Виталий Украинский: «Банки используют ИИ в том числе и для защиты клиентов»

Согласно данным Банка России, по итогам третьего квартала 2025 г. число «операций без согласия граждан», то есть мошеннических действий с их счетами, превысило 460 000, причем самыми распространенными инструментами злоумышленников по-прежнему остаются методы социальной инженерии. Это заставляет банки вести постоянную технологическую гонку, где защита клиентов и точная оценка их надежности становятся двумя сторонами одной медали. О том, как технологии помогают в борьбе с мошенничеством, и о внедрении передовых систем оценки качества заемщиков, рассказал заместитель предправления, директор дивизиона по управлению рисками «ОТП Банка» Виталий Украинский.

– Мы видим, что уровень мошенничества растет все последние годы. Проблема действительно актуальная. И у нее есть несколько аспектов.

Прежде всего это рост цифровизации. Люди предоставляют цифровой среде все больше и больше информации о себе, причем не обязательно финансовой. Пользуясь разными сервисами и соцсетями, они оставляют там свои номера телефонов, адреса электронной почты, иные данные, порой сугубо личные. Увеличение объемов подобной информации повышает риск того, что она может оказаться у злоумышленников. Это создает некую первооснову, материальную базу для мошенничества, в частности для применения методов социальной инженерии.

Еще одна сторона проблемы – в переходе финансовых организаций на дистанционные каналы взаимодействия с клиентами. Например, сейчас для получения кредита не обязательно посещать банк или иным образом проходить визуальную аутентификацию. Все делается удаленно, буквально в несколько кликов. Это дает возможность злоумышленникам взять кредит, используя данные другого пользователя, и сделать это проблемой заемщика.

Третий аспект – социальный. Новые технологии и способы их использования иногда появляются быстрее, чем люди успевают в полной мере их освоить. Для клиента не всегда очевидны все последствия его действий. Типичный пример – когда мошенники звонят и просят сказать код, пришедший из банка по смс, а человек спокойно его говорит. То есть у людей пока еще нет выученной осторожности по отношению к такого рода событиям.

– Практики противодействия мошенничеству активно применяются, обновляются и совершенствуются так же динамично, как и возникают. В сфере регулирования в последние годы появился ряд норм для противодействия мошенничеству. Самый свежий пример – закон №9-ФЗ, принятый в феврале текущего года. Он предусматривает комплекс мер, включая период охлаждения для кредитов, обязательную проверку банками заявок на получение кредитов и контроль за снятием крупных сумм на предмет возможного влияния на человека злоумышленников, а также внедрение иных антифродовых процедур. В рамках 41-ФЗ банки пристально следят за выдачей наличных в банкоматах и при первых признаках злонамеренности в отношении клиента или нетипичном его поведении блокируют операцию.

– Если говорить очень упрощенно, для этого мы анализируем портрет наших клиентов. Фактически для каждого из них мы создали модели, которые показывают характерное поведение человека, типичные для него операции, степень риска, которая ему свойственна. Любое отклонение от модели – повод среагировать. Кстати, при оценке предельной долговой нагрузки (ПДН) заемщика мы применяем похожую, но более сложную модель. Недавно мы получили разрешение Банка России на ее использование для расчета доходов для ПДН при выдаче необеспеченных потребительских кредитов. Корректный расчет ПДН позволяет нам точнее, чем при использовании стандартных подходов, оценивать реальную платежеспособность заемщика при выдаче кредитов наличными, POS-кредитов и кредитных карт.

«Наша система позволяет менее чем за минуту провести глубокую оценку финансового профиля заемщика»

– Ключевое отличие – в самой методологии, которую одобрил регулятор. Большинство банков используют так называемые «упрощенные» методики оценки платежеспособности клиентов, основанные на ограниченном наборе анкетных данных или среднестатистических показателях. Эти подходы допускают упрощения и неточности по сравнению с собственной моделью.

Модель же, которую валидирует Банк России, должна соответствовать перечню требований без каких-либо исключений или допущений. Ее создание требует не только глубокой экспертизы в моделировании, но и доступа к качественным, верифицированным данным о заемщиках. Именно поэтому количество банков, получивших такое одобрение, сегодня невелико. «ОТП Банк» – единственный крупный, но не являющийся системно значимым банк, которому ЦБ выдал такое разрешение.

Для банка собственная модель – инструмент для более качественной оценки рисков. Для клиента – возможность получить более персонализированные условия. Наша система позволяет менее чем за минуту провести глубокую оценку финансового профиля заемщика, не запрашивая у него дополнительных справок.

