Финансовый сектор тратит на ИИ миллиарды, но окупаемость по-прежнему трудно доказать

Финансовые организации уже не решают, нужен ли им искусственный интеллект. Они пытаются понять, какие именно проекты действительно дают результат — в выручке, снижении расходов, управлении рисками или качестве клиентского сервиса.

Расходы растут быстрее, чем доказанная отдача

По оценке Quinlan & Associates, в 2025 году финансовый сектор потратил на ИИ-инициативы 76 млрд долларов, а к 2030 году расходы превысят 130 млрд долларов. 14 При этом 95% традиционных финансовых организаций уже либо изучают ИИ, либо применяют его в бизнес-операциях. Однако 71% респондентов говорят, что им сложно получить или продемонстрировать чёткую окупаемость инвестиций — ROI. 3

Это важное расхождение: масштаб внедрения показывает готовность инвестировать, но сам по себе не доказывает экономического эффекта. В связанных с Quinlan данных также говорится, что 43% ИИ-инициатив отменяются. 15 То есть значительная часть экспериментов не доходит до устойчивого промышленного использования.

Почему пилоты не превращаются в ценность

Quinlan выделяет три взаимосвязанных препятствия.

1. Стратегия строится вокруг технологии, а не вокруг задачи. Организация может начать с доступного инструмента, не определив конкретную бизнес-проблему, узкое место в процессе, путь клиента и измеримую цель. В такой ситуации трудно выбрать сценарий с правдоподобным путём к эффекту. 6
2. Управление рисками подключают слишком поздно. Если вопросы риска, комплаенса и контроля рассматриваются лишь как финальное согласование, ограничения могут обнаружиться уже после существенных затрат времени и денег. 6
3. Операционная модель не готова к масштабированию. Разрозненные данные, слабая технологическая база и нехватка возможностей для контроля, внедрения и масштабирования ИИ оставляют перспективные решения на стадии пилота. 6

Иными словами, проблема часто не в качестве самой модели. Банк или страховая компания могут купить лицензии, провести десятки proof of concept и отчитаться о множестве экспериментов — но не изменить рабочие процессы, распределение ответственности и систему измерения результатов, без которых финансовый эффект не закрепится.

Управление ИИ — не бюрократическая надстройка, а условие ROI

Для финансового сектора надёжное управление ИИ напрямую связано с коммерческим результатом. От него зависит, можно ли одобрить решение, безопасно внедрить его, контролировать в работе и доверить ему тот уровень автономности, который заложен в бизнес-кейсе.

Всемирный экономический форум рекомендует встраивать управление рисками и практики ответственного ИИ на всех уровнях: заранее определять допустимый риск, строго валидировать модели и обеспечивать объяснимость, прослеживаемость и контролируемость действий ИИ. 1 Это особенно актуально, когда компании переходят от систем-помощников к решениям, способным самостоятельно выполнять цепочку действий. Чёткие ограничения, маршруты эскалации и участие человека в контроле снижают операционную неопределённость, которая нередко мешает масштабировать даже ценные сценарии.

О важности базовой инфраструктуры говорят и результаты опроса IIF и EY: среди ключевых препятствий для вывода ИИ в промышленную эксплуатацию названы качество и доступность данных, а также нехватка квалифицированных специалистов и защитных механизмов управления. 4

Что показывают BCG и NVIDIA

Более широкий массив исследований в целом подтверждает вывод Quinlan, хотя опросы отличаются выборкой и методикой.

BCG опросила более 280 руководителей финансовых функций и обнаружила, что медианная заявленная окупаемость ИИ и генеративного ИИ составила 10% — заметно ниже целевых 20%; почти треть участников сообщила лишь об ограниченном эффекте. 43 В отдельном исследовании более чем 1 250 компаний BCG установила, что только 5% получают ценность от ИИ в масштабе всей организации, тогда как 60% не видят существенного результата несмотря на значительные вложения.

Опрос NVIDIA за 2025 год показывает и другую сторону картины: у части компаний внедрённые сценарии уже приносят ощутимую выгоду. Почти 70% респондентов сообщили, что ИИ обеспечил рост выручки не менее чем на 5%, а более 60% — что он сократил годовые расходы не менее чем на 5%. По заявленной отдаче среди генеративных ИИ-сценариев лидировали торговля и оптимизация портфеля, а также клиентский опыт.

Эти результаты не противоречат друг другу. ИИ способен давать отдачу, но запуск решения — ещё не конечный результат. Разница определяется тем, выбрала ли компания действительно ценный сценарий, изменила ли связанный с ним процесс, выстроила ли данные и контроли и измеряет ли операционный и финансовый эффект.

Главный переход: от внедрения к исполнению

Главный сигнал отчёта Quinlan — разрыв между инвестициями, активностью и реализованной ценностью: 76 млрд долларов расходов в 2025 году, почти всеобщая вовлечённость финансовых организаций в ИИ и одновременно устойчивые трудности с доказательством ROI. 14 3

Практический вывод для руководителей — рассматривать ИИ не как набор разрозненных пилотов, а как программу трансформации бизнеса. Начинать следует с измеримой цели, заранее определить требования к рискам и управлению, закрепить ответственность за результат и отслеживать показатели на всём жизненном цикле решения. BCG приходит к схожему выводу: компании, создающие значимую ценность, концентрируются на небольшом числе инициатив, быстро масштабируют их, меняют ключевые процессы, развивают компетенции команд и системно измеряют операционную и финансовую отдачу.

Следующая конкурентная граница, вероятно, пройдёт не между теми, у кого есть ИИ, и теми, у кого его нет. Она пройдёт между организациями, которые умеют безопасно и измеримо использовать ИИ в ключевых процессах, и теми, кто продолжает накапливать эксперименты без воспроизводимого пути к ценности.