6 лидеров рынка ИИ в финтехе и банкинге: у кого учиться в 2026
“
Саммари: Banking — одна из немногих отраслей, где ИИ перестал быть экспериментом и превратился в измеримую конкурентную дистанцию между игроками. Разбираем шесть компаний — от крупнейших банков мира до нишевых финтех-разработчиков, — чей подход к ИИ в 2026 году стоит изучить, даже если ваш бизнес далёк от банковского сектора.
JPMorgan Chase — дисциплина измерения эффекта
По данным индекса Evident AI Index, который оценивает ИИ-зрелость топ-50 банков мира по критериям таланта, публичной отчётности, инноваций и лидерства, JPMorgan Chase второй год подряд удерживает первое место. У банка самый крупный штат ИИ-специалистов среди всех финансовых организаций в выборке — больше, чем у следующих пяти компаний вместе взятых. Но по-настоящему редкая практика — не размер команды, а то, что JPMorgan одним из немногих в отрасли публично отчитывается о ROI по конкретным ИИ-кейсам.
Чему учиться: размер ИИ-команды ничего не значит без привычки считать и публиковать эффект от каждого внедрённого сценария — именно эта дисциплина отличает зрелое использование ИИ от статусной инвестиции.
Чему учиться: размер ИИ-команды ничего не значит без привычки считать и публиковать эффект от каждого внедрённого сценария — именно эта дисциплина отличает зрелое использование ИИ от статусной инвестиции.
Capital One — ставка сверху и плотность талантов, а не их количество
Capital One занимает второе место в том же рейтинге и обгоняет конкурентов не числом сотрудников, а стратегией: банк ввёл технологического директора по данным и аналитике в руководящую команду ещё в 2023 году, а в прошлом месяце выдал корпоративного ИИ-ассистента LLM Suite 140 000 сотрудников. При этом банк лидирует не по абсолютному числу ИИ-специалистов, а по их плотности относительно общей численности персонала и по инновационной активности, судя по количеству поданных патентов.
Чему учиться: метрика "сколько людей работает с ИИ" вводит в заблуждение — важнее доля таких специалистов от штата и то, насколько решение об ИИ принято на уровне совета директоров, а не отдельного департамента.
Чему учиться: метрика "сколько людей работает с ИИ" вводит в заблуждение — важнее доля таких специалистов от штата и то, насколько решение об ИИ принято на уровне совета директоров, а не отдельного департамента.
Bank of America — ИИ, который видят миллионы клиентов, а не только аналитики
Пока часть банков экспериментирует с внутренними пилотами, Bank of America уже много лет держит один из крупнейших в отрасли примеров клиентского ИИ на переднем крае — виртуального финансового ассистента Erica, через которого банк обрабатывает миллионы обращений клиентов, наряду с активным применением ИИ в управлении рискамикрупные банки, включая Bank of America и JPMorgan Chase, используют ИИ для взаимодействия с клиентами — например, чат-бот Erica от Bank of America — и для управления рисками.
Чему учиться: внутренняя автоматизация и клиентский ИИ — это две разные зрелости применения технологии, и вторая обычно требует значительно больше доверия к системе, потому что ошибка сразу видна конечному пользователю, а не только команде разработки.
Чему учиться: внутренняя автоматизация и клиентский ИИ — это две разные зрелости применения технологии, и вторая обычно требует значительно больше доверия к системе, потому что ошибка сразу видна конечному пользователю, а не только команде разработки.
DBS Bank — пример лидерства вне традиционных ИИ-столиц
Рейтинги ИИ-зрелости в банкинге почти всегда возглавляют американские игроки, но в топ-10 глобального индекса устойчиво присутствуют и неамериканские банки — среди них сингапурский DBS, наряду с HSBC, BNP Paribas, CommBank и Scotiabank. DBS интересен именно как контрпример тезису "ИИ-лидерство — это только про масштаб американского рынка": банк регулярно фигурирует в подобных рейтингах, работая в куда более жёстко регулируемой и меньшей по размеру юрисдикции.
Чему учиться: масштаб рынка не единственный фактор ИИ-зрелости — куда важнее последовательность инвестиций в данные и таланты на горизонте нескольких лет, а не разовые громкие анонсы.
Похожая логика — соответствие жёсткому регулированию без потери скорости — лежит и в основе того, как AllSee подходит к финансовому сектору. В одном из кейсов мы построили систему анонимизации персональных данных для клиентов из финтеха, страхования и медицины, которая позволяет безопасно использовать облачные LLM без риска утечки: это сэкономило заказчику до 10 млн ₽ капитальных затрат на закупку GPU и подняло ROI на 35% за счёт сокращения срока окупаемости с 3 лет до 8 месяцев. Подробнее.
