Применение технологий искусственного интеллекта в системах комплаенс-контроля коммерческих банков

Цифровая трансформация банковского сектора привела к существенному пересмотру архитектуры комплаенс-контроля. Автоматизированные системы на базе искусственного интеллекта (ИИ) выявляют подозрительные операции быстрее и точнее, чем традиционные сценарные правила (rule-based). По оценке Банка России, более 55% участников финансового рынка применяют ИИ, в банковском сегменте показатель приближается к 70%, а доля кредитных организаций, использующих генеративные модели, выросла с 61% в 2023 г. до 77% в 2024 г. [4]. За приведенными цифрами скрывается структурный сдвиг: комплаенс-функция перестраивается под алгоритмическую обработку транзакций, документов и клиентских профилей. На наш взгляд, именно этот участок остается наименее освещенным в отечественной экономической литературе, хотя плотность регуляторных рисков здесь выше, чем в большинстве смежных областей банковского дела.

Актуальность темы определяется тремя обстоятельствами. Первое касается обновления нормативной базы: с 13 августа 2025 г. вступило в силу Положение Банка России от 18.06.2025 № 860-П, заменившее ранее применявшееся Положение № 375-П [3]. Документ впервые ввел программу противодействия финансированию экстремистской дея- тельности и обязательный блок по операциям цифрового рубля. Второе обстоятельство связано с запуском 1 июля 2022 г. платформы «Знай своего клиента» (ЗСК), крупнейшего государственного проекта класса SupTech в финансовой сфере, изменившего логику процедур KYC. Третье обстоятельство носит прикладной характер: мошенники освоили дипфейки и клонирование голоса быстрее, чем регуляторы и банки успели подготовить симметричный ответ. Цель исследования состоит в выявлении специфики применения ИИ в комплаенс-системах российских коммерческих банков и оценке перспектив их развития до 2027 г.

В Базельских принципах надежного управления операционным риском от марта 2021 г. (документ BCBS d515) комплаенс зафиксирован как ключевой компонент второй линии защиты в трехуровневой модели управления рисками кредитной организации [10]. Российская модель более насыщена в части специальных требований: помимо общих норм Федерального закона от 07.08.2001 № 115-ФЗ [1] и Положения Банка России № 860-П [3], кредитные организации обязаны выполнять методические рекомендации регулятора, актуальная редакция которых датирована февралем 2024 г. Перечень комплаенс-рисков включает риск отмывания доходов и финан- сирования терроризма (AML/CFT), санкционный, налоговый (FATCA, CRS), KYC/CDD-риск, регуляторный и репутационный риски. К ним примыкает риск информационной безопасности, неотделимый от операционного [2]. М.М. Прошунин подчеркивает, что санкционный комплаенс в условиях расширения международных ограничений требует автоматизированных процедур скрининга по перечням Росфинмониторинга, Совета Безопасности ООН, Европейского союза и OFAC, и эта задача технически нерешаема без NLP-инструментов [9].

Эволюция технологий укладывается в три волны. На раннем этапе (до середины 2010х гг.) применялись жесткие правила: транзакция отклонялась при превышении порогового значения или совпадении с санкционным списком. Доля ложных срабатываний доходила до 95-98%, а офицеры комплаенса вручную обрабатывали значительный поток алертов. Со временем такой подход показал операционную дороговизну. После 2018 г. в обиход вошли модели градиентного бустинга (XGBoost) и случайного леса (Random Forest), что снизило долю ложноположительных алертов на 50-80% при сохранении показателя True Positive Rate на уровне 90% и выше [11]. Третья волна стартовала в 2022 г.: графовые нейронные сети (GNN) для распутывания цепочек дроперов, трансформерные архитектуры (LSTM, Transformer) для анализа последовательностей платежей, большие языковые модели (LLM) для генерации SAR-отчетов и поддержки расследований [6].

