контейнерных технологий (микросервисов) на основе Kubernetes-платформы IBM. | $582 млн — полученный в 2024 г.; $874 млн — ожидаемый в 2025 г. |
| DBS | Сингапур; Выручка: $16,4 млрд | Реализация комплексной программы ИИ-индустриализации: совершенствование процессов управления данными, формирование пула экспертов (Data Chapter); Создание кросс-функциональных команд; Внедрение единой методики разработки (PURE framework) и фреймворка Managing through Journeys (MtJs) — увязывание AI/ML-моделей с драйверами создания ценности. | Создание единой дата-платформы ADA (свыше 5,3 ПБ данных, повышение персонализации предложений); Внедрение единого ИИ-протокола и хранилища данных ALAN (сокращение срока разработки AI/ML-моделей с 18 до 2–3 мес.); Более 1,5 тыс. ИИ-моделей в разработке (2025 г.). | $585 млн — полученный в 2024 г.; $780 млн — ожидаемый в 2025 г. |
Оценка зрелости
Как и любая другая крупномасштабная трансформация, внедрение ИИ в компании должно начинаться с анализа текущего уровня использования ИИ, зрелости процессов и технологий. Перед формированием стратегии внедрения ИИ необходимо понимать текущий уровень зрелости организации.
Модель зрелости использования ИИ в финансовой отрасли
| Уровень зрелости | Описание |
|---|---|
| Эксперименты и пилотирование | ИИ используется в отдельных пилотных проектах без общей координации. Основной акцент — на изучении возможностей технологии и получении первого опыта. Бизнес-эффект в рамках отдельных направлений, незначителен в масштабах организации. |
| Точечное внедрение | Появляются отдельные внедренные ИИ-решения в ограниченных процессах или функциях. Нет единой стратегии или сквозной интеграции. Эффект осознается только в отдельных зонах, общая управляемость ограничена. |
| Стратегическая интеграция | ИИ начинает активно применяться в ключевых бизнес-процессах, создаются централизованные механизмы управления и поддержки. Ведется трансформация операционной и ИТ-модели, что позволяет получать устойчивый бизнес-эффект на уровне всей организации. |
| AI-native организация | ИИ становится основой культуры и бизнес-модели компании: процессы, продукты и решения проектируются с акцентом на использование ИИ и данных. Организация опирается на AI-driven / data-centric подход во всех ключевых аспектах деятельности. |
Направления оценки зрелости
| Направление | Параметры оценки |
|---|---|
| Стратегия и лидерство | Видение и миссия; Стратегия ИИ; Поддержка топ-менеджмента; Инвестиции. |
| Данные | Качество и доступность; Архитектура данных; Управление данными. |
| Технологии и инфраструктура | ИТ-архитектура; AI-платформы; ИТ-инфраструктура; Информационная безопасность. |
| Опермодель и компетенции | Структуры и роли, распределение ответственности; Персонал и компетенции; AI-first культура. |
| Управление внедрением ИИ и ROI | Внедрение в бизнес-процессы; Управление портфелем; Мониторинг результатов; Экономический эффект. |
| Риски и комплаенс | Правила и политики; Принципы «ответственного AI»; Управление AI-рисками. |
Предложенная модель позволяет определить текущий и целевой уровни проникновения ИИ в бизнес-процессы, приоритизировать их по потенциалу и сложности, а также сформировать комплексный подход к развитию ИИ. Чтобы выйти на новый уровень, организации могут выбрать один из двух подходов к ИИ-трансформации:
| Подход | Суть трансформации |
|---|---|
| Первый подход | Реинжиниринг существующих бизнес-процессов с учетом возможностей генеративного ИИ. |
| Второй подход | Проектирование новых процессов с нуля с опорой на ИИ для достижения максимального уровня автоматизации, гибкости и масштабируемости решений. |
Трансформация операционной модели
После оценки зрелости необходимо сформировать план трансформации операционной модели, который станет основой ИИ-стратегии. Вначале изменениями управляет Офис трансформации, а Центр компетенций по ИИ аккумулирует экспертизу. В дальнейшем ответственность за развитие ИИ-решений переходит к бизнес-функциям, тогда как Центр компетенций фокусируется на предоставлении платформенных сервисов и гармонизации архитектуры.
