Банк подключил ИИ-агента к скорингу: решение за минуты

Розничный банк внедряет ИИ-агента в конвейер кредитного скоринга и сообщает о сокращении времени принятия решения по заявке с часов до минут. Формулировка звучит эффектно, но за ней прячется несколько разных вещей: собственно оценка заёмщика, сбор данных, проверки на мошенничество и финальное одобрение. Разбираем, где агент реально экономит время, где остаётся человек и что здесь новое по сравнению с классическими скоринговыми моделями, которые банки используют уже двадцать лет.

Сразу оговорка: это разбор класса решений, а не отчёт по конкретному банку с проверенными цифрами. Публичные пресс-релизы о таких внедрениях почти всегда описывают лучший сценарий и редко раскрывают методику замера. Поэтому конкретные проценты ускорения из чужих релизов мы приводить не будем — их нельзя проверить.

Что вообще делает скоринг и при чём тут агент

Классический кредитный скоринг — это статистическая модель (логистическая регрессия, градиентный бустинг вроде XGBoost или CatBoost), которая по анкете и кредитной истории выдаёт вероятность дефолта. Она работает за миллисекунды и в ускорении со стороны ИИ не нуждается. Узкое место обычно не в самом расчёте балла, а вокруг него.

Долго тянутся ровно те этапы, где нужно собрать и сверить данные из разных мест: подтянуть отчёт из бюро кредитных историй, проверить документы, разобрать нестандартную заявку, где автоматика засомневалась и отправила её на ручную проверку. Вот сюда и приходит ИИ-агент^* — не как замена скоринговой модели, а как оркестратор вокруг неё.

Где агент экономит время

• Сбор данных. Агент сам обращается к внутренним и внешним источникам: БКИ, банковские выписки, данные о доходах. То, что раньше делал сотрудник руками, идёт по API.
• Разбор документов. Мультимодальные модели читают сканы справок и выписок, вытаскивают поля и сверяют их с анкетой. Ручная проверка справки о доходах, которая занимала минуты, схлопывается.
• Пограничные заявки. Там, где скоринговый балл попадает в «серую зону» и раньше уходил аналитику, агент готовит краткое обоснование: какие факторы за, какие против.

Где человек остаётся обязательно

Полностью автономное одобрение кредита без надзора — это не только технический, но и регуляторный вопрос. Отказ в кредите по непрозрачной причине рискует нарушить требования к объяснимости решений. Плюс ответственность за итог всё равно несёт банк, а не модель.

Агент сокращает не «принятие решения» целиком, а рутину вокруг него: сбор, сверку и подготовку. Финальную кнопку по спорным заявкам чаще всего по-прежнему нажимает человек.

Чем это отличается от того, что было раньше

Разница между «скоринговой моделью» и «ИИ-агентом» — не косметическая. Модель отвечает на один вопрос: какова вероятность дефолта. Агент выполняет цепочку действий с вызовом инструментов и может сам решить, что заявке не хватает данных, и дозапросить их.

Главный риск агентного подхода — тот же, что у любых больших языковых моделей: правдоподобная выдумка. Если агент неверно распознал сумму дохода в справке или подтянул отчёт не того человека, ошибка попадёт в решение. Поэтому серьёзные внедрения обкладывают агента проверками: сверка полей по нескольким источникам, отказ действовать при расхождениях, полный журнал всех вызовов инструментов для аудита.

Кому это пригодится, а кому нет

Пригодится:

• Крупным розничным банкам с большим потоком однотипных заявок — потребкредиты, карты, микрозаймы, где основная боль в объёме ручной сверки.
• Организациям, где заявки часто уходят на ручную доработку из-за неполных данных: агент дозапрашивает недостающее без участия человека.
• Командам, у которых уже выстроен доступ к источникам по API — иначе агенту нечем оперировать.

Скорее не пригодится:

• Небольшим кредиторам с малым потоком: стоимость внедрения, поддержки и валидации не отобьётся.
• Сегментам со сложным индивидуальным андеррайтингом — ипотека крупным клиентам, корпоративные кредиты, — где решение всё равно требует глубокого разбора человеком.
• Тем, у кого данные лежат в разрозненных системах без интеграции: сначала нужно решить проблему доступа к данным, а не докупать агента.

Сколько это стоит и что считать эффектом

Публичных прайсов на такие решения нет — это заказная интеграция, а не подписка. Цена складывается из стоимости самой модели (собственной или через провайдера), интеграций с источниками, инфраструктуры и постоянной валидации. Отдельная статья расходов — мониторинг качества: скоринговые модели деградируют со временем, когда меняется поведение заёмщиков, и агента над ними приходится регулярно перепроверять.

Честная метрика эффекта — не «решение за минуты» в вакууме, а связка из трёх чисел: доля заявок, прошедших без ручного вмешательства, время обработки пограничных случаев и — обязательно — качество решений. Ускорение, которое роняет точность одобрений и увеличивает просрочку, это не выигрыш, а отложенный убыток.

^* ИИ-агент — программа на базе языковой модели, которая не просто отвечает на запрос, а выполняет цепочку действий: планирует шаги, вызывает внешние инструменты и API, оценивает результат и решает, что делать дальше. В отличие от одиночной модели, агент работает в цикле «подумал — сделал — проверил».