Экономика ИИ в банке: как достичь эффекта?

Генеративный ИИ в Сбере уже приносит измеримый эффект почти во всех направлениях. Главный компромисс рынка — между качеством моделей и безопасностью данных — банк разрешил с помощью собственных разработок и закрытого контура. При этом ИИ стал не просто инструментом для повышения эффективности отдельных процессов, а основой для трансформации всей бизнес-модели компании. О том, как этого удалось достичь, рассказывает Сергей Крылов, вице-президент по развитию технологического бизнеса Сбербанка, спикер FINNEXT 2026.

— Где сегодня проходит граница экономической целесообразности применения искусственного интеллекта в банке? Какие задачи уже дают измеримый эффект, а где внедрение осознанно сдерживается из-за стоимости данных, вычислительных ресурсов и сопутствующих рисков?

С. Крылов: Специфика технологии такова, что каждый сценарий мы оцениваем индивидуально — case by case. В банке для этого выстроен отдельный процесс: есть специальная площадка, где идеи обсуждаются и проходят оценку. При этом каких-то искусственных ограничений или «запретных зон» для генеративного ИИ у нас нет. Каждый кейс рассматривается с нескольких ракурсов.

Во-первых, мы оцениваем применимость технологии и качество результата, который можно получить с помощью модели и доступных инструментов. Во-вторых, анализируем экономику: сколько стоит реализация и на какой потенциальный эффект можем рассчитывать. Ключевой вопрос — будет ли юнит-экономика выполнения конкретной операции положительной или отрицательной в сравнении с тем, как эта операция выполняется сегодня. Как правило, экономически оправданными оказываются сценарии, связанные с повторяемыми и дорогостоящими операциями.

Одна из крупнейших зон применения технологии — разработка софта. В Сбере в этом направлении работает большая команда. Это дорогое направление, но оно хорошо масштабируется, поэтому дает эффект до 40%.

Похожая ситуация в колл-центрах: там понятна стоимость минуты работы оператора и высокая повторяемость процессов. У Сбера крупнейший колл-центр в стране, и на таком масштабе GenAI-решения достаточно быстро окупаются.

В целом сегодня в банке практически нет блоков, где не использовался бы ИИ. В перспективе практически каждая функция будет либо усилена, либо частично автономизирована. Наша задача — внедрить ИИ во все ключевые процессы и роли, а также сделать GenAI-сервисы максимально доступными для рынка: мы ежегодно снижаем стоимость на наши продукты и недавно уменьшили рыночные тарифы GigaChat для бизнеса в три раза.

— Один из самых сложных компромиссов 2025–2026 годов — это баланс между приватностью и суверенностью данных, с одной стороны, и качеством моделей — с другой. Какие практики действительно работают в банке, а какие оказались лишь красивыми теориями?

С. Крылов: Сбер обладает уникальным преимуществом: мы не просто внедряем готовые модели, а самостоятельно разрабатываем, обучаем и интегрируем их в бизнес-процессы. Это позволяет нам гибко адаптировать решения под конкретные задачи, как собственные, так и клиентов, обеспечивая качество на уровне топовых мировых решений.

Мы полностью замыкаем цикл — от создания модели до ее практического применения — внутри собственной инфраструктуры. Такой подход гарантирует высокий уровень безопасности данных.

— Какую модель имеет смысл выбирать — собственную или Open Source? По каким критериям вы определяете, где необходимо разрабатывать свое решение, а где можно использовать внешние ресурсы?

С. Крылов: Разработка собственной модели — дорогостоящий процесс, и это является сдерживающим фактором для большинства компаний. Мы же сделали стратегическую ставку на развитие своих решений и системно инвестируем в их развитие. Это отвечает интересам компании, страны и экономики в целом.

Наш приоритет — собственные модели, потому что они не только дают высокое качество по широкому спектру тематик, но и позволяют сделать фокус на узкоспециализированные задачи, где может быть сформировано реальное конкурентное преимущество.

По мере развития рынка компании все чаще будут приходить к необходимости использовать специализированные модели, дообученные непосредственно под их задачи. И, конечно, им потребуются партнеры, готовые системно и долгосрочно работать в данном направлении.

— С какими типами партнеров сегодня наиболее эффективно и перспективно выстраивать экосистему? Каким должен быть партнер?

С. Крылов: Мы как разработчики отлично разбираемся в технологиях и инструментах, но не можем знать все нюансы бизнес-процессов в каждой отрасли. У нас есть сильная экспертиза в сегментах, где уже работает группа, например в банковской сфере. Но в нефтехимии, сельском хозяйстве и других индустриях мы не можем обладать такой же глубиной знаний.

Именно поэтому для нас важно развитие партнерской программы. Мы ищем компании с глубокой отраслевой экспертизой, которые умеют точно определять, где ИИ даст максимальный эффект, и формулировать для нас качественные требования к моделям и инструментам. Это позволяет создавать действительно полезные решения.

Наша задача — не просто внедрить технологию, а помочь клиентам пересмотреть процессы. Генеративный ИИ — это не очередной софт, а технология, которая меняет подход к работе. Мы сами находимся в процессе AI-Native-трансформации и уверены, что такие изменения затронут все компании. И нам особенно интересны партнеры, которые вместе с нами будут помогать бизнесу получать максимальный эффект от трансформации.

— Где у вас проходит граница допустимого риска для модели в клиентских решениях? Какие метрики сигнала считаются стоп-фактором и как устроен механизм аварийного отключения ИИ в проде, если это требуется?

С. Крылов: ИИ-агенты в банке работают в контролируемой, изолированной среде с ограниченным масштабом действия. Таким образом, уже на начальном этапе мы определяем, какие задачи может выполнять агент, а к чему у него банально нет доступа, — это сразу закрывает значительную часть рисков.

Далее идет этап тестирования: команды анализируют модель угроз и проверяют сценарии возможных нарушений. В результате по каждому агенту мы четко определяем границы его возможностей.

Безусловно, мы понимаем, что в отдельных сценариях агент может «потерять нить» процесса. В таких ситуациях всегда есть возможность вернуться к базовому — человеческому — сценарию. Кроме того, мы обеспечиваем планирование, аудит и контроль, чтобы при необходимости можно было восстановить цепочку событий и понять причину отклонения. На текущем этапе мы работаем в парадигме контролируемых помощников, или co-pilot: человек в любой момент может взять управление на себя, и необходимость аварийного отключения не возникает.

— Каковы ваши ожидания от форума FINNEXT — в части тем, кейсов, аудитории? В чем ценность участия для вас в таких форумах?

С. Крылов: Для меня участие в FINNEXT — это возможность обменяться реальным опытом с коллегами, которые ищут не технологии ради технологий, а инструменты для роста бизнеса. Живое общение помогает увидеть картину целиком, услышать разные мнения и понять, какие инновационные решения находят наибольший отклик у профессионального сообщества прямо сейчас.