Основные риски внедрения компаниями искусственного интеллекта на российском финансовом рынке и их влияние на эффективность реализации инвестиционного проекта

с многочисленными рисками с точки зрения возможного деструктивного влияния на внедренные процессы и в связи с возможными потерями при вложении капитала в рамках инвестиционного проекта по внедрению его компаниями.

В преамбуле Монреальской декларации об ответственном развитии искусственного интеллекта, объявленной в 2017 г., под искусственным интеллектом понимается автономная система, способная к выполнению сложных задач, которые раньше могли быть решены только с помощью человеческого интеллекта1. К ним относится вычисление, обработка большого массива данных, адаптация к меняющимся условиям. Функционирование искусственного интеллекта в этой связи отчасти симулирует мыслительные процессы человека, включая способность к рассуждению и генерации умозаключений.

Целью настоящего исследования является анализ основных рисков внедрения искусственного интеллекта на российском финансовом рынке, их влияния на эффективность реализации инвестиционного проекта и основных способов их митигации.

Методами исследования послужили сравнительный анализ и табличная систематизация данных.

Основная часть . Как упоминалось ранее, внедрение компаниями новейших технологий сопряжено с определенным уровнем рисков и неопределенности, что подразумевает наличие скептичных к цифровой трансформации отраслей в российской экономике. В исследовании «The State of AI: Global Survey 2025», предпринятом международной консалтинговой компанией «McKinsey & Company» в 2025 г., в том числе оценивалось использование искусственного интеллекта российскими организациями по отраслям (рис. 1). Особое внимание при этом уделялось внедрению ИИ на финансовом рынке (отрасль финансовых услуг) (рис. 1).

100%

75%

50%

25%

72      70      63      58      57      43      40       _{38      36      21       19}

0%

<5°

^

z

x

X

z

X

0Z Z

Z z

Используют ИИ, в т.ч. пилот

Не используют ИИ

Рис. 1 . Использование ИИ-решений российскими компаниями по отраслям на 2024 г., % от всех российских организаций ²

Fig. 1 . Use of AI Solutions by Russian Companies by Industry in 2024, % of All Russian Organizations

Представленные данные позволяют определить лидирующие отрасли российской экономики, использование ИИ-технологий в которых среди компаний сильно превышает долю скептично настроенных субъектов экономической деятельности: высшее образование (72 % организаций используют ИИ), сфера информационно-коммуникационных технологий (70 %) и финансовых услуг (63 %).

Наибольшей скептичностью в части использования новейших технологий характеризуются социальная сфера (21 % организаций используют ИИ) и сфера развития городской среды (19 %) и строительства (36 %).

Следовательно, финансовый рынок выступает в качестве одной из отраслей-драйверов цифровой трансформации российской экономики, формируя при этом позитивный тренд внедрения искусственного интеллекта в различные процессы.

Однако не всегда тотальное внедрение технологии означает наличие положительного финансового эффекта от нее (Носова, Кусая, 2026). В этой связи необходимо на начальном этапе жизненного цикла инвестиционного проекта рассматривать определенные риски, возникающие при внедрении ИИ на финансовом рынке, а также способы их нивелирования с целью достижения запланированной результативности. Так, Банк России в докладе для общественных консультаций выделил ряд рисков, которые могут оказать наибольшее негативное влияние при внедрении искусственного интеллекта на финансовом рынке1. Дополнительно на их основе мы разработали способы их митигации (таблица 1).

Таким образом, при внедрении ИИ компаниями возникает множество различных рисков, учет и нивелирование которых становятся важными задачами обеспечения положительной финансовой эффективности. При этом перечень рисков, изложенных в табл. 1, является неполным, в том числе ввиду ранней стадии развития рынка искусственного интеллекта в целом, в связи с чем компании, использующие инновационные разработки в своей деятельности, должны дополнительно заниматься мониторингом и исследованием возможных специфических рисков.

Таблица 1. Основные виды рисков, возникающие при внедрении ИИ на финансовом рынке, и способы их митигации2

Table 1 . Main Types of Risks Arising from the Introduction of AI Technologies in the Financial Market and Ways to Mitigate Them