Концепции RegTech и SupTech оформились в самостоятельные направления цифровизации финансового сектора. RegTech применяется поднадзорными организациями для соответствия требованиям регулятора, SupTech используется самим регулятором для надзорных задач. По оценкам Deloitte (2023 г.), мировой каталог RegTech-компаний насчитывает свыше 400 организаций. Российский рынок RegTech развивается преимущественно на базе централизованных решений Банка России (платформа ЗСК, Единая биометрическая система, Система быстрых платежей), а также проприетарных решений банков и независимых вендоров – СберТех, ЦФТ, Контур, СПАРК-Интерфакс, к которым примыкает узкий круг нишевых компаний.

Платформа ЗСК функционирует с 1 июля 2022 г. в соответствии с Федеральным законом от 21.12.2021 № 423-ФЗ. Каждому юридическому лицу и индивидуальному предпринимателю присваивается один из трех уровней риска: низкий (зеленая зона), средний (желтая) или высокий (красная). По состоянию на 31 марта 2025 г. в системе находилось около 8 млн субъектов: 97% отнесены к низкому риску, 1,8% – к среднему, 1,2% – к высокому [8]. За два с половиной года работы платформы кредитные организации ограничили операции по счетам приблизительно 170 тыс. недобросовестных субъектов; с 1 октября 2024 г. сервис открыт для публичной проверки контрагентов, и за полгода зафиксировано более 200 тыс. обращений.

Д.Г. Алексеева квалифицирует ЗСК как централизованный IT-сервис оценки риска клиентов, перестраивающий архитектуру комплаенс-контроля и переключающий внимание банков на работу с клиентами высокого риска [7]. Макропоказатели подтверждают эффективность платформы. Объем подозрительных операций сократился со 113 млрд руб. в 2023 г. до 90 млрд руб. в 2024 г. (минус 21%). Объем обналичивания уменьшился с 60 млрд до 44,2 млрд руб. (минус 26%), вывод средств за рубеж – с 30,8 млрд до 25,6 млрд руб. (минус 17%) [4]. По оценке заместителя председателя Банка России В. Чистюхина, за десятилетний горизонт показатель обналичивания снизился в 23 раза, а вывод за рубеж -более чем в 50 раз. К приведенным макрооценкам следует относиться с осторожностью, поскольку часть операций может смещаться в неподнадзорный сегмент финансового рынка, однако направленность тренда устойчива.

ПАО Сбербанк сохраняет статус технологического лидера отрасли: банк эксплуатирует свыше 2 000 ML-моделей и собственную линейку больших языковых моделей (GigaChat, GigaChat MAX). Антифрод-платформа на базе Platform V DataGrid анализирует миллионы транзакций в режиме реального времени; по заявлениям банка, ее эффективность достигает 99,99%, а сумма средств, сохраненных клиентам в 2025 г., превысила 360 млрд руб. Совокупный финансовый эффект от внедрения ИИ за 2020-2024 гг. оценен банком в 1,3 трлн руб. С 2025 г. в Сбербанке функционирует «комплаенс-агент» на базе GigaChat – мультиагентная система, ускоряющая комплаенс-расследования. Приведенные показатели представляют собой самооценку банка и нуждаются в независимой верификации.

Банк ВТБ в 2024 г. сформировал кластер «Цифровой помощник», ответственный за развитие LLM и рекомендательных систем. По данным банка, ИИ внедрен более чем в 300 бизнес-процессов, экономический эффект составил свыше 300 млрд руб. на конец 2023 г., прогноз к 2026 г. – около 580 млрд руб. ВТБ применяет ИИ-скоринг для прогноза вероятности дефолта в сегменте малого и среднего бизнеса, биометрическую защиту счетов, интегрирован с государственной информационной системой «Антифрод» Роскомнадзора. Т-Банк реализует стратегию AI First с 2014 г. и эксплуатирует собственную LLM T-lite. Голосовой ассистент «Олег» обрабатывает свыше 80% входящих звонков, чат-бот – более 40% обращений. Антифрод выстроен на базе SAS AML и решения GlowByte с автоматизацией FATCA/CRS-отчетности и системы IRIS Fraud Prevention.

