Одно из крупнейших деловых изданий Азии – китайский портал The Economic Observer – в 2025 г. признало Альфа-Банк лучшим в номинации «Технологический лидер мирового уровня» (World-Class Technology Leadership Award) за активное использование искусственного интеллекта. С помощью ИИ банк разработал модель обслуживания своих банкоматов, а также активно применяет его во взаимодействии с клиентами. Рассказываем об этом подробнее.
Оптимизация загрузки банкоматов: ИИ-решение Альфа-Банка
Несмотря на рост безналичных платежей, потребность в наличных деньгах у клиентов Альфа-Банка сохраняется и последний год находится на стабильном уровне. Клиенты по-прежнему активно используют банкоматы для снятия средств. Для самого бизнеса банка АТМ-устройства представляют собой сложный актив: с одной стороны, они генерируют доход (например, за счет высокой комиссии на выдачу наличных с кредитных карт или карт других банков), с другой – остаются источником значительных издержек. Расходы включают техническое обслуживание, страхование, амортизацию оборудования, транспортировку, чистку, а главное – регулярные затраты на инкассацию: каждый выезд бригады, пересчет и загрузка кассет. Ключевым финансовым фактором является иммобилизация средств: деньги, находящиеся в кассетах, не работают на банк, создавая упущенную выгоду. Анализ показал, что во многих случаях затраты на содержание банкоматов часто превышают получаемые от них доходы.
Альфа-Банк внедрил систему на базе искусственного интеллекта для управления наполнением банкоматов наличностью. Цель – гарантировать доступность средств для клиентов при одновременном снижении операционных расходов.
От статистики к искусственному интеллекту
Исторически банк использовал статистический подход: рассчитывался средний дневной оборот для каждого дня недели на основе данных о снятиях и внесениях. Исходя из этого, определялся объем наличных для загрузки, формировались кассеты, и инкассаторы доставляли их по точкам.
Аналитический центр Альфа-Банка поставил задачу использовать ИИ для определения оптимальной суммы и точного времени загрузки каждого банкомата, чтобы минимизировать затраты на их содержание без риска опустошения кассет.
Разработка и обучение моделей
В качестве базы использовались данные по московским банкоматам-рециркуляторам (RCL, прием и выдача наличных). На основе исторических данных были созданы две независимые прогнозные модели:
- Модель прогнозирования объема снятий (cash-out).
- Модель прогнозирования объема внесений (cash-in).
Эти прогнозы служат входными данными для оптимизационного модуля, который учитывает множество факторов: прогнозные остатки в конце дня, стоимость услуг инкассации, расходы на пересчет денег в кассетах.
Эволюция прогнозирования
Для построения прогнозов временных рядов команда последовательно тестировала различные методы: ARIMA, SARIMA и Prophet. Хотя эти модели требовали минимальных данных для запуска, их точность оказалась недостаточной.
ВЫНОС
«Первоначальные результаты нас не полностью удовлетворили, поэтому мы сфокусировались на генерации дополнительных признаков (feature engineering), — поясняет Евгений Гаврилин, руководитель направления интеллектуального анализа данных банка. — Мы преобразовали имеющиеся данные, создав признаки, которые детально описывают поведение конкретного временного ряда. Основу составила агрегационная статистика: тип дня (праздник/будни), день недели, месяц, а также динамика снятий и внесений за предыдущие периоды (недели, месяцы)».
КОНЕЦ ВЫНОСА
На обогащенных данных была обучена модель CatBoost, способная одновременно прогнозировать несколько разнородных показателей (мультирегрессионный таргет). Это позволило строить прогнозы с горизонтом в 14 дней.
Процесс оптимизации загрузки
Оптимизатор, используя прогнозы снятий и внесений на 14 дней, анализирует все возможные сценарии проведения инкассации в этот период. Его задача — выбрать вариант с минимальными совокупными затратами для банка, при этом гарантируя отсутствие отказов в выдаче наличных клиентам.
Алгоритм перебирает до 16 000 сценариев для одного банкомата. При расчете плана для 50 устройств система тратит примерно 20 секунд. В процессе оптимизации учитываются дополнительные ограничения: график работы банкомата, вместимость кассет. При выявлении потенциальных проблем (например, риск недостатка купюр определенного номинала) выполняются дополнительные проверки и корректировки.
Результатом работы системы является индивидуальный и точный план инкассации для каждого банкомата на предстоящую неделю, сформированный дата-центром банка.
Пилотное внедрение и текущее развитие
Летом прошлого года команда осуществила ограниченный пилотный запуск сервиса в реальных условиях эксплуатации. Всего за 2,5 месяца реализации модели оптимизации на основе результатов A/B-тестирования был достигнут показатель снижения затрат на 7%.
