Сектор финансовых услуг в России переживает бесшумную революцию. За вежливыми голосами в телефонной трубке и мгновенными ответами в чатах мобильных приложений скрывается масштабная трансформация, которую банки проводят с помощью искусственного интеллекта. Пока одни игроки рынка делают ставку на глубину автоматизации и качество распознавания речи, другие — на скорость принятия решений в корпоративном кредитовании и даже на поиск сотрудников.

ВТБ: экспансия голосов и чатов

Впечатляющие результаты в области клиентского обслуживания демонстрирует ВТБ. Банку удалось достичь показателя, который ещё пару лет назад казался фантастическим: более 62% обращений клиентов успешно решаются роботами без какого-либо участия оператора. Это означает, что почти две трети клиентов, обратившихся в банк за помощью, получают её мгновенно и без посредников.

Чат-бот в ВТБ Онлайн заслуживает отдельного внимания. Он успешно разрешает без помощи людей более 75 процентов запросов по более чем двум тысячам различных тематик. Такая широкая специализация говорит о высоком уровне подготовки модели и её способности адаптироваться к самым разным вопросам. Согласно данным рейтингов Markswebb и Naumen за 2025 год, чат-бот ВТБ занял первое место среди всех банковских чат-помощников по двум ключевым параметрам — пониманию запросов и удобству интерфейса. Это не техническая победа, а победа пользовательского опыта.

Примечательно, что клиенты ВТБ вовсе не жаждут общения с живым оператором. Запросов на перевод разговора на человека поступает всего 5 процентов от общего числа обращений. Причём две трети из этих пяти процентов приходятся на ситуации, когда клиент сначала попытался решить вопрос через бота, и только потом попросил оператора. То есть чистое желание говорить с человеком без попытки воспользоваться автоматикой составляет около 1,7 процента. Это колоссальный показатель доверия к технологии.

Голосовой помощник в контакт-центре ВТБ решает без участия оператора более 38 процентов обращений. Для понимания масштаба: среднерыночный показатель в российских банках составляет 24 процента. Банк опережает рынок почти в полтора раза. Аудитория голосового помощника превысила 4 миллиона человек. При этом качество обслуживания постоянно растёт: доля вопросов, которые решаются «в одно касание» — без уточнений, пауз и переключений между меню — выросла за год на 10 процентов и достигла почти 78 процентов.

Такой прогресс обеспечен доработкой алгоритмов распознавания естественной речи (NLP) и расширением сценариев, доступных нейросети. Сегодня голосовой помощник ВТБ может проконсультировать клиентов по более чем 140 самым востребованным сценариям. В каждом втором обращении клиенты запрашивают финансовую информацию по своим продуктам. Голосовой ассистент Лео в мобильном приложении и помощник ВТБ в умных устройствах Яндекса с Алисой работают по более чем 200 сценариям. С 2023 года клиенты ВТБ могут совершать платежи и переводы по голосовой команде, открывать накопительные счета и устанавливать категории кешбэка.

NLP (Natural Language Processing — обработка естественного языка) — это раздел искусственного интеллекта, который отвечает за то, чтобы компьютер понимал человеческую речь не как набор отдельных слов-команд ( «баланс», „платеж“, „карта“), а как живой, естественный разговор с паузами, переспросами, синонимами и даже эмоциональными оттенками. В контексте банковского сервиса, описанного в статье, алгоритмы NLP позволяют голосовому помощнику ВТБ услышать фразу „мне бы узнать, сколько денег осталось на карте, ну там, ну, короче, остаток“ и мгновенно понять, что клиенту нужен баланс счета. Чем лучше NLP-модель, тем реже робот переспрашивает „вы сказали…?“ и тем выше главный показатель качества сервиса — доля вопросов, решенных „в одно касание“.

Альфа-Банк: скорость любой ценой

Альфа-Банк выбрал другую стратегию применения искусственного интеллекта. Если ВТБ делает акцент на массовом обслуживании розничных клиентов и глубине автоматизации диалогов, то Альфа-Банк бросил основные силы на корпоративный сектор и внутренние HR-процессы.

Крупные и средние компании, оформляющие кредит в Альфа-Банке, теперь могут получить персональное предложение по своим заявкам в 10 раз быстрее, чем раньше. Благодаря широкому внедрению сложных алгоритмов и искусственного интеллекта в процесс оценки корпоративных заёмщиков, это занимает от 45 минут. ИИ-платформа банка уже поддерживает портфель размером 1 триллион рублей и охватывает 65 процентов новых кредитных сделок.

Команда банка усиливается специально обученными ИИ-агентами, которые автоматически собирают большие массивы данных, обрабатывают их и проводят углублённую экспертную проверку компании. При этом финальное решение принимает человек. В банке подчёркивают, что это позволяет сохранить индивидуальный подход к каждому клиенту и отличает решение Альфа-Банка от аналогов на российском рынке.

Однако что это за индивидуальный подход, если большая часть аналитики отдана на откуп алгоритмам?

Нельзя не отметить и другой проект Альфа-Банка. Банк первым на российском рынке внедрил решение, которое подбирает вакансии по загруженному файлу резюме. Кандидатам больше не нужно настраивать фильтры и изучать сотни описаний вакансий. Встроенные ИИ-агенты на сайте job.alfabank.ru читают резюме и предлагают лучшие варианты. Наш главред Игорь Анфиногентов протестировал сервис и подтверждает: подача заявки на работу простая и удобная. Если кандидату подходит сразу несколько вакансий, он может откликнуться на все одним нажатием. Форма отклика заполняется автоматически данными из резюме. Это действительно удобное решение, и здесь Альфа-Банк заслуживает отдельной похвалы.

ОТП Банк: взгляд со стороны аналитика

ОТП Банк не анонсировал громких продуктовых запусков, но заслуживает внимания позиция его старшего аналитика Егора Миранцова, выступившего перед студентами НИТУ МИСИС. Его тезисы отражают зрелый и прагматичный подход к машинному обучению, которого иногда не хватает более крупным игрокам.

Миранцов справедливо заметил, что не каждой компании нужен ML. Такие решения эффективны там, где есть понятная бизнес-метрика, большое количество повторяющихся решений, сложные паттерны в данных и инфраструктура для тестирования и мониторинга моделей. Ценность любого ML-решения определяется через A/B-тесты и бизнес-экономику — дополнительную выручку, снижение потерь и стоимости ошибок, а не только технические показатели качества модели.

Особенно ценным выглядит предупреждение о том, что ML-модели могут ломаться. Причины: устаревшие фичи, резкая смена поведения пользователя, сезонный сдвиг данных, изменение цен или ассортимента. Поэтому важную роль играет не только разработка модели, но и её дальнейшая поддержка и настройка параметров. Побеждает не самая сложная модель, а лучшая интеграция во все процессы.

Что в сухом остатке

Российские банки демонстрируют три разные модели применения ИИ. ВТБ делает ставку на глубину автоматизации массового розничного обслуживания и достигает впечатляющих результатов, опережая рынок. Альфа-Банк концентрируется на корпоративном кредитовании и HR-процессах, но при этом продолжает декларировать необходимость финального человеческого контроля. ОТП Банк, судя по публичной позиции, подходит к вопросу наиболее системно, понимая ограничения и риски технологий.

Ранее мы писали, как российские банки использовали ИИ в прошлом году.