Подход к трансформации операционной модели
| Этап / Уровень | Процессы | Роли и структура |
|---|---|---|
| Подготовка процессов к внедрению ИИ | Определение и приоритизация процессов с максимальным бизнес-эффектом; Унификация форматов данных и структуры документов; Создание «песочниц» для безопасного тестирования ИИ-прототипов. | Создание Офиса трансформации и Центра компетенций по ИИ (для проверки гипотез и запуска пилотов); Внедрение роли процессного аналитика; Выявление лидеров и чемпионов изменений. |
| Построение гибридной процессной модели | Определение порядка тиражирования ИИ в зависимости от типов процессов (Человеческие, Гибридные, Автономные); Стандартизация механизма расчета эффектов от внедрения ИИ. | Введение роли ИИ-трансформатора для разработки дорожных карт в каждой функции; Обучающие программы для адаптации ролей к целевой модели (интеграция людей и ИИ-агентов). |
| Создание динамической процессной системы | Внедрение мультиагентных систем, адаптирующихся к изменениям (reinforcement learning); Построение процессов, способных к самостоятельной оптимизации. | Передача ответственности за развитие ИИ-решений бизнес-функциям; Введение роли архитектора процессов для проектирования сквозных процессов с участием ИИ. |
Группировка процессов по возможностям автоматизации с ИИ
| Группа | Признаки | Примеры |
|---|---|---|
| Человеческие | Высокая неоднозначность, критические этические и стратегические риски, необходимость эмпатии и креативного подхода. | Разработка стратегии; Урегулирование конфликтных ситуаций; Управление персоналом. |
| Гибридные | Процесс с четкими правилами, но требующий человеческого контроля, валидации или вмешательства в нетиповых случаях. | Маркетинг; Подготовка персонализированных решений для клиентов; AML-расследования. |
| Автономные | Формализованные, повторяющиеся задачи с четкими алгоритмами, низким уровнем неопределенности и рисков. | Обработка типовых документов; Рыночная аналитика; Кредитный скоринг; Фрод-мониторинг. |
Трансформация ИТ-ландшафта
Построение технологического фундамента ИИ-нативной организации требует глубокого переосмысления всего ИТ-ландшафта. Краеугольные камни — многослойная датацентричная ИТ-архитектура и распределенная ИТ-инфраструктура с высокой производительностью.
Основные принципы датацентричной ИТ-архитектуры
| Принцип | Описание |
|---|---|
| Децентрализованный подход к хранению данных | Переход от монолитных озер данных к гибкой архитектуре с различной структурой и локализацией датасетов. |
| Модульность | Использование микросервисов. |
| Гибридность | Сочетание облачных и on-premise решений (в зависимости от чувствительности данных). |
| Совместимость с регуляторными требованиями | Встраивание механизмов аудита, объяснимости и контроля ИИ. |
Построение такой архитектуры возможно с использованием концепций Data fabric (централизованная платформа для интеграции данных из CRM, облака и транзакционных систем) или Data mesh (децентрализованное управление данными как продуктом — data-as-a-product). Data fabric эффективна для крупных банков с legacy-ландшафтом, тогда как Data mesh больше подходит для необанков.
Подход к трансформации ИТ-ландшафта
| Слой / Направление | ИТ-архитектура |
|---|---|
| Фундамент | Создание фундамента гибридной ИТ/ИИ-архитектуры. |
| Данные | Создание слоя данных с децентрализованными векторными БД и... |
...ционной модели. Это особенно критично для концепции data mesh, предполагающей существенное вовлечение бизнеса в управление данными, введение новых ролей и пересмотр системы мотивации, а также развитие инфраструктуры для публикации и мониторинга data-продуктов.
Траектория развития ИТ-инфраструктуры определяется требованиями к масштабу вычислительных мощностей, систем хранения и передачи данных. Учитывая потребность генеративного ИИ в автоматическом масштабировании ресурсов и минимальных задержках при обработке данных, на начальном этапе предлагается гибридная организация (сочетание «частного облака» и on-premise серверов). В дальнейшем, по мере масштабирования ИИ-решений, осуществляется переход к распределенной инфраструктуре.