Вид риска	Основные характеристики (примеры)	Способы митигации
1	2	3
Операционный	ИИ-решения могут приводить к ошибкам, провоцирующим «галлюцинации», утечку данных, уязвимость к атакам. Пример: ошибочные действия ИИ-модели по обработке персональных данных при оформлении кредитов повлекли за собой утечку личных данных заемщиков	– внедрение систем беспрерывного мониторинга; – регулярное тестирование ИИ-решений на предмет возникновения неординарных ситуаций (стресс-тестирование)
Рыночный	Синхронное реагирование на рыночные сигналы, приводящее к волатильности, скачкам цен. Пример: робо-эдвайзеры крупных инвестиционных фондов, анализирующие в том числе новостной фонд, начали продажу активов при получении ложных сведений, что спровоцировало падение «индекса Мосбиржи» (IMOEX)	– введение ограничений в части функционала искусственного интеллекта; – регулярное тестирование и проверка релевантности поведения ИИ-технологий
Риск ликвидности	Ошибки ИИ-технологий в прогнозировании оттоков и притоков денежных средств, приводящие к кассовым разрывам. Пример: модель на базе ИИ по прогнозированию оттока денежных средств у небольшого розничного банка недооценила прогнозный период с точки зрения сезонности, в связи с чем банк не смог заблаговременно создать необходимую ликвидность и столкнулся с дефицитом наличности	– постепенная модернизация и переобучение внедряемых ИИ-моделей; – наличие доступа к быстрым источникам ликвидности (в случае ошибки ИИ)
Кредитный	Ошибочная оценка кредитоспособности клиентов, приводящая к невыплате кредитов из-за дефолта заемщиков. Пример: скоринговая ИИ-модель, обучающаяся в период цикла экономического роста, не смогла корректно оценить риски заемщиков в кризисный период, что повлекло за собой убытки ввиду массовых дефолтов заемщиков	– постепенная модернизация и переобучение внедряемых ИИ-моделей; – периодический аудит принятых ИИ-моделью решений на предмет их соответствия установленным критериям
Риск нарушения финансовой стабильности	Использование многочисленными компаниями на рынке единых ИИ-технологий, влекущее масштабные сбои в случае ошибки. Пример: несколько банков, использующих одинаковую ИИ-модель для прогнозирования резервов под убытки, после сбоя технологии получили проблемы в части краткосрочной ликвидности и выдачи кредитов	– обеспечение надзора со стороны регулятора в части концентрации ИИ-решений (в различных сегментах); – моделирование компаниями негативных сценариев, стресс-тестирование (в случае сбоев ИИ-моделей)
Риск злоупотребления доминирующим положением	Недобросовестная конкуренция за счет ИИ-технологий, приводящая к алгоритмическому сговору и хищническому ценообразованию на различных финансовых платформах. Пример: маркетплейс, владеющий банковской средой, использует динамическое ценообразование с помощью ИИ-моделей, посредством чего занижаются цены и вытесняются иные конкуренты	– надзор антимонопольного органа за алгоритмами ценообразования с помощью ИИ-технологий; – принятие компаниями, использующими ИИ-решения, общих правил (норм), устанавливающих этические аспекты взаимодействия с ними (в том числе императивно)

Продолжение таблицы 1

1	2	3
Риск зависимости от поставщиков ИИ-решений	Полная зависимость компаний от ИИ-решений при наступлении санкций или отказа контрагентов от дальнейшей поставки и обслуживании ИИ-решений, порождающая остановку критически важного функционала и (или) банкротство. Пример: мобильный оператор полностью передал функционал по антифроду искусственному интеллекту, однако компания, занимающаяся ее обслуживанием обанкротилась, в связи с чем банк в течение 2 месяцев не мог осуществлять свои обязанности перед клиентами и получил от них множество судебных исков	– диверсификация компаниями своих поставщиков ИИ-решений (в том числе в рамках одного функционала); – включение в договор между компаниями по поводу предоставления ИИ-решений положений в части жестких требований по аудиту и плану действий в случае наступления определенных обстоятельств
Репутационный	Неблагоприятное отношение в обществе к ИИ, влекущее риски отказа от продуктов компаний. Пример: на новостном канале опубликовали исследование о массовой утечке личных данных из-за ИИ, что привело к отказу людей от услуг многих компаний и массовым банкротствам	– следование компаний, использующих ИИ, этическим и законодательно установленным принципам; – наличие в компаниях, использующих ИИ, каналов связи с клиентами в целях оперативного разъяснения ситуаций
Правовой	Нарушение динамически меняющегося законодательства в области ИИ, приводящее к получению санкций для компаний. Пример: банк для обучения ИИ-модели использовал персонализированные данные, за что был оштрафован надзорным органом	– мониторинг изменения законодательства в области ИИ; – страхование ответственности от негативного влияния ИИ-решений; – создание резервов на непредвиденные ситуации, связанные с получением санкций

В исследовании Росконгресса приводится один из таких специфических рисков, учет которого может быть полезен для повышения финансовой эффективности реализации инвестиционного проекта – возможный рост убытков ввиду ускоренной амортизации1. Данный риск заключается в том, что высокие темпы развития технологий искусственного интеллекта приводят к тому, что технологии будут морально устаревать намного раньше, чем заканчивается запланированный срок полезного использования. Так, компании, вкладываясь в ИИ-технологии, которые устаревают через 1 год, в итоге признают эти активы устаревшими или списывают стоимость старых технологий быстрее, что может сильно сокращать прибыль, свободные денежные потоки компании за период и увеличивать убытки от амортизации.