Альфа-Банк функционирует Лабораторию машинного обучения и платформу AlfaGen на базе гибридного облака; в 2024 г. банк отмечен премией НСПК «Лучшие в антифроде» в номинации «Эффективный возврат похищенных средств». Газпромбанк через Центр технологий ИИ развивает рекомендательную ан-тифрод-систему, биометрическую идентификацию и автоматизированную проверку документов. Совкомбанк в 2025 г. внедрил AI-помощник «Сова» на базе платформы Just AI Jay Copilot: годовая экономия рабочего времени составила около 310 тыс. часов, затраты на колл-центр сократились на 45%. ПСБ инвестировал 49,5 млрд руб. в цифровую трансформацию в 2024 г. с интеграцией нейросетевых моделей GPT-класса в бэк-офисные процедуры.

Технологический контур решений неоднороден. Машинное обучение опирается на ансамбли XGBoost, Random Forest, изолирующие леса (Isolation Forest) и автоэнкодеры. В международной практике задокументированы существенные эффекты: связка HSBC и Google Cloud AML AI обеспечила снижение алертов на 60% и удвоение – учетверение true positives при сокращении среднего времени расследования с нескольких недель до 8 дней. В России эталонным продуктом данной категории выступает ЦФТ-AML, обеспечивающий онлайн-контроль клиентских платежей по требованиям 115-ФЗ и интегрированный с базой ЗСК. Графовая аналитика применяется для выявления конечных бенефициаров (UBO), схем layering и smurfing, цепочек дро-перов; зарубежные исследования фиксируют прирост AUC-ROC до 23% при использовании архитектур GraphSAGE, GAT и GIN по сравнению с классическими методами машинного обучения [11].

Инструменты обработки естественного языка применяются для проверки клиентов по перечням Росфинмониторинга, Совета Безопасности ООН, Европейского союза и OFAC, а также для автоматического анализа договорной документации. По данным McKinsey (2025 г.), замена ручного sanctions screening цифровым сокращает время обработки на 80%. Только в 2024 г. в Европейском союзе введено 679 новых финансовых санкций, что делает ручной скрининг операционно невозможным. После ухода UiPath, Blue Prism и Automation Anywhere в 2022 г. произошла масштабная миграция RPA-инфраструктуры на отечественные платформы (PIX RPA, Sherpa RPA, Primo RPA, Robin): доля российских вендоров на этом рынке выросла с менее 10% в 2021 г. до более 90% в 2024 г. С.А. Андрюшин аргументирует, что цифровые валюты центральных банков (CBDC) требуют графовой аналитики и ИИ для мониторинга операций, поскольку токенизированная природа цифрового рубля создает новый класс комплаенс-вызовов [12].

Запуск ИИ в комплаенсе наталкивается на ряд устойчивых ограничений. Модельные риски остаются базовой проблемой: алгоритм может демонстрировать высокую точность на исторических данных и существенно терять качество при смене паттерна мошеннических операций (concept drift). Банк международных расчетов фиксирует риски «грязных» данных, требующие ручной валидации пилотных проектов [6]. Кадровый дефицит ML-инженеров с пониманием комплаенс-логики усугубился после 2022 г.; импортозамещение ПО (UiPath, SAS AML, Microsoft Power Automate) сопряжено с переходными рисками даже при заяв- ленной эффективности конвертеров на уровне 90-95%. А.А. Бердюгин и П.В. Ревенков обращают внимание на необходимость пересмотра методик оценки операционного риска в условиях электронного банкинга, поскольку учет последствий компьютерных атак повышает качество работы риск-подразделений и служб внутреннего контроля [2]. Вопрос интерпретируемости моделей (Explainable AI) приобретает регуляторное значение: специалист банка должен объяснить аудитору причины блокировки операции или присвоения клиенту высокого уровня риска. Здесь полезны методики SHAP и LIME, однако их внедрение в российских банках пока ограничено пилотными зонами.

