Битва интеллектов: Натуральный vs Искусственный. Кто лучше в банковском R&D?

Мы в сообществе 2xS уже не первый год пристально следим за тем, как меняется мир банкинга. Наша команда — это практики с многолетним, часто 20-летним, опытом работы CPO, CMO, руководителями исследований в крупнейших банках и финтехе. Поэтому мы не просто наблюдаем за трендами – будь то прорывной Kaspi в Казахстане, европейские необанки или азиатские супер-аппы. Мы глубоко анализируем, почему одни клиентские пути ведут к успеху, а другие – к разочарованию. Нас интересует суть: как банки создают (или не создают) ценность для клиента. Исследования для нас — не сама цель, а инструмент для понимания и роста и именно на нем, на первой части “R&D” и будет сфокусирована наша статья.

На стыке классических методов и новейших технологий возникает вопрос: может ли искусственный интеллект заменить опытного исследователя? Или, возможно, стать его незаменимым помощником? Чтобы найти ответ, мы провели эксперимент на динамичном и конкурентном рынке Казахстана, сравнив два подхода к анализу ТОП-10 банков страны:

Давайте посмотрим, что из этого вышло, и как это может изменить подход к исследованиям в банковской сфере.

Спойлер: результаты оказались не только интересными, но и дали пищу для размышлений о будущем всей индустрии и о том, какие шаги банкам нужно предпринимать уже сегодня.

За годы работы и сотни изученных кейсов мы в 2xS разработали и отточили свою авторскую систему оценки. Это не просто чек-лист, а гибкий фреймворк, который позволяет взглянуть на банк именно так, как его видит (и чувствует) клиент на каждом этапе взаимодействия: от первого знакомства до ежедневного использования продуктов и решения проблем.

В чем ее сила? В гибкости и масштабируемости (ну и в правде, конечно). Наша методология позволяет проводить оценку разной глубины:

Именно эту систему мы успешно используем уже почти три года, периодически "проходя" клиентские пути в банках разных стран, отслеживая динамику, подмечая удачные находки и типичные ошибки (подробнее о подходе можно почитать ЗДЕСЬ). Такой подход позволяет нам эффективно проводить 'R' (Research) в цикле R&D, находя реальные точки роста для последующего 'D' (Development).

И здесь мы подходим к важнейшему дисклеймеру, который лежит в основе всей нашей работы. Мы сознательно смотрим на банк исключительно глазами клиента. Что это значит?

Если у банка есть суперсовременный внутренний процесс, инновационный продукт или удобная функция, но клиент не может легко ее найти, понять или использовать — для нас (и, что важнее, для клиента) этой функции как бы не существует. Если информация запрятана в недрах сайта, если для активации услуги нужно звонить в колл-центр и проходить семь кругов аутентификации, если приложение интуитивно непонятно — значит, банк не донес ценность до конечного пользователя.

Мы оцениваем не то, что банк задекларировал, а то, что реально работает и доступно здесь и сейчас обычному человеку, который пытается решить свою задачу. Только такой подход, на наш взгляд, позволяет честно оценить клиентский опыт и найти реальные зоны роста.

Итак, у нас есть проверенная методология и четкий принцип — смотреть на все глазами клиента. Как до недавнего времени выглядел процесс исследования на практике? Это был классический, можно сказать, ручной труд “натурального-интеллекта” в виде человека))

Представьте: чтобы оценить один банк, даже для экспресс-аудита, нужно было проделать огромный объем работы:

Это кропотливый, многоэтапный процесс, требующий не только времени, но и высокой концентрации, внимания к деталям и способности систематизировать разнородную информацию. На глубокий анализ одного банка мог уходить не один день, а иногда и недели. А если нужно сравнить 10 банков? Задачи масштабирования и поддержания актуальности данных становились настоящим вызовом. Мы столкнулись с тем, что можно назвать "исследовательским узким горлышком": скорость и объем ручного анализа ограничивали наши возможности, превращая амбициозные исследовательские задачи в долгий и дорогой марафон.

Когда речь идет про один банк, методологию можно гибко адаптировать под конкретные цели конкретного банка, но когда идет сравнение, то исследование должно начинаться с четких правил игры для всех. Чтобы результаты были честными и показательными, мы определили одинаковые сценарии и параметры для всех участников.

В качестве системы координат мы использовали нашу “классическую” авторскую 8-этапную модель клиентского пути, детально описанную здесь. Она позволяет последовательно оценить банк глазами клиента.

Каждый этап оценивался по шкале 0-100 баллов (или %). Итоговый индекс – простое среднее по всем этапам, без весов. Наш ключевой принцип: мы оцениваем не то, что банк задекларировал, а то, что реально доступно и работает для клиента здесь и сейчас.

Мы сфокусировались на десятке ключевых игроков розничного (т.к. в этом исследовании оценивали клиентский путь именно физических лиц) рынка Казахстана, отобрав их по совокупности факторов, отражающих их вес и заметность:

Важно: Происхождение капитала и густота филиальной сети сознательно не учитывались – наш фокус был на клиентском опыте, преимущественно цифровом.

