Вчера мне скинули статью на Хабре - пересказ декабрьского отчета McKinsey про «AI-First банк».
Чуть перескажу.
Итак, банк можно разложить на 20–25 направлений работы: кредитование, взыскание, обслуживание клиентов, риски, маркетинг и так далее. И если смотреть через призму AI, то львиная доля эффекта (70–80%) лежит всего в десятке таких направлений.
Простыми словами: логичнее не распыляться на сотню пилотов, а выбрать несколько процессов, где эффект реально измерим: например, кредитный скоринг, борьба с мошенничеством, взыскание задолженности или колл-центр.
Также McKinsey предлагает смотреть на внедрение AI как на дом из четырех этажей.
- Наверху - интерфейсы, где клиент и сотрудник сталкиваются с банком.
- Ниже - мозг решений, где AI решает, одобрить ли кредит или заметить подозрительную транзакцию.
- Под ним - слой данных и технологий,
- В основании - операционная модель: кто отвечает за процессы и как они встроены в работу.
Ключевая мысль в том, что дом не может стоять только на верхних этажах: если бардак в данных, технологиях, операционных процессах - никакие «умные решения» и красивые интерфейсы работать не будут.
Поэтому McKinsey и предлагает «AI-control tower» - центр, который следит, чтобы все это жило как система, а не как набор разрозненных экспериментов.
Все это звучит логично. Но если смотреть на реальность, в частности в разрезе российских банков, картинка выглядит иначе.
👉 Экономика. В отчете много говорится про «ценность», но мало про то, как ее реально считают.
Банки в РФ, да и не только банки, часто останавливаются именно здесь: эффекты вроде «быстрее на 30%» звучат хорошо, но в P&L они не всегда переводятся. Кто владелец этого эффекта? Продажи? Риски? ИТ? Кому и как считать? Эти вопросы часто остаются открытыми.
👉 Данные и инфраструктура. McKinsey аккуратно называет это «technical feasibility».
Перевожу: если у тебя десятки старых систем, справочники не согласованы, нет централизованного мониторинга моделей (например, чтобы вовремя заметить, что модель стала ошибаться), то никакой «мозг решений» не заработает. И это реальная проблема многих российских банков.
👉 Культура внедрения. Кто должен управлять этой самой «AI-башней»?
В жизни это всегда спор между ИТ, рисками и бизнесом. По-хорошему, на мой взгляд, должен быть отдельный AI-офис или Chief AI Officer, в связке с продуктовыми владельцами в конкретных направлениях.
Идея проста: жестко закрывать нерабочие кейсы и помогать масштабировать те, что доказали эффект. Иначе получается «вечная песочница»: пилоты есть, а хозяина, который закроет лишнее и масштабирует рабочее, - нет.
👉 Регуляторика. В России есть закон о персональных данных и свежий Кодекс этики Банка России по применению ИИ. Похожие конечно же есть и в ЕС, и в ОЭСР. И в РФ проблема не в самих принципах, а в том, что мало кто понимает, как именно обеспечить соответствие: как проверять объяснимость модели, как логировать решения так, чтобы это устроило аудит, как реально управлять дрейфом. Культуры управления AI-рисками у нас пока нет, все в стадии формирования.
И еще важный момент, которого мне не хватило: AI-банк - это не только про «ускорить старое».
Настоящий потенциал в том, что появляются новые продукты, которых раньше не могло быть.
💡 В целом я согласна с McKinsey: AI-банк начинается не с чат-бота, а с системного пересмотра процессов.
Но в нашей реальности путь длиннее и прозаичнее: сначала навести порядок в данных, научиться считать экономику, выстроить общую культуру закрытия пилотов и только потом мечтать о сотнях агентов.
Хочется меньше пилотов и запусков "для галочки".
#yalav #лаврикпроAI