«Результативность применения связки CatBoost и оптимизатора подтверждена и является значимой, — подчеркивает Мария Степанова, специалист по интеллектуальному анализу данных банка. — При этом ручной контроль сохраняет свою важность ввиду сложности прогнозных моделей и офлайн-режима работы системы. Параллельно мы непрерывно совершенствуем алгоритм оптимизатора, интегрируя новые параметры».
В текущем году тестирование моделей и оптимизационного модуля продолжается. Специалисты дата-центра нацелены на поэтапное увеличение количества банкоматов, обслуживаемых с помощью искусственного интеллекта. На данный момент система уже функционирует для более чем 120 устройств в Москве, ожидается ее распространение на регионы.
ИИ как движущая сила клиентского опыта и операционной эффективности
Клиентские коммуникации: От чат-ботов к эмоциональным AI-агентам
Альфа-Банк позиционирует себя не просто как финансовую организацию, а как технологическую компанию (bigtect), где искусственный интеллект глубоко интегрирован в ключевые процессы, особенно в коммуникации с клиентами. Венцом этих усилий является встроенный во все каналы ДБО чат-бот, три года подряд (2022-2024 гг.) возглавляющий рейтинг Chatbot Rank. Его эволюция иллюстрирует стратегию банка: от простого ответа на запросы – к персонализированному и эмоционально окрашенному взаимодействию.
Основные задачи ИИ в Альфа-Банке:
- Поддержка многоуровневой системы обслуживания. Клиент начинает диалог с базовым ИИ, решающим стандартные запросы. При сложности вопроса или желании клиента общаться с человеком – происходит бесшовное переключение на сотрудника контакт-центра. Ключевая инновация – внедрение промежуточного звена: AI-агента. Этот агент берет на себя задачи, которые ранее требовали оператора, имитируя человеческое общение (имеет имя, фамилию, искусственно создает задержки в ответах).
- Персонализация и эмоциональный интеллект. Банк активно экспериментирует с распознаванием эмоций клиентов через камеры в отделениях. Цель – дать сотруднику контекст до начала общения (клиент расстроен, взволнован и т.д.) и предложить сценарий взаимодействия (например, предложить кофе расстроенному клиенту). Это направление пока сложно оценить экономически, но оно критично для формирования «человеческого» отношения в цифровую эпоху. В основе обучения чат-бота и агента лежала технология «бот-суфлер», анализировавший диалоги и подсказывавший операторам правильные ответы, что позволило модели научиться корректно общаться с клиентами.
- Борьба со скепсисом. Опросы клиентов Альфа-Банка показали, что более половины клиентов изначально негативно оценивают сам факт общения с ботом. Однако пилот с AI-агентом показал, что 30% пользователей не замечают подмены и положительно оценивают опыт. Дальнейшее развитие – усиление персонализации (учет контекста предыдущих диалогов) и эмоциональности ответов.
Банкоматы и Операционная Безопасность: ИИ как «всевидящее око» и оптимизатор
Помимо использования ИИ-решений для оптимизации загрузки и инкассации банкоматов, о чем говорилось выше, искусственный интеллект применяется в контексте банкоматной сети и физических отделений еще и в плане безопасности и оптимизации пространства. Прежде всего, мы говорим о системах видеоаналитики (Visual Mining). Банк использует технологии компьютерного зрения для анализа записей с камер наблюдения в отделениях и зонах банкоматов в следующих целях:
- Выявление операционных рисков и мошенничества: Модель автоматически обнаруживает потенциально опасные ситуации: забытые сотрудником деньги, ключи от сейфа или карты клиентов на столе, подозрительные действия посетителей. Это заменяет ручной мониторинг службой безопасности.
- Повышение безопасности клиентов: Система может идентифицировать нестандартные ситуации, например, человека, прилегшего отдохнуть в зоне банкоматов, и автоматически оповещать охрану для проверки его состояния.
- Оптимизация пространства отделений: Анализ видео позволил выявить неэффективное использование площадей (напр., большие столы редко использовались по назначению), что привело к перепланировкам для улучшения клиентского опыта и эффективности работы персонала.
- Пилоты будущего: Тестируется распознавание оружия у посетителей (сложность – отличие игрушечного от настоящего) и, как упомянуто выше, определение эмоционального состояния клиентов при входе в отделение.
Phygital-интеграция и биометрия
Альфа-Банк – пионер концепции Phygital (Digital + Physical), позволяющей клиенту взаимодействовать с операционистом в отделении, подтверждая операции в мобильном приложении. Интеграция биометрии в «умную очередь» позволяет идентифицировать клиента сразу при входе, открывая путь для гиперперсонализированного сервиса на основе его профиля и (в будущем) текущего эмоционального состояния.
