Ум наливают в банки: финсектор потратит до 20 млрд рублей на ИИ-агентов в 2026 году

На разных уровнях
Совокупные расходы финансовых организаций на ИИ-агентов в 2026 году могут составить от 10 млрд до 20 млрд рублей, подсчитали аналитики Axenix в исследовании «Мультиагентные системы в финансовом секторе: от изолированных пилотов к промышленной автономности операций», с которым ознакомился Forbes.
Так, при расчете расходов на ИИ-агентов аналитики Axenix исходили из объема рынка генеративного ИИ в банковском и страховом секторах, который в 2025 году составил 12 млрд рублей, согласно оценке консалтинговой компании Onside и разработчика Just AI из их совместного исследования. С учетом прогнозируемого роста на 20–60% в этом году он может достичь 14,4–19,2 млрд рублей. На закупку агентных решений у вендоров придется 25–35% этого объема, или 3,6–6,7 млрд рублей. При этом затраты на внутреннюю разработку таких решений оцениваются примерно вдвое выше — в 7,2–13,4 млрд рублей. Оценка не включает инвестиции «Сбера» в развитие собственной платформы генеративного ИИ, на базе которой создаются ИИ-агенты.
Axenix выделяет три уровня зрелости агентных систем: на первом уровне одиночный агент решает одну узкую задачу, на втором — оркестратор управляет специализированными агентами в рамках сквозного процесса. На третьем агенты динамически распределяют задачи между собой в границах заданных бизнес-правил, и состав участников процесса заранее не фиксирован. «Крупнейшие российские финансовые организации находятся на этапе перехода от первого уровня ко второму», — констатируют аналитики.
Мультиагентные системы второго уровня зрелости в настоящее время пилотируют два-три системно значимых банка из перечня Банка России, говорится в исследовании. К концу 2027 года число финансовых организаций, тестирующих мультиагентные решения, вырастет до семи — девяти. При этом три-четыре банка перейдут к их полноценному промышленному использованию хотя бы на одном сквозном процессе. Третий уровень, по оценке Axenix, появится в российском финансовом секторе в 2028–2029 годах (сначала в комплаенс-расследованиях и договорной работе), в платежных процессах — не раньше 2030 года.
Первый пилотный контур выходит в продуктив за 6–9 месяцев и обходится в 50–100 млн рублей, отмечается в исследовании. В эту сумму входят затраты на команду из семи-восьми специалистов, вычислительные ресурсы, лицензии LLM-платформы и другие расходы без учета капитальных вложений в саму платформу. Доля операций, выполняемых системой автономно, составляет 40–60%.
Условия внедрения
Для успешного внедрения ИИ в финансовом секторе Axenix выделяет три условия. Первое — семантический фундамент: агенты не могут договариваться без общей модели смысла, при этом она строится под конкретный процесс и в объеме словаря, централизованная программа унификации предприятия для этого не нужна. Второе — спроектированная архитектура: выбор паттерна оркестрации задает прозрачность системы, ее управляемость и экономику в промышленном масштабе. Третье — управление рисками как компетенция: каскадные ошибки, стоимость вычислений и возможный юридический статус автономных действий влияют на бизнес-модель напрямую.
В России пионерами направления стали «Сбер» и Т-Банк, следует из отчета: они внедрили мультиагентные решения в кибербезопасность, поддержку и внутреннюю разработку. Так, «Сбер» за 2025 год внедрил более 900 ИИ-агентов. «Остальные банки в России ограничиваются локальными задачами: помощь разработчикам, автоматизация рутины, чат-боты первого поколения», — пишут эксперты Axenix, поясняя, что разрыв между передовыми компаниями и массовым сегментом определяется не столько доступом к моделям, сколько готовностью данных, зрелостью архитектуры и наличием команд, способных интегрировать технологии в бизнес-процессы.
На шаг впереди
Банковский сектор действительно среди лидеров внедрения ИИ в России, указывают эксперты. Причины объяснимы: огромные массивы оцифрованных данных, миллионы повторяющихся операций, развитая технологическая инфраструктура и высокая конкуренция, перечисляет партнер инвестиционно-технологической компании Zarya Ventures Александр Пономарев.