Для митигации описываемого риска компаниям необходимо использовать ускоренный метод начисления амортизации – метод уменьшаемого остатка, который позволит в первые годы списать большую часть стоимости нематериальных активов.

В целом, описанные риски влекут за собой вероятность возникновения финансовых потерь в будущем в ходе реализации инвестиционного проекта.

Согласно исследованию Массачусетского технологического института от 2025 г., около 95 % пилотных проектов по внедрению ИИ компаниями в свои процессы не достигают должных результатов (не окупаются вообще или привносят минимальное влияние на основные финансовые по-казатели)2. Эти данные основаны на более чем 300 проанализированных проектах реализации потенциала ИИ, интервью с представителями 52 организаций по всему миру в совокупности с опросом 153 руководителей высшего звена.

Однако негативная статистика связана не с самим ИИ и его неэффективностью, а с тем, какие подходы используются компаниями для его интеграции. В исследовании Массачусетского технологического института было выявлено, что если адаптировать ИИ под конкретную организацию и конкретные рабочие процессы, то достигаются высокие показатели рентабельности. Кроме того, учеными был сделан вывод, что сотрудничество с создателями-дистрибьюторами решений на базе ИИ и использование компаниями данных решений повышает примерно в 2 раз эффективность от внедрения новейших технологий в отличие от самостоятельного процесса внедрения3.

Затрагивая конкретное влияние описанных ранее рисков на эффективность реализации инвестиционного проекта по внедрению компаниями искусственного интеллекта, стоит отдельно рассмотреть некоторые проявления такого влияния на средневзвешенную стоимость капитала (WACC) и свободный денежный поток для фирмы (FCFF) как на распространенные элементы, используемые для расчета чистой приведенной стоимости для проекта (NPV project ):

– влияние на WACC: возможные сбои и «галлюцинации» искусственного интеллекта (операционный риск) предполагают повышенные премии за риск, требуемые со стороны инвесторов, что непосредственно увеличивает стоимость собственного капитала и увеличивает WACC (Moro-Visconti, 2026);

– влияние на FCFF: списание стоимости устаревших технологий раньше срока увеличивает убытки от амортизации (риск ускоренной амортизации), а также непредвиденно повышает объемы капитальных затрат (Capex), ввиду необходимости модернизации, что снижает FCFF. Также внезапные издержки (штрафы или снижение спроса) компании могут случаться в случае возникновения правовых или репутационных рисков внедрения ИИ, что может приводить к уменьшению чистой прибыли и соответственно – снижению FCFF. Кроме того, в случае наступления риска ликвидности компании могут привлекать «дорогие» краткосрочные кредиты, что сильно увеличивает оборотный капитал и, соответственно, снижает FCFF.

В целом, в ситуации увеличения WACC и снижения FCFF рассчитываемая NPV project будет стремиться к отрицательной эффективности (NPV project < 0), что может повлечь за собой досрочное завершение инвестиционного проекта ввиду неоправданности его дальнейшего финансирования.

В этой связи неотъемлемой частью реализации инвестиционного проекта по внедрению компаниями ИИ является расчет финансовой эффективности такого внедрения с учетом анализа чувствительности и сценарного анализа (Шихов, 2023), применение которых позволит заранее предусмотреть конкретный порядок действий в случае возникновения негативного влияния от рисков внедрения искусственного интеллекта.

Заключение . Таким образом, в ходе проведенного исследования выявлена актуальность применения ИИ-технологий на российском финансовом рынке. Тем не менее внедрение новейших технологий сопряжено с множеством рисков, учет и нивелирование которых напрямую влияют на успешность реализации инвестиционного проекта.

Так, постепенное развитие качества взаимодействия компаний с искусственным интеллектом может поспособствовать снижению доли неудачных проектов по внедрению комплекса технологических решений. В этой связи нами были предложены способы митигации основных рисков при внедрении ИИ для компаний и государства, среди которых первостепенно стоит выделить: регулярное стресс-тестирование и лимитирование принимаемых искусственным интеллектом решений, использование ускоренного метода начисления амортизации, а также нормативно-этическое развитие российской ИИ-среды в целом.

Особое внимание в исследовании уделено влиянию возникновения описываемых рисков на эффективность реализации инвестиционного проекта, в частности на WACC и FCFF. В этой связи необходимым элементом деятельности компаний, внедряющих ИИ-решения, становится использование анализа чувствительности и сценарного анализа при расчете финансовой эффективности реализации инвестиционного проекта, предусматривающих вариативность принятия решений в случае ухудшения изначально прогнозируемых условий реализации.