Регуляторная рамка достроилась в 2025 г. сразу двумя документами. Положение Банка России от 18.06.2025 № 860-П впервые ввело обязательную программу противодействия финансированию экстремистской деятельности и отдельный блок по операциям цифрового рубля [3]. Документ детализирует требования к внутренним правилам кредитной организации, идентификации клиентов и выгодоприобретателей, оценке риска и организации внутреннего контроля. Кодекс этики в сфере разработки и применения искусственного интеллекта на финансовом рынке (одобрен Банком России 09.07.2025 г.) сформулировал пять принципов: человекоцентричность, справедливость, прозрачность, безопасность, ответственное управление рисками [5]. По оценке регулятора, более 80% финансовых организаций, использующих ИИ постоянно, уже следуют рекомендациям Кодекса.

Российский подход к ИИ-комплаенсу отличается от европейского (EU AI Act, регулирование EBA) и американского (SR 11-7 Федеральной резервной системы, FinCEN) большей опорой на централизованные SupTech-решения регулятора и относительно мягким регулированием через рекомендательный Кодекс этики. По логике инфраструктурного участия регулятора российская модель ближе к подходам азиатских юрисдикций (Сингапур MAS, Гонконг HKMA). По оценке McKinsey (2024 г.), потенциал генеративного ИИ для глобального банковского сектора составляет от 200 до 340 млрд долл. США в год, что эквивалентно 2,8-4,7% выручки отрасли. Прямой российский аналог такой оценки не публиковался, однако заявления Сбера (1,3 трлн руб. эффекта от ИИ за пять лет) и ВТБ (580 млрд руб. к 2026 г.) указывают на сопоставимую относительную динамику.

Перспективы развития ИИ в комплаенс-контроле связаны с несколькими направлениями. Во-первых, разворачивание мультиа-гентных систем (Agentic AI) со встроенным журналом аудита для процедур KYC и AML; внедрение начато в Сбербанке и Совкомбанке. Во-вторых, освоение графовых нейросетей нового поколения (TeMP-TraG, LaundroGraph) для temporal-моделирования финансовых преступлений. В-третьих, запуск национальной антифрод-платформы Минцифры (Федеральный закон № 41-ФЗ; начало работы запланировано к 1 марта 2026 г., бюджет 6,1 млрд руб.) с участием Сбербанка, ВТБ, АльфаБанка, Газпромбанка, Т-Банка, ПСБ. В-четвертых, интеграция комплаенс-контроля с инфраструктурой цифрового рубля при массовом запуске 1 сентября 2026 г. Именно последняя задача, на наш взгляд, потребует наиболее глубокой перестройки внутренних процедур, поскольку токенизированная природа CBDC меняет логику транзакционного мониторинга. В-пятых, применение синтетических данных (synthetic data) для обучения ML-моделей в условиях ограничений приватности.

Таким образом, за период 2020-2026 гг. применение ИИ в комплаенс-контроле российских коммерческих банков прошло путь от пилотных проектов к промышленной эксплуатации. Платформа ЗСК охватывает около 8 млн юридических лиц и индивидуальных предпринимателей, обеспечив сокращение объема сомнительных операций на 21% за 2024 г. Системно значимые банки внедрили собственные большие языковые модели и комплаенс-агентов на их основе. Произошла масштабная миграция RPA-инфраструктуры на отечественные платформы. Регуляторный контур закрепился двумя нормативными актами 2025 г.: Положением № 860-П и Кодексом этики ИИ. Дальнейшая работа должна сфокусироваться на стандартизации валидации ML-моделей, развитии Explainable AI на основе методов SHAP и LIME, кадровом обеспечении и интеграции комплаенс-контроля с инфраструктурой цифрового руб- ля. Дальнейшие исследования целесообразно сфокусировать на количественной оценке экономического эффекта ИИ-комплаенса в российских банках на основе аудируемых данных, а также на анализе модельных рисков при использовании генеративного ИИ в ком-плаенс-расследованиях.