ИИ‑решения
в НБУ

Обзор 10 проектов банка с применением искусственного интеллекта

support_agentРечевая аналитика

descriptionДокументы

task_altОтчётность

account_balanceКредитование

notifications_activeВзыскание

Речевая аналитика: качество обслуживания

Речевая аналитика · основной отчёт

1

Масштаб анализа

368 518 из 925 625 звонков

2

Автоматическая оценка

Без ручного прослушивания

3

Карточка звонка

Содержание, настроение, жалоба

Данные с 01.02.2026 по 08.05.2026 · номера телефонов скрыты

Речевая аналитика: разбор звонка

Речевая аналитика · карточка звонка

1

Запись с разделением ролей

Оператор и клиент отдельно

2

Расшифровка с таймкодами

Поиск по тексту

3

Настроение, жалоба, темы

Краткое содержание разговора

4

Оценка по критериям

Приветствие, завершение, ожидание

Номер клиента и идентификаторы скрыты

Сверка документов филиалов с эталоном

Документооборот · сравнение файлов

1

Сходство с эталоном

99%, изменения на 1 из 15 страниц

2

Изменена сумма кредита

300 000 вместо 255 000 долларов

3

Изменён срок

12 месяцев вместо 36

4

Назначение ответственного

Расхождение передаётся на проверку

Пример сравнения шаблона кредитного договора и копии филиала

AI-метрики

Сверка документов: метрики

OCR
с августа 2026

descriptionДоговоров проверено ИИ

2 130

с запуска в августе · прогноз ≈4 000 к концу года

авгсеноктноядек

targetТочность сверки

99%

boltСкорость проверки

×2

personВручную30 мин

smart_toyС ИИ15 мин

scheduleЭкономия времени

200 ч

в месяц · 532 ч с августа

memoryАнализ одного договора

7-8 мин

OCR

Проверка кредитных договоров филиалов с эталонным шаблоном

Отчёты по льготным кредитам для Министерства экономики и финансов

Отчёты для Министерства экономики и финансов · реестр и карточка кредита

1

Единый реестр кредитов

5 007 кредитов загружаются из БД автоматически

2

Контроль статусов и сроков

Новые кредиты и кредиты с истекающим сроком

3

Автозаполнение карточки

Сотрудник вносит только KPI и заключение

4

Отправка на согласование

Отчёт передаётся руководителю в один клик

Отчёты по льготным кредитам для Министерства экономики и финансов. По кликам: реестр, в который из базы данных автоматически загружаются все льготные кредиты банка, более 5 000. Контроль статусов и сроков: видны новые кредиты и кредиты с истекающим сроком рассмотрения. Карточка кредита: данные о заёмщике и кредите заполнены автоматически, сотрудник вносит только KPI и заключение. Кнопка «Отправить на проверку» передаёт отчёт руководителю, после одобрения отчёт поступает в реестр для Министерства экономики и финансов.

Запуск в июле 2026 · оценка эффекта

Отчёты для Министерства экономики и финансов: ожидаемый эффект

Система запущена, полномасштабное использование ещё не начато. Оценка приведена для отчётности по всем кредитам реестра

task_alt5 007

кредитов в реестре

отчёты по ним будут готовиться в системе

bolt×4

быстрее заполнение отчёта

15 минут на кредит вместо часа

schedule≈3 750 ч

экономия рабочего времени

по 45 минут на каждом из 5 007 кредитов

verified100%

отчётов проходят проверку руководителя

до отправки в Министерство экономики и финансов

Онлайн-декларация о конфликте интересов

HR-портал · декларации кандидатов

1

Панель HR

Кандидаты и статусы в одном окне

2

Новый кандидат

Доступ создаётся автоматически

3

Онлайн-декларация

Кандидат заполняет форму самостоятельно

4

Электронная подпись

Подпись на экране

5

PDF и отправка

Документ передаётся в HR на проверку

Запуск в сентябре 2026 · оценка эффекта

Онлайн-декларации кандидатов: ожидаемый эффект

Система запущена, полномасштабное использование ещё не начато. Оценка приведена в расчёте на 640 кандидатов

schedule≈320 ч

экономия рабочего времени HR

по 30 минут на каждом из 640 кандидатов

bolt×4

быстрее обработка в HR

10 минут на кандидата вместо 40

public3

языка декларации

русский, узбекский и английский

draw100%

деклараций с электронной подписью

PDF сохраняется в архиве, бумажные бланки не нужны

Платформа подготовки бизнес-планов

Анкета заявителя: правовая форма и статус бизнеса.