В итоге под нашим микроскопом оказались (в алфавитном порядке):

“Я готов на все, но только в рабочее время!”

Начнем с классики – глубокого анализа, выполненного опытным исследователем. Это тот самый "ручной труд натурального интеллекта".

Подготовка: прежде всего мы сделали колоссальный адпейт нашей методологии исследования и значительно расширили кол-во исследуемых параметров и разделов с учетом текущих и ближайших трендов индустрии (в этом нам конечно помогал ИИ, но об этом чуть ниже)

Процесс: Наш эксперт, как очень избирательный клиент, проходит все 8 стадий CJM для каждого из 10 банков:

Инструменты: Опыт, насмотренность, критическое мышление, компьютер, телефон, диктофон, Excel/Sheets для фиксации и, главное, – способность видеть картину целиком.

Время: На один банк уходит от 3 до 7 рабочих дней кропотливой работы – от сбора данных до анализа и выводов.

Сильные стороны:

Слабые стороны:

Человеческий подход – это ручная работа мастера: глубоко, точно, но не для конвейера. До недавнего времени это был наш основной инструмент, но его ограничения подтолкнули нас к поиску нового решения.

“Дайте мне промт и я переверну Землю!”

Столкнувшись с "исследовательским узким горлышком" ручного анализа, мы задались вопросом: а что если научить ИИ смотреть на банк глазами клиента, используя нашу методологию? Последние месяцы мы посвятили разработке и тестированию такого алгоритма. Огромное спасибо Павлу Лукашевичу за его неоценимый вклад в автоматизацию, а точнее ИИ-тизацию нашего процесса и методологии.

Процесс: Здесь все работает по-другому:

Инструменты: Облачные сервисы, API языковых моделей (ChatGPT, Claude, Gemini, Grok), скрипты автоматизации, Google Sheets.

Время на “Настройку и тестирование”: около трех месяцев (да, тут как с человеком, долго обучаешь, зато потом можешь уже делегировать)

Время финального прогона с “нуля”: анализ всей десятки банков занял около 3 часов машинно-человеческого времени (человек тут должен скорей присматривать и иногда “подбадривать” ИИ)

Сильные стороны:

Слабые стороны:

ИИ – это взгляд с высоты птичьего полета: быстро, широко, но без деталей на земле и внутри зданий.

Итак, правила есть, игроки есть, теперь посмотрим как все это выглядит на практике! Напомню, наш "натуральный интеллект" (опытный эксперт) и наш "искусственный интеллект" (ИИ-алгоритм на базе ChatGPT, Claude, Gemini и Grok) параллельно анализировали ТОП-10 банков по 8 этапам CJM и 422 критериям. Что в итоге?

Наш эксперимент подтвердил: ИИ блестяще справляется с формальной стороной дела. Он как ревизор с чек-листом: есть ли информация о тарифах? Присутствует ли онлайн-заявка? Доступен ли чат-бот? Если критерий четкий (да/нет, есть/отсутствует) или измеряется по ключевым словам, ИИ быстр, точен и беспристрастен.

Но "натуральный интеллект" вступает там, где заканчивается чек-лист. Человек оценивает не только наличие, но и качество: насколько удобен интерфейс (а не просто его наличие), насколько быстро и по делу отвечает поддержка (а не просто доступна ли она), насколько понятен и не вводит ли в заблуждение текст на сайте. Он "читает между строк" – улавливает тон общения, нелогичность пользовательского пути, скрытые неудобства, которые не описать формальным критерием.

Ключевое преимущество человека – способность синтезировать информацию из совершенно разных источников (отзыв на форуме + пункт тарифа + реальный звонок в КЦ + данные из закрытого отчета), оценивать ее достоверность и релевантность, а также использовать свой опыт и реальный опыт использования продукта. Конечно, именно здесь кроется и риск субъективности – обратная сторона глубокого понимания контекста, но это же позволяет видеть картину целиком.

Вот эти "качественные" аспекты, недоступные (пока) алгоритму, и создают разницу в оценках. ИИ строит надежный "скелет" из фактов, а человек наращивает на него "мясо" реального клиентского опыта и контекста.

Означает ли это, что ИИ пока проигрывает? Вовсе нет! Главный вывод – в изменении самой экономики и процесса исследований.

Да, мы потратили около трех месяцев на разработку, формализацию методологии под ИИ и обучение алгоритма. Но это инвестиции. Теперь, когда система настроена, картина меняется.

Вспоминаем принцип Парето (80/20): наш ИИ-алгоритм за ~3 часа выдает примерно 80% картины рынка – ту самую базовую оценку по сотням критериев, которая раньше требовала бы недель ручного труда "натурального интеллекта".

Это позволяет перестроить рабочий процесс:

В итоге мы получаем сопоставимую (или даже лучшую) глубину и точность анализа, но в разы быстрее. Эксперт перестает быть 'собирателем фактов' и становится 'интерпретатором смыслов', концентрируясь на том, где его опыт и интуиция приносят максимальную пользу. Это уже не "скорость ИЛИ точность", а "скорость И точность". Мы однозначно будем использовать ИИ как неотъемлемую часть нашего исследовательского арсенала.