Показанный ниже подход к трансформации ИТ-ландшафта позволяет проследить, как изменения в ИТ-архитектуре, обеспечивающие каркас для внедрения и масштабирования генеративного ИИ, согласовываются с развитием ИТ-инфраструктуры.
| Направление / Этап | ИТ-архитектура | ИТ-инфраструктура |
|---|---|---|
| Фундамент | Создание слоя данных с децентрализованными векторными БД и RAG — для снижения риска «галлюцинаций», поддержания актуальности данных и персонализации ответов LLM/LRM. Создание слоя вычислений с гибридными GPU-кластерами — для обучения и адаптации LLM/LRM на внутренних данных, динамического масштабирования и поддержки RAG. Создание интеграционного слоя для управления запросами и унификации взаимодействия с ИИ, балансировки нагрузки, интеграции с legacy-системами и адаптации устаревших форматов данных к требованиям LLM/LRM. | Развертывание частного «облака» в сочетании с on-premise. Внедрение GPU-кластеров для обучения и инференса ИИ-моделей. Модернизация хранилища данных для поддержки структурированных и неструктурированных данных. Внедрение векторных БД — для семантического поиска данных. |
| Подготовка к масштабированию | Создание слоя ИИ-оркестрации с динамическим роутингом задач — для распределения и координации выполнения запросов между генеративным ИИ, ML-моделями, людьми и банковскими системами. Модернизация существующих ИТ-систем — для совместимости с генеративным ИИ. Обеспечение безопасности и комплаенса — для контроля деградации LLM/LRM и выполнения требований регуляторов. | Автоматическое масштабирование кластеров — для поддержки в периоды пиковых нагрузок. Развитие периферийных (edge) вычислений — для снижения задержек. Внедрение децентрализованного управления данными (data fabric / data mesh). |
| Масштабирование генеративного ИИ | Внедрение децентрализованных ИИ-агентов и обучения с подкреплением (RL) — для сквозной автоматизации core-процессов, повышения адаптивности и быстрого реагирования на рыночные изменения. Внедрение ИИ-платформы с low-code / no-code интерфейсами и едиными API-контрактами — для ускорения масштабирования генеративного ИИ, снижения TCO и комплаенс-рисков. | Переход к распределенной инфраструктуре. Создание сети геокластеров — для распределения нагрузки и повышения отказоустойчивости. Завершение переноса мощностей в «облака» (cloud native). |
Российский рынок
На российском рынке также сформировался развитый технологический ландшафт, отвечающий на запрос банков. Крупные облачные провайдеры (Яндекс Облако, Cloud.ru и пр.) предоставляют не только вычислительные мощности, но и готовые платформенные сервисы (MLaaS) и API для внедрения ИИ. Также игроки рынка предлагают собственные и доработанные open-source / LLM-модели (GigaChat, YandexGPT), доступные по модели «как услуга». Одновременно системные интеграторы и консультанты (например, Рексофт) предлагают экспертизу по внедрению и адаптации этих решений, помогая банкам выстраивать и реализовывать ИИ-стратегию без раздувания штата.
Реализация AI-first стратегии требует фундаментального пересмотра ИТ-ландшафта: от технологического стека до операционных процессов. Это заставляет банки делать стратегический выбор между самостоятельной разработкой, покупкой готовых решений и привлечением сторонней экспертизы.
| Категория анализа | Показатель | Описание |
|---|---|---|
| Анализ зарубежного опыта | 93% | используют комплексные инструменты Databricks, Google, IBM, Microsoft, OpenAI |
| Анализ зарубежного опыта | 30% | разрабатывают собственные (проприетарные) платформы, часто в дополнение к решениям сторонних вендоров |
| Анализ зарубежного опыта | 23% | инвестируют в стартапы, создающие прорывные ИИ-технологии |
Заключение
Создавать или покупать: подход к выбору и разработке инструментов
Тренд на долгосрочное сотрудничество с поставщиками ключевых технологий позволяет банкам внедрять передовые решения без необходимости наращивать внутренние технические команды. Ряд банков, таких как Nubank (Бразилия), помимо партнерства с другими игроками рынка, активно развивают собственные ИИ-платформы и приобретают профильные компании для расширения экспертизы.