Чему учиться: масштаб рынка не единственный фактор ИИ-зрелости — куда важнее последовательность инвестиций в данные и таланты на горизонте нескольких лет, а не разовые громкие анонсы.
Похожая логика — соответствие жёсткому регулированию без потери скорости — лежит и в основе того, как AllSee подходит к финансовому сектору. В одном из кейсов мы построили систему анонимизации персональных данных для клиентов из финтеха, страхования и медицины, которая позволяет безопасно использовать облачные LLM без риска утечки: это сэкономило заказчику до 10 млн ₽ капитальных затрат на закупку GPU и подняло ROI на 35% за счёт сокращения срока окупаемости с 3 лет до 8 месяцев. Подробнее.
Upstart — ИИ как основа продукта, а не надстройка
В отличие от банков, которые встраивают ИИ в уже существующие процессы, часть финтех-компаний изначально строит продукт вокруг модели. Upstart — характерный пример: компания использует ИИ для анализа альтернативных данных заёмщика — образования, занятости и других сигналов за пределами традиционной кредитной истории, — что позволяет точнее оценивать риск и расширять доступ к кредиту для людей без длинной кредитной истории.
Чему учиться: там, где у банка ИИ — это дополнительный слой поверх legacy-системы, у фокусированного финтеха ИИ — это и есть продукт, и именно поэтому такие игроки часто двигаются в конкретной нише быстрее крупных банков.
Чему учиться: там, где у банка ИИ — это дополнительный слой поверх legacy-системы, у фокусированного финтеха ИИ — это и есть продукт, и именно поэтому такие игроки часто двигаются в конкретной нише быстрее крупных банков.
Tink — персонализация на основе поведения, а не сегментации
Ещё один паттерн, который стоит перенять у нишевых финтехов — переход от грубой сегментации клиентов к персонализации на основе реального поведения. Компании вроде Tink и CredoLab используют обработку естественного языка и поведенческую аналитику, чтобы строить точные профили клиентов, которые позволяют банкам и финансовым организациям предлагать персонализированные инвестиционные продукты и проактивные финансовые рекомендации.
Чему учиться: персонализация в финансах давно перестала быть маркетинговым баннером "с учётом ваших интересов" — технологически зрелые игроки строят её на реальном поведении клиента в моменте, а не на статичном сегменте, к которому его когда-то отнесли.
Прогнозная аналитика на основе поведенческих и рыночных данных — это и есть класс задач, которым мы в AllSee занимаемся на уровне кастомной R&D-разработки. Для одного из клиентов из сектора Tokenised Assets (финтех) мы построили трансформерную модель, которая прогнозирует будущую популярность медиа-объектов для инвестиционных решений с точностью MAPE менее 30% на горизонте года, подняв ROI инвестиционных решений клиента на 70%. А для юридической компании в сфере комплаенса мы реализовали RAG-ассистента, который подбирает релевантную судебную практику по базе из более чем миллиона документов за минуты вместо часов ручного поиска — эта же архитектура напрямую применима к финтех-комплаенсу, где скорость проверки регуляторных требований не менее критична. Обсудить похожую задачу.
Чему учиться: персонализация в финансах давно перестала быть маркетинговым баннером "с учётом ваших интересов" — технологически зрелые игроки строят её на реальном поведении клиента в моменте, а не на статичном сегменте, к которому его когда-то отнесли.
Прогнозная аналитика на основе поведенческих и рыночных данных — это и есть класс задач, которым мы в AllSee занимаемся на уровне кастомной R&D-разработки. Для одного из клиентов из сектора Tokenised Assets (финтех) мы построили трансформерную модель, которая прогнозирует будущую популярность медиа-объектов для инвестиционных решений с точностью MAPE менее 30% на горизонте года, подняв ROI инвестиционных решений клиента на 70%. А для юридической компании в сфере комплаенса мы реализовали RAG-ассистента, который подбирает релевантную судебную практику по базе из более чем миллиона документов за минуты вместо часов ручного поиска — эта же архитектура напрямую применима к финтех-комплаенсу, где скорость проверки регуляторных требований не менее критична. Обсудить похожую задачу.
Что объединяет всех шестерых
При всей разнице в масштабе и модели бизнеса — от банка с историей на 200+ лет до финтех-стартапа — общий паттерн один: лидеры не просто "используют ИИ", а умеют объяснить, в какой конкретной метрике это измеряется, и готовы отчитываться об этом публично, а не только на конференциях. Для компании, которая только начинает разговор о собственном ИИ-проекте в финансовой или смежной регулируемой отрасли, это, пожалуй, главный практический урок: прежде чем выбирать технологию, стоит определить, в какой цифре будет измеряться её успех — так же, как это делают JPMorgan и Capital One.
Источники:
Создайте новое будущее с нашими решениями
Похожие статьи