От анкеты предпринимателя до финансового прогноза и документа

Бизнес-планы: результат

От анкеты предпринимателя до готового бизнес-плана

Экономия времени

83%

меньше времени
на подготовку

одного бизнес-плана

×6

быстрее подготовка

20 минут на план вместо 2 часов

Время на один план

Вручную120 мин

С платформой20 мин

Поздравление клиентов: календарь дней рождения

Поздравление клиентов · календарь

1

Дни рождения месяца

Цвет статуса и уровень важности

2

Действия из календаря

История и следующий шаг

3

Оформление подарка

Одна форма, одобрение при оформлении

Поздравление клиентов: от карточки до реестра

Поздравление клиентов · клиенты

1

Карточка клиента

Дата, уровень, история подарков

2

Вручение с фото

Комментарий и фото к вручению

3

Реестр подарков

Подарки года, суммы и статусы

Ежемесячный процесс

Утверждение функциональных ролей KPI

Каждый месяц 131 филиал подтверждает функциональные роли сотрудников: продажник, транзакционист, кассир. По этим ролям рассчитывается KPI

1

Список из кадровой системы

Сотрудники филиала загружаются из SAP HCM без ручного ввода

2

Бухгалтер выставляет роли

Выбор ограничен ролями, предусмотренными в отделе

3

Согласование в три подписи

Управляющий, территориальный директор, приём в ДООиП

4

Выгрузка в витрину

Принятый отчёт передаётся в базу для расчёта KPI

Рабочий экран ДООиП · ход сдачи по месяцам

Экран ДООиП: плашки со сводкой, ход сдачи по месяцам и фильтры по филиалу, месяцу и этапу

Ежемесячное утверждение функциональных ролей KPI. Ранее филиалы собирали списки в Excel и присылали по почте, сводка выполнялась вручную. Сейчас состав сотрудников загружается из кадровой системы, бухгалтер выставляет роль каждому сотруднику. Выбор ограничен ролями отдела: в отделе бизнес-клиентов недоступны розничные роли, в кассовом отделе доступна только роль кассира. Список проходит цепочку подписей: управляющий, территориальный директор, приём в ДООиП. Вход выполняется по доменной учётной записи, роль и филиал определяются по кадровым данным. Принятый отчёт передаётся в витрину для расчёта KPI.

Первый месяц работы, август 2026

Роли KPI: результат

Единый процесс для всей сети вместо Excel-файлов по почте

task_alt67

отчётов филиалов принято за август

сбор, подписи и выгрузка в одной системе вместо нескольких дней переписки

contacts1 223

сотрудника с утверждёнными ролями

роли выставлены, подписаны и приняты

account_balance131

филиал в системе

операционные центры, центры и офисы банковских услуг

database100%

данных передано в витрину

без ручного переноса и сверки

За первый месяц через систему принято 67 отчётов филиалов, это 1 223 сотрудника с утверждёнными ролями. Ранее филиал собирал список в Excel и согласовывал его по почте несколько дней, сейчас сбор, подписи и выгрузка занимают минуты. Все данные переданы в витрину автоматически, ранее их переносили и сверяли вручную. В системе все 131 подразделение сети: операционные центры, центры и офисы банковских услуг. За сентябрь 65 отчётов уже на контроле ДООиП, это ещё 1 208 сотрудников. Каждый этап подписан с датой и временем, все действия фиксируются в журнале.