В крупных российских банках преобладает практика самостоятельной разработки ИТ-платформ и LLM, обусловленная как ограничениями внешнего рынка, так и необходимостью адаптации решений под национальные требования.
В результате возникает важный барьер: малые банки, которые не могут позволить инвестиции в масштабную трансформацию и не обладают ресурсами для создания собственных R&D-центров, рискуют столкнуться с растущим устареванием своих продуктов и услуг. В то же время для средних банков открывается «окно возможностей»: при грамотной расстановке приоритетов, формировании технологических партнерств и внедрении ИИ в процессах с наиболее высокой добавленной ценностью они могут существенно улучшить свои позиции. Лидерство в ИИ-гонке будет принадлежать игрокам, способным обеспечить высокую персонализацию предложения в сочетании с минимальными операционными издержками.
Ключевые шаги, которые организации могут реализовать уже сейчас
Первые шаги
- Определение целей трансформации.
- Анализ клиентского пути (Customer Journey) и текущих процессов, выбор пилотных бизнес-кейсов.
- Разработка дорожной карты изменений.
- Эксперименты и пилотные проекты: предоставление сотрудникам доступа к ИИ-инструментам и стимулирование автоматизации рутинных задач.
- Партнерство с компаниями, обладающими экспертизой и технологиями в ИИ.
В качестве предварительного шага рекомендуем провести оценку зрелости использования ИИ (подробнее на стр. 30), чтобы выстроить системный подход и повысить вероятность достижения целевых результатов трансформации.
Дальнейшая реализация системной ИИ-трансформации
- Адаптация бизнес- и операционной модели — обновление стратегии банка, организационной структуры и ключевых процессов, учитывая возможности масштабного внедрения ИИ.
- Регулярная переоценка клиентского пути — системный пересмотр сценариев взаимодействия с клиентами с учетом потенциала GenAI и новых возможностей персонализации.
- Формирование современной архитектуры данных: создание интегрированных систем хранения, обработки и обмена данными для повышения качества аналитики и поддержки ИИ-решений.
- Модернизация ИТ-инфраструктуры и развитие платформ: трансформация архитектуры, внедрение цифровых платформ и следование принципу API-first для гибкой интеграции новых решений.
- Создание новой системы принятия решений и управления ИИ-рисками: внедрение формальных механизмов контролируемого и этичного применения ИИ, назначение ответственных за ключевые зоны принятия решений.
- Развитие культуры и компетенций в области ИИ: инвестиции в обучение персонала, создание центров ИИ-экспертизы и налаживание взаимодействия между бизнесом и ИТ.
- Эффективная коммуникация и управление изменениями: регулярное информирование сотрудников, поддержание открытого диалога и поощрение вовлеченности персонала для снижения сопротивления нововведениям.
Путь к эффективному использованию ИИ зависит от текущей зрелости и стратегических амбиций банка. Для крупных игроков, уже ведущих собственную разработку, ключевая задача смещается от запуска разрозненных пилотов к систематизации и управлению портфелем ИИ-инициатив с целью масштабирования. Для средних банков важно грамотно выбирать и быстро интегрировать готовые рыночные решения в процессы с максимальной добавленной ценностью. Приведенные ниже шаги описывают универсальную дорожную карту, которая может быть адаптирована для любого из этих подходов.
Послесловие
ИИ — не опция, а основа будущего финансового сектора
Эпоха, когда победа достигалась за счет цифровизации сервисов, завершена. Сегодняшний вызов и главный источник роста — это искусственный интеллект. Однако большинство банков увязло в «точечных» ИИ-проектах с минимальной отдачей. Как показывает практика, проблема не в технологиях — 70% неудач вызваны организационной незрелостью: устаревшими процессами, проблемами с данными и нехваткой компетенций.