Важно отметить: в рамках нашего сравнительного исследования мы намеренно ограничили ИИ только открытыми источниками. Это позволило обеспечить равные условия для всех десяти банков и провести честное сопоставление с результатами ручного анализа.

Но в реальных проектах на этом возможности алгоритма не заканчиваются. Наша система поддерживает "подключение" дополнительных — в том числе непубличных — данных, например:

Если такие входные данные есть, ИИ может взять на себя гораздо больше: — глубоко “просканировать” один банк, — провести точечную оценку конкретного этапа CJM, — проанализировать процессы, не видимые снаружи.

В этих случаях распределение усилий меняется. Парето смещается: не 80/20, а 90/10 или даже 95/5 — где ИИ берёт на себя почти всё, а эксперт фокусируется на главном: интерпретации, выводах и стратегии развития.

Как уже говорилось, мы разобрали 'R' – исследования. И здесь ИИ показал себя как отличный диагност, способный взять на себя 80-90% работы по сбору фактов и первичной "постановке диагноза" рынку или конкретному банку. Он мастерски "критикует" текущее положение дел.

Но R&D на этом не заканчивается. Дальше начинается самое интересное – 'D' (Development), или ответ на вопрос: "И что теперь со всем этим делать?". Здесь от критики нужно перейти к предложению. И вот тут на сцену выходит стратег-человек.

Превратить диагноз в работающий "план лечения" – это задача другого порядка. Нужно не просто найти решение, а разработать оптимальное: учесть бюджет, сроки, технологические ограничения, текущие приоритеты бизнеса и ту самую неформальную "культуру" компании, которую не пропишешь ни в одном ТЗ. Здесь требуется стратегическое видение, понимание контекста, креативность и, в конечном счете, ответственность за результат.

Спору нет, ИИ и здесь может быть ценным помощником. Мы сами ежедневно используем его для мозговых штурмов при разработке стратегий, для наброски дорожных карт, для помощи в генерации идей или тестировании гипотез. НО! Чтобы ИИ принес пользу на этапе 'D', им должен управлять человек. Именно человек:

Поэтому наш вывод пока таков: если в исследованиях ('R') ИИ может забрать на себя львиную долю рутины (те самые 80-90%), то на этапе разработки ('D') его роль скорее вспомогательная. По нашей практике, на ИИ здесь можно делегировать порядка 20-40% задач, но стратегическое лидерство и принятие ключевых решений остаются за человеком.

Кто-то может сказать: "Ну и что, что ваш ИИ там что-то увидел или не увидел? Клиенты информацию ищут по-другому! Главное в Google быть в первой строчке!". Но так ли это будет завтра?

Тренды очевидны: пользователи все чаще задают вопросы не поисковику, а ИИ-ассистентам (Perplexity, ChatGPT, Copilot, Gemini и т.д.). Запрос "подбери лучший банк для открытия депозита в Алматы" все активнее будет мигрировать из Google в диалоговые ИИ-интерфейсы.

При этом меняется и сама механика выбора. Вероятно, клиент будет меньше времени тратить на самостоятельное сравнение, больше доверяясь рекомендации ИИ, который, возможно, тут же предложит скачать приложение или начать оформление продукта. Но на основании каких данных ИИ сделает свой выбор и даст рекомендацию? Ответ прост: на основе той информации, которую он смог найти, извлечь и проанализировать из доступных ему источников. И если ваш банк "непонятен" для ИИ, он просто не попадет в выборку.

Именно поэтому конкуренция смещается с привычного SEO и красивых лендингов на новое поле – "оптимизации под ИИ" (AI SEO). Насколько ваш сайт и другие открытые источники структурированы и понятны для алгоритмов? Насколько легко ИИ может извлечь актуальную информацию о ваших продуктах, условиях, тарифах? Насколько позитивны ваши цифровые следы (отзывы, рейтинги), которые ИИ тоже неизбежно будет учитывать?

То, как ваш банк выглядит "снаружи" для автоматизированных систем, становится критически важным фактором для привлечения клиентов уже в самом ближайшем будущем. Игнорировать этот тренд – значит рисковать стать невидимкой для завтрашнего клиента.

Наше исследование на примере банков Казахстана – не просто сравнение технологий, а взгляд на меняющуюся реальность банковского R&D. Ключевые выводы, которые стоит запомнить:

В конечном счете, самооценка банка теряет вес. Значение имеет лишь то, как его воспринимают извне – как чувствует клиент и как анализирует ИИ, который все чаще становится проводником между ними.

Задача меняется: не просто быть хорошим банком, а быть лучшим в обеих системах координат. Учиться думать как ИИ, чтобы быть видимым. И продолжать чувствовать как клиент, чтобы оставаться нужным. Гонка за клиента будущего стартовала уже вчера, но еще есть все шансы вырваться вперед – если начать действовать сегодня!