Более точная оценка платежеспособности позволяет не закладывать в ставку избыточные премии за непредвиденный риск. Поэтому для клиентов с низкой и средней долговой нагрузкой это может означать и более выгодную процентную ставку. Если же модель покажет высокую закредитованность, это повод и заемщику, и банку еще раз взвесить риски. Конечно, большое значение для ее реализации, как и для иных ML-моделей (модели машинного обучения, Machine Learning, ML. – «Ведомости. Инновации и технологии»), имеет качественный массив данных. Именно он позволяет более гладко интегрировать в работу банка генеративный искусственный интеллект (ИИ), предсказывать поведение клиента, выявлять признаки мошенничества.

«Свежая для рынка история – генеративный ИИ»

– Безусловно. Это «игра в догонялки»: по мере развития цифровых инструментов злоумышленники их осваивают, а индустрия создает системы защиты. Здесь активно применяются решения на основе ИИ, в частности машинного обучения. Модели, основанные на вычислительных алгоритмах и глубоком обучении, идентифицируют мошеннические операции, выявляя триггеры и закономерности.

Свежая для рынка история – генеративный ИИ. Его применение открывает целый ряд возможностей для генерации голоса, видео, картинок, в том числе в мошеннических целях. Вместе с тем генеративный ИИ, как показывают наши наработки, крайне эффективен и для мониторинга мошеннической активности в интернете. Однако о зрелости таких решений говорить рано: рынок только исследует возможности их разработки и внедрения. Работа ведется активно, поскольку очевидно: высокотехнологичные инструменты, доступные злоумышленникам, должны применяться для противодействия им. Мошенники используют ИИ для взлома и краж, банки – для защиты клиентов.

– Одно из очевидных применений – генерация голоса и текстов для сервисных операций. Например, чтобы помогать клиентам быстро получать консультации в колл-центре или в чате банка. Такие чат-боты и голосовые ассистенты на основе ИИ уже многим привычны. Схожее направление – работа с заемщиками. Каждому клиенту хочется, чтобы с ним коммуницировали в удобном и понятном ему формате. И многим комфортнее, когда им напоминает о предстоящих платежах ИИ, а не просто приходит стандартное смс-сообщение. Это достаточно распространенные на рынке сервисы, они хорошо освоены банками.

– Их несколько. Прежде всего применение генеративного ИИ пока остается в значительной степени теоретической задачей, а не отработанной практикой. Для большинства направлений готовые решения отсутствуют, требуется начинать с масштабных исследований и разработок, включающих глубокую теоретическую работу и проверку множества гипотез.

Вторая сложность – высокий порог входа. Основой таких систем являются платформы со значительными вычислительными мощностями, требующие крупных инвестиций в оборудование – серверы и видеокарты. Кроме того, в российских условиях добавляются не только стоимостные, но и логистические сложности.

Третье – наличие качественных данных в большом количестве. Чтобы научить ИИ (большую языковую модель, например, или отдельную нейросеть) правильно интерпретировать входящую информацию, нужны огромные выборки самых различных данных.

Четвертая, менее очевидная сложность, заключается в том, что ИИ раскрывает свой потенциал лишь после его внедрения. Условно говоря, нужно сначала интегрировать технологию и начать ей пользоваться, и только потом становится понятно, как ее можно применять наиболее масштабно и эффективно.

«Пользователи быстро осваивают взаимодействие с ИИ благодаря интуитивно понятным интерфейсам»

– Здесь уместно вспомнить известную фразу: ИИ не заменит человека: просто людей, которые не умеют его использовать, заменят люди, которые умеют. Но это не особенность именно ИИ, так происходило с разными новыми технологиями в разные исторические периоды.

Поэтому мы сейчас активно инвестируем в обучение персонала. Делаем так, чтобы на разных функциональных направлениях и на разных управленческих уровнях понятным образом укоренялась и непосредственно внедрялась идея, что ИИ – это эффективный инструмент. Он позволит и с точки зрения качества обслуживания, и с точки зрения операционной эффективности вывести организацию на новый уровень.

– Мы не проводили специальных измерений, но категорических отказов кого-либо из сотрудников от работы с ИИ не было. Напротив, сотрудники проявляют интерес к обучению и освоению новых инструментов. Эти технологии не только упрощают работу, но и усиливают личную ценность каждого специалиста. Например, в колл-центрах ИИ помогает быстро анализировать запрос клиента, предлагать решения и собирать нужную информацию.

Наша практика подтверждает, что пользователи быстро осваивают взаимодействие с ИИ благодаря интуитивно понятным интерфейсам. Умение работать с чат-ботами стало повсеместным – это уже часть цифровой грамотности современного человека.