Продолжать в том же духе — стратегический тупик. Выход — переход к комплексной AI-first стратегии. Это не очередной ИТ-проект, а полная пересборка бизнеса, которая требует решительных действий по трем направлениям:
- Процессы: глубокий реинжиниринг для синергии человека и автономных ИИ-агентов.
- Технологии: создание единой дата-платформы и гибкой ИТ-архитектуры как фундамента для масштабирования.
- Люди и культура: формирование ИИ-компетенций на всех уровнях и культуры, основанной на данных.
Банки, которые откладывают эту трансформацию, рискуют не просто отстать, а стать неконкурентоспособными. Время для экспериментов прошло, необходимо начать полномасштабное развертывание уже сейчас.
Авторы исследования
- Алексей Лебедев — Директор департамента «Банки и Финансы», Рексофт * Александр Чугунов — Директор практики «Стратегия», Рексофт Консалтинг * Борис Шлаин — Эксперт департамента «Банки и Финансы», Рексофт * Дилара Ижбердеева — Старший менеджер практики «Стратегия», Рексофт Консалтинг * Елена Голяева — Эксперт департамента «Банки и Финансы», Рексофт * Сергей Ермилов — Менеджер практики «Стратегия», Рексофт Консалтинг * Денис Иваненко — Менеджер практики «Стратегия», Рексофт Консалтинг * Дмитрий Груднев — Консультант практики «Стратегия», Рексофт Консалтинг
О компании Рексофт
Рексофт – это мультисервисная технологическая компания, оказывающая полный спектр услуг в области внедрения инноваций и трансформации бизнеса. 35 лет на рынке, 9 офисов в России, 1500+ сотрудников, из них 150+ управленческих консультантов.
| Направление деятельности | Описание |
|---|---|
| Консалтинг | Реализация проектов комплексной трансформации бизнеса по всей цепочке добавленной стоимости: от разработки стратегии и операционной модели до внедрения изменений. |
| Бизнес-приложения | Оказание услуг по внедрению, интеграции и импортозамещению ИТ-решений, включая производственные, ERP- и BI-системы, с акцентом на их адаптацию под задачи бизнеса и бесшовную интеграцию в существующие процессы. |
| Облака и большие данные | Раскрытие бизнес-потенциала данных клиента с помощью проверенной платформы, инфраструктуры и опыта масштабных внедрений в разных отраслях. |
| Заказная разработка и технологические сервисы | Проектирование, разработка, интеграция и развитие цифровых решений «под ключ» с гарантией результата и применения ИИ для сокращения срока, рисков, стоимости проектов. |
| Промышленная автоматизация | Уникальные технологические услуги по реализации цифровых решений различного уровня для увеличения эффективности работы предприятия, включая комплексную автоматизацию и переход к малолюдным/безлюдным решениям. |
| Информационная безопасность | Обеспечение киберустойчивости, надежности хранения информации, в том числе на объектах КИИ, а также рекомендации по соответствию законодательным требованиям. |
| Направление | Описание |
|---|---|
| Дата и большие данные | Раскрытие бизнес-потенциала данных клиента с помощью проверенной платформы, инфраструктуры и опыта масштабных внедрений в разных отраслях. |
| Заказная разработка и технологические сервисы | Проектирование, разработка, интеграция и развитие цифровых решений «под ключ» с гарантией результата и применения ИИ для сокращения срока, рисков, стоимости проектов. |
| Промышленная автоматизация | Уникальные технологические услуги по реализации цифровых решений различного уровня для увеличения эффективности работы предприятия, включая комплексную автоматизацию и переход к малолюдным/безлюдным решениям. |
| Информационная безопасность | Обеспечение киберустойчивости, надежности хранения информации, в том числе на объектах КИИ, а также рекомендации по соответствию законодательным требованиям. |
Индустриальная экспертиза и показатели компании
| Категория | Данные |
|---|---|
| Опыт на рынке | 35 лет |
| География | 9 офисов в России |
| Команда | 1 500+ сотрудников, из них 150+ управленческих консультантов |
| Клиентская база | 76 из 100 крупнейших компаний России |
| Портфель проектов | 3 000+ успешно реализованных проектов, в том числе на объектах КИИ |
Список литературы
- Precedence Research, February 2025 (Artificial Intelligence (AI) in Banking Market Size to Hit USD 379.41 Bn by 2034).