«А также большие IT-бюджеты», — добавляет основатель MD Audit (ГК Softline), эксперт по цифровой трансформации и внедрению AI в бизнес Андрей Подгорнов. При этом в ретейле и промышленности экономический эффект зачастую проще посчитать, отмечает он: в торговле это снижение списаний, повышение доступности товаров и производительности персонала, в промышленности — сокращение простоев оборудования и брака. Кроме того, банки, по словам Пономарева, накопили значительный опыт применения ИИ задолго до нынешнего технологического ажиотажа — например, в оценке кредитоспособности заемщиков, скоринговых моделях и противодействии мошенничеству.
Российские банки исторически были в авангарде технологий, рассуждает директор по data-стратегии и ИИ группы Arenadata Петр Емельянов: «Про некоторые из них сегодня уже даже трудно сказать, чего в них больше — банка или технологической компании. Задолго до нынешней волны ИИ они собрали сильные инженерные команды и научились быстро доводить собственные разработки до миллионов клиентов». Банки располагают информацией как о принятых решениях, так и об их результатах — им известно, на каких основаниях выдавались кредиты и как заемщики впоследствии их погашали, поясняет Емельянов. Это дает возможность обучать модели и проверять, насколько точнее с их помощью банк оценивает риск, говорит он.
«Наконец, экономика таких проектов хорошо считается. Если при том же уровне риска банк одобрит чуть больше кредитных заявок или сэкономит минуту на обработке каждого обращения, то на миллионах операций даже небольшое улучшение даст заметный эффект в рублях», — замечает Петр Емельянов.
Разрыв инвестиций и ожиданий
Одной из главных проблем в использовании ИИ аналитики видят в том, что сегодня компании активно инвестируют в ИИ, но зачастую автоматизируют отдельные задачи, оставляя сами бизнес-процессы без изменений. «Отсюда и разрыв между затратами и финансовыми результатами, — полагает Подгорнов. — В ближайшие два-три года, думаю, отношение к таким проектам станет заметно строже. Бизнес будет охотнее вкладываться в решения, которые позволяют сократить расходы, снизить потери или увеличить выручку».
Причина отсутствия массового финансового эффекта от внедрения ИИ в том, что компании зачастую начинают такие проекты без внятной финансовой модели, сетует Александр Пономарев. «Инициативы могут продвигать менеджмент или непосредственно акционеры, нередко под влиянием общего ажиотажа вокруг технологии. Сначала принимается решение внедрять ИИ, выделяются бюджеты, запускаются проекты, а уже потом возникает вопрос: какой, собственно, экономический результат мы хотели получить?» — говорит он.
Затраты на инфраструктуру действительно могут еще несколько лет расти быстрее отдачи, признают эксперты. К слову, президент, председатель правления Сбербанка Герман Греф, представляя новую стратегию развития до 2029 года, заявил, что в течение следующих трех лет объем инвестиций в ИИ придется наращивать, а отдача «в ближайшие два года, во всяком случае, не будет столь экспоненциальна, как затраты». Но это не значит, что каждый отдельный проект должен окупаться годами, говорит Андрей Подгорнов: «Первые измеримые результаты должны появляться в течение 6–12 месяцев. Если этого не происходит, стоит пересмотреть сам процесс, который компания пытается автоматизировать, и экономику проекта».
Из трендов применения ИИ в финсекторе Емельянов выделяет «харнес» — так называют программную среду, которая превращает языковую модель в работающего агента. «У нас ограничен выбор зарубежных моделей и готовых агентов, которые банк может официально использовать. Поэтому особенно ценится то, что наши инженеры исторически умеют хорошо — решать сложные задачи в условиях жестких ограничений, — рассуждает он. — Вопрос вполне практический. Как выжать максимум из доступной модели на том железе, которое у нас есть? Готовим данные, настраиваем порядок вызова инструментов, оттачиваем промпты. Отдельно продумываем, что модели нужно видеть на каждом шаге и что агенту стоит сохранить в памяти, чтобы потом не проделывать ту же работу заново. В этом и состоит тренд — в том, что мы учимся получать больше от одной и той же модели за счет того, как устроена система вокруг нее».