Реверсивный факторинг

Факторинг: скоринг и лимиты

Платформа собирает данные клиента в банке, оценивает риск и рассчитывает лимит. Решение принимает сотрудник

databaseШаг 1

Данные в одной карточке

Обороты по счетам, кредитный портфель, валютные контракты и санкционные списки

199 769юрлиц доступны для оценки

arrow_forward

analyticsШаг 2

Скоринг от A до D

Грейд по оборотам и кредитной истории, стоп-факторы проверяются автоматически

4 305юрлиц с грейдом D: стоп-факторы или высокий риск

arrow_forward

task_altШаг 3

Лимит и решение по сделке

Лимит, срок и аванс дебитора. По сделке проверяются страна, санкции и поставщик

30 135юрлиц с рекомендованным лимитом

Платформа для реверсивного факторинга. Задача платформы: единообразно определить лимит дебитора и порядок оплаты поставщику по конкретной сделке. Шаг 1: система собирает по клиенту обороты по счетам, кредитный портфель, реестр валютных контрактов и санкционные списки, оценке доступно почти 200 тысяч юрлиц банка. Шаг 2: скоринг присваивает грейд от A до D. Стоп-факторы (просрочка, судебное дело, списание, низкий класс качества) переводят клиента в грейд D. Шаг 3: по грейду и оборотам рассчитываются лимит, срок и аванс, по сделке проверяются страна, санкции и поставщик. Решение принимает сотрудник, изменить рекомендацию системы можно только с указанием причины.

Раздел «Риски»

Риски: оценка дебитора и поставщика

Надёжность дебитора не гарантирует надёжность сделки, поэтому каждая сделка оценивается по обеим сторонам

storefrontДебитор · покупатель

Способность погасить задолженность

Достаточность поступлений для погашения суммы в срок отсрочки

Грейд A-DСвободный лимитСумма к возврату / поступления

sync_alt

local_shippingПоставщик · продавец

Способность поставить товар

Реальность компании и соответствие договора её обороту

История сделокДоговор / оборотСтранаСанкцииКруговая схема

arrow_forward

handshakeПара · итог

Доля оплаты поставщику сразу

Чем надёжнее пара, тем больше доля оплаты поставщику сразу. Остаток выплачивается после оплаты дебитором

0из 221

проблемных сделок среди тех, где система оплатила бы поставщику 100% сразу

100%0%

85-99%2,4%

70-84%17,9%

Раздел «Риски». Лимит дебитора не отвечает на вопрос, можно ли финансировать конкретную сделку, поэтому сделка оценивается по паре дебитор и поставщик. По дебитору проверяются грейд, свободный лимит и достаточность поступлений для возврата суммы в срок отсрочки. По поставщику проверяются история сделок, соответствие договора обороту, страна, санкционные списки и признаки круговой схемы, при которой средства возвращаются к дебитору. Итог оценки: доля, которую банк оплачивает поставщику сразу, остаток выплачивается после оплаты дебитором. Проверка на 666 сделках проекта: в 221 сделке, где система оплатила бы поставщику 100% сразу, проблемных не было. При доле 85-99% проблемных сделок 2,4%, при доле 70-84% почти 18%. Более осторожная оценка системы соответствует более высокому фактическому риску.

Проверка на истории проекта

Факторинг: результат

Скоринг проверен на 666 сделках факторинга с января 2025 по сентябрь 2026 года

verified0,9%

проблемных сделок у дебиторов грейда A

Грейд A0,9%

Остальные19%

policy35 181

санкционная запись OFAC и ЕС

сверка каждого поставщика по названию и стране

public15 110

иностранных поставщиков с историей

по 29 148 валютным контрактам банка

boltсекунды

на расчёт лимита и сделки

с пошаговым расчётом и причинами решения

Скоринг разделяет сделки по уровню риска. Проверка проведена на истории проекта: 666 сделок факторинга с января 2025 по сентябрь 2026 года. У дебиторов грейда A проблемных сделок менее 1% (5 из 588), у остальных грейдов 19% (15 из 78). Каждый поставщик сверяется с санкционными списками OFAC и ЕС, это более 35 тысяч записей. По иностранным поставщикам система учитывает историю по 29 тысячам валютных контрактов банка. Расчёт лимита и сделки занимает секунды, по каждому решению доступны расчёт и причины.