- Dentons, March 2025 (Dentons - Operational risks: Why the banking industry is still nervous about AI).
- Национальный центр развития ИИ при Правительстве РФ (2024), Индекс готовности приоритетных отраслей экономики РФ к внедрению ИИ (13_к п.3.3_Индекс_готовности_приорит_отрасл_ИИ.pdf).
- Naumen, 30.10.2024 (Уровень проникновения чат-ботов в банках вырос до 29% — Naumen провел исследование контакт-центров | Новости компании NAUMEN). |---|
- McKinsey, December 2024 (How AI will transform banking | McKinsey).
- NayaOne, February 2025 (The AI Adoption Gap: Why Banks Struggle To Scale AI).
- KPMG, February 2025 (Intelligent Banking: A Blueprint for Creating Value through AI-driven Transformation).
- Там же.
- Precedence Research, February 2025 (Artificial Intelligence (AI) in Banking Market Size to Hit USD 379.41 Bn by 2034).
- Precedence Research, February 2025 (Artificial Intelligence (AI) Market Size to Hit USD 3,680.47 Bn by 2034).
- Global CIO, 24.02.2025 (ФинПлатформа Т1 внедрена в ландшафт банка ВТБ — Global CIO / Digital Experts).
- Global CIO (Трансформация СберБанк Онлайн: legacy to Platform V — Global CIO | Digital Experts).
- Банк России, Банковский сектор IV квартал 2024 г. – аналитический обзор (analytical_review_bs-2024-4.pdf).
- Там же.
- АКРА (20.03.2025), Новый рекорд маловероятен: ключевые факторы рентабельности российских банков в 2024 – 2025 годах (20250320_RFI VP.pdf).
- Financial Times (29.07.2025), (Behold the first AI-native investment bank).
- Reuters, May 5, 2025 (JPMorgan says AI helped boost sales, add clients in market turmoil).
- McKinsey, 12.03.2025 (The State of AI: How Organizations are Rewiring to Capture Value).
- BCG, October 2024 (AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value | BCG).
- Mosaic Smart Data, January 2024 (Tackling data health to enable analytics in front office investment banking – Mosaic Smart Data).
- Atomwork.com, 26.12.2024 (70-80% of AI projects in IT organizations fail. Here’s why).
- BCG, October 2024 (AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value | BCG).
- CIO Dive, 11.09.2024 (JPMorgan Chase to Equip 140K Workers with Generative AI Tools).
- Digital Data Design Institute at Harvard (AI-Focused Partnerships Announced with JPMorgan Chase, Microsoft, and Boston Consulting Group).
- Big Data Wire, 19.11.2024 (Tips on Building a Winning Data and AI Strategy from JPMC).
- РБК, 6.12.2023 («Сбер» представил новую стратегию. Что важно знать).
- CNews.ru, 14.03.2025 (Ученые «Сбера» и НИУ ВШЭ оптимизировали обучение ИИ-моделей для несбалансированных наборов данных).
- CNews.ru, 13.05.2024 (Сбербанк надвое разделил свое ИТ-направление, чтобы стать «технологическим лидером»).
- The Banker, 16.05.2025 (BNP Paribas scales up AI ambitions after hitting €500mn value creation target - The Banker).
- BNP Paribas Cardif, 11.02.2025 (Analytics Manager Academy: our training program in partnership with Ecole Polytechnique - BNP Paribas Cardif).
- IBM.com, 29.04.2025 (BNP Paribas Signs a New Multi-Year Partnership Agreement with IBM Cloud).
- DBS.com, November 2024 (AI in banking: Transforming the way we work with AI | DBS Bank).
- Tearsheet.co, 25.07.2024 (How DBS Bank uses a human-AI synergy approach to enhance customer experiences and improve efficiencies - Tearsheet).
- The Straits Times, 20.06.2025 (DBS expects economic value from its AI use to top $1 billion in 2025 | The Straits Times).
- The Digital Banker, 27.06.2024 (Nubank Accelerates AI-First Strategy with Hyperplane Acquisition).