Платежи, сервисы для бизнеса и платформенные решения: генеративный ИИ в действии
Альфа-Банк активно внедряет генеративный ИИ как в клиентские сервисы, так и во внутренние процессы, трансформируя подход к платежам и обслуживанию бизнеса.
«Нейроофис» и «Работа для бота». Эти сервисы (в интернет-банке и Telegram соответственно) используют генеративный ИИ для помощи малому и микробизнесу. Они упрощают рутину: помогают формулировать ответы на отзывы, создавать вакансии, редактировать тексты. Пользователю не нужны навыки промпт-инжиниринга – достаточно ответить на вопросы о своем бизнесе. Планируется развитие линейки виртуальных помощников (юрист, бухгалтер, дизайнер). Модель монетизации гибридная: часть функций бесплатна для повышения лояльности, часть доступна по подписке, что отражает двойную цель – улучшение клиентского опыта и генерация дохода.
AlfaGen: Платформа для экспериментов с LLM. Для работы с генеративным ИИ банк создал внутреннюю платформу AlfaGen. Она позволяет гибко подключать и тестировать различные большие языковые модели (LLM), включая как внешние решения (например, через API «Яндекса»), так и локально развернутые Open Source модели (включая новейшую китайскую «рассуждающую» модель DeepSeek R-1, чей открытый код позволяет глубокую адаптацию). Подход к пилотированию прагматичен: некритичные задачи тестируются вне защищенного контура банка, задачи с доступом к чувствительным данным или критичной инфраструктуре – только внутри контура на Open Source моделях. Активно используются механизмы Data Loss Prevention (DLP) для минимизации рисков утечек.
AutoML: ИИ для создания и обучения новых моделей искусственного интеллекта. Решение, отмеченное наградой AI Journey 2024, автоматизирует разработку и переобучение ML-моделей. Это критично для поддержания их актуальности (из-за устаревания данных и дрейфа концепций). Сегодня 40% из более чем 600 моделей банка переобучаются с помощью AutoML. Это высвобождает ресурсы data-сайентистов для создания новых моделей, а не поддержки старых, ускоряя инновации.
По словам Ивана Иванова, директора по стратегии цифровой трансформации Альфа-Банка, каждый проект, предусматривающий применение искусственного интеллекта, оценивается на экономическую эффективность и трудоемкость. Однако банк сознательно выделяет бюджет на пилоты (в т.ч. с оплатой внешним финтех-компаниям), понимая, что без экспериментов нельзя быть лидером. Около 20% протестированных внешних технологий масштабируется.
В 2024 г. в Альфа-Банке создано специальное подразделение по ИИ-кибербезопасности, контролирующее модели на предмет корректности ответов, цензуры и уязвимостей к промпт-инжинирингу. Банк участвует в деятельности «Альянса в сфере ИИ» с Яндексом, Сбером и Т-Банком.
При этом остается ключевым значение сотрудников. Автоматизация не ведет к массовым сокращениям, а меняет роли. Банк переводит своих специалистов с рутинных задач (андеррайтинг полностью автоматизирован) на экспертные треки (AI-тренеры, промпт-инженеры, scrum-мастера, специалисты по клиентскому опыту), активно инвестируя в их переобучение (Школы Java, клиентского опыта и др.). Акцент делается на повышении значимости роли (например, курьеры доставки карт становятся консультантами).
Кроме того, Альфа-Банк стимулирует сотрудников предлагать идеи для роботизации через обучение (Школа RPA, платформа Smarty для обучения промпт-инжинирингу), показывая возможности технологий в их ежедневной рутине. Отбор идей основан на экономической эффективности, трудоемкости и отсутствии дублирования с глобальными проектами.
И. Иванов видит два сценария развития для Альфа-Банка и банковского бизнеса в целом через 5 лет:
- Эволюционный (Более Реалистичный):
- Гиперперсонализация: ИИ сделает индивидуальный сервис уровня private banking доступным каждому клиенту, анализируя его операции и коммуникации.
- Новые каналы коммуникации: Широкое использование голосовых ассистентов и AI-помощников.
- Embedded Banking: Глубокое встраивание банковских продуктов и сервисов в нефинансовые цифровые платформы и сценарии клиентов.
- Революционный: Появление «соло-фаундеров», создающих компании (включая необанки) практически без персонала, используя AI-агентов для back-office (бухгалтерия, маркетинг, CRM). Банки со штатом 10-15 человек.
В любом случае, искусственный интеллект коренным образом изменит все процессы нынешнего бизнеса кредитных организаций, не исключая и связанные с платежами в целом и наличным денежным обращением в частности. Пример Альфа-Банка показывает: для того, чтобы остаться в лидерах через несколько лет, надо начинать действовать уже сейчас.
Подготовил Олег Овчинников