Soft collection · pre-collection

Pre-collection: контакт с клиентом до просрочки

За 5 дней до даты платежа модель оценивает риск просрочки по каждому кредиту. Клиенты с наибольшим риском ставятся первыми в очередь на контакт

notifications_active event flag

−5 днейпрогноз и контакт

День платежапо графику

+10 днейпроверка выхода в просрочку

databaseШаг 1

Профиль заёмщика

История платежей по кредиту, кредитное бюро КАТМ и активность по картам

≈500 тыс.кредитов в истории обучения

arrow_forward

insightsШаг 2

Оценка риска просрочки

Модель рассчитывает вероятность просрочки по ближайшему платежу

0-100%скор риска по каждому кредиту

arrow_forward

support_agentШаг 3

Очередь на контакт

Клиенты с наибольшим риском получают напоминание первыми, до даты платежа

Колл-центрSMSРобот-обзвон

Pre-collection, мягкое взыскание до просрочки. Задача: заранее определить заёмщиков, которые с высокой вероятностью пропустят ближайший платёж, и связаться с ними до возникновения просрочки. Шкала: за 5 дней до даты платежа модель формирует прогноз, через 10 дней после даты платежа проверяется, был ли выход в просрочку хотя бы на один день. На этой разметке модель обучалась. Шаг 1: по кредиту собирается профиль: история платежей, данные кредитного бюро КАТМ и активность по картам. В обучении использовано около 500 тысяч кредитов. Шаг 2: модель рассчитывает скор риска. Шаг 3: список сортируется по скору, клиенты с наибольшим риском первыми передаются в колл-центр, SMS или робот-обзвон. Отдельного интерфейса нет, результат скоринга передаётся в рабочую очередь взыскания.

Проверка на данных мая 2026

Pre-collection: результат

Модель обучена на платежах до апреля 2026 и проверена на 181 902 платежах мая, не использованных в обучении

target97%

точность в верхних 10% списка по риску

Топ-10%97%

Топ-30%96%

Без модели73%

radar84%

будущих просрочек выявляется заранее

за 5 дней до даты платежа

verified92%

точность прогноза

доля клиентов с прогнозом просрочки, которые вышли в просрочку

query_stats0,89

ROC-AUC на новом месяце

качество ранжирования на данных вне обучения

Проверка выполнена по времени: модель обучена на платежах до апреля 2026 года и оценена на 181 902 платежах мая, которые не использовались в обучении. Для взыскания важна верхняя часть списка: среди 10% клиентов с наибольшим скором 97% вышли в просрочку, среди 30% таких 96%. Без модели доля просрочек во всём потоке около 73%. В целом модель заранее выявляет 84% будущих просрочек при точности 92%. ROC-AUC на новом месяце 0,89. Ограничение: для новых кредитов без истории платежей, то есть на первом платеже, качество прогноза заметно ниже.

Soft collection · просрочка от 1 до 60 дней

Soft collection: прогноз длительности просрочки

В первый день просрочки модель прогнозирует её длительность. По прогнозу распределяется работа взыскания

День 1 просрочки · прогноз

check_circle1-30 дней

schedule31-60 дней

warningБольше 60 дней

погашение самостоятельно или после напоминаниятребуется активный контактзатяжная просрочка, работа с первого дня

databaseШаг 1

Профиль просрочки

Весь кредитный портфель клиента, история просрочек в бюро КАТМ и обороты по картам

≈3,7 млнслучаев просрочки в истории

arrow_forward

insightsШаг 2

Прогноз корзины

Модель оценивает вероятность каждой из трёх корзин по сроку выхода из просрочки

до 30 дней31-6060+

arrow_forward

support_agentШаг 3

Канал по уровню риска

Клиентам с низким риском направляется напоминание. При риске затяжной просрочки клиента с первого дня ведёт оператор

SMSIVRРоботОператор

Soft collection, ранняя стадия взыскания при просрочке от 1 до 60 дней. Задача: в первый день просрочки определить, погасит ли клиент долг быстро или просрочка станет затяжной. Шкала показывает три корзины: погашение в течение 30 дней, за 31-60 дней и более 60 дней. Шаг 1: по клиенту собирается профиль: весь кредитный портфель в банке, история просрочек в бюро КАТМ и обороты по картам. В истории около 3,7 миллиона случаев просрочки. Шаг 2: модель рассчитывает вероятность каждой корзины. Шаг 3: от прогноза зависит канал. Клиентам с низким риском направляются SMS или IVR, клиентов с риском затяжной просрочки с первого дня ведёт оператор. Отдельного интерфейса нет, прогноз передаётся в рабочую очередь взыскания.

Проверка на данных 2026 года

Soft collection: результат

Модель обучена на просрочках 2025 года и проверена на 406 305 случаях просрочки 2026 года, не использованных в обучении

crisis_alert×14

чаще затяжные просрочки в группе риска, чем в среднем по потоку

Группа риска26%

Весь поток1,8%

radar1/3

затяжных просрочек выявляется в первый день

до перехода просрочки за 60 дней

query_stats0,82

ROC-AUC по риску 60+

качество ранжирования на данных вне обучения

sms99%

клиентов, погасивших долг самостоятельно, отнесены к мягкому каналу

SMS и IVR вместо оператора, операторы заняты сложными случаями

Проверка выполнена по времени: модель обучена на случаях просрочки 2025 года и оценена на 406 305 случаях 2026 года. В среднем затяжные просрочки (более 60 дней) составляют 1,8% случаев. В группе, которую модель относит к рискованной, их доля 26%, то есть в 14 раз выше. Около трети таких случаев модель выявляет в первый день просрочки. ROC-AUC по риску 60+ составляет 0,82. 99% клиентов, погасивших долг самостоятельно в течение 30 дней, модель относит к мягкой корзине. Их можно вести через SMS и IVR, операторы при этом заняты сложными случаями. Ограничение: среднюю корзину 31-60 дней модель пока различает слабо, это следующий этап доработки.

ИИ‑решенияв НБУ

Речевая аналитика: качество обслуживания

Речевая аналитика: разбор звонка

Сверка документов филиалов с эталоном

Сверка документов: метрики

Отчёты по льготным кредитам для Министерства экономики и финансов

Отчёты для Министерства экономики и финансов: ожидаемый эффект

кредитов в реестре

быстрее заполнение отчёта

экономия рабочего времени

отчётов проходят проверку руководителя

Онлайн-декларация о конфликте интересов

Онлайн-декларации кандидатов: ожидаемый эффект

экономия рабочего времени HR

быстрее обработка в HR

языка декларации

деклараций с электронной подписью

Платформа подготовки бизнес-планов

Бизнес-планы: результат

меньше временина подготовку

быстрее подготовка

Время на один план

Поздравление клиентов: календарь дней рождения

Дни рождения месяца

Действия из календаря

Оформление подарка

Поздравление клиентов: от карточки до реестра

Карточка клиента

Вручение с фото

Реестр подарков

Утверждение функциональных ролей KPI

Роли KPI: результат

отчётов филиалов принято за август

сотрудника с утверждёнными ролями

филиал в системе

данных передано в витрину

Факторинг: скоринг и лимиты

Данные в одной карточке

Скоринг от A до D

Лимит и решение по сделке

Риски: оценка дебитора и поставщика

Способность погасить задолженность

Способность поставить товар

Доля оплаты поставщику сразу

Факторинг: результат

проблемных сделок у дебиторов грейда A

санкционная запись OFAC и ЕС

иностранных поставщиков с историей

на расчёт лимита и сделки

Pre-collection: контакт с клиентом до просрочки

Профиль заёмщика

Оценка риска просрочки

Очередь на контакт

Pre-collection: результат

точность в верхних 10% списка по риску

будущих просрочек выявляется заранее

точность прогноза

ROC-AUC на новом месяце

Soft collection: прогноз длительности просрочки

Профиль просрочки

Прогноз корзины

Канал по уровню риска

Soft collection: результат

чаще затяжные просрочки в группе риска, чем в среднем по потоку

затяжных просрочек выявляется в первый день

ROC-AUC по риску 60+

клиентов, погасивших долг самостоятельно, отнесены к мягкому каналу

ИИ‑решения
в НБУ

меньше времени
на подготовку