Короткий ответ. По мере роста числа AI-use cases главный bottleneck смещается из data science в operating model. Если каждая команда самостоятельно выбирает модель, строит RAG, договаривается с security и считает эффект по своей методике, банк получает дорогой зоопарк решений. Но и полностью централизовать AI нельзя: центральный офис не знает процесс лучше владельца кредитования, контакт-центра или казначейства. Поэтому зрелая модель 2026 года — федеративная.
Почему «назначим директора по ИИ» недостаточно
Название должности создает ощущение ownership, но AI пронизывает десятки функций. Руководитель AI может отвечать за стратегию, платформу и стандарты, но он не владеет credit loss, contact-center cost или corporate sales. Если экономический результат вынесен из бизнес-линии в отдельную AI-функцию, use cases рискуют превратиться в витрину технологий.
Правильный вопрос: кто имеет право остановить проект, если эффекта нет? Ответ должен включать бизнес-владельца и finance, а не только AI-команду.
Федеративная модель управления AI
Center of Excellence решает проблему повторения
Suryoday Small Finance Bank и Kyndryl в августе 2026 года объявили Agentic AI Center of Excellence с набором конкретных направлений: формы, voice banking, юридические ответы, fraud investigations и MSME underwriting. Сам формат CoE показывает переход от единичных экспериментов к общему механизму поставки.
Хороший CoE не пишет все решения сам. Он создает reusable components: model gateway, RAG stack, evaluation framework, identity, logging, prompt/version registry, security controls и типовые контракты.
Централизовать надо платформу, а не бизнес-решения
Если retail и corporate отдельно покупают векторные базы, создают свои guardrails и подключают моделей разных вендоров, TCO растет. Эти элементы разумно стандартизировать. Но решение, какие документы нужны relationship manager или когда кредитный процесс требует human review, остается в домене.
Это и есть федерация: центральный слой снижает стоимость и риск, доменный слой сохраняет скорость и ответственность.
Portfolio management важнее списка идей
У банков нет дефицита AI-идей. Дефицит — в выборе нескольких инициатив, где экономический эффект выше стоимости интеграции. Поэтому intake должен быть формальным: проблема, baseline, объем процесса, expected effect, data readiness, risk class, integration complexity и owner.
Инициатива без baseline не должна попадать в приоритет. Если команда не знает текущую стоимость обработки запроса, она не сможет доказать, что AI ее снизил.
Три корзины AI-портфеля
Первая — productivity: coding, search, documents, call-center copilots. Обычно быстрый time-to-value и умеренный риск. Вторая — decisioning: risk, fraud, pricing, recommendations. Эффект высок, но требуется validation. Третья — agentic automation: AI выполняет действия. Потенциал большой, но governance и integration сложнее.
Банк должен сознательно балансировать портфель. Если все деньги уходят в яркие agentic pilots, базовая productivity может оставаться недоиспользованной.
AI Transformation Lead становится связующим слоем
Вакансии МТС Банка в 2026 году показывают отдельные роли по AI-трансформации и анализу внедрений, где важны дорожные карты, приоритизация и финансовый эффект. Это характерный организационный сигнал: недостаточно нанять data scientists, нужна функция portfolio orchestration.
Такая роль должна понимать бизнес-кейс, архитектуру и change management. Ее KPI — не число пилотов, а доля решений, дошедших до production с подтвержденным эффектом.
Steering committee нужен для конфликтов
AI-проект часто сталкивает интересы бизнеса, security, legal и risk. Бизнес хочет быстрее, security — меньше внешних зависимостей, legal — понятную ответственность, finance — ROI. Без заранее определенного governance спор решается эскалацией и задержкой.
Steering committee задает risk appetite, approved model tiers, правила данных и инвестиционные пороги. Он не должен утверждать каждый prompt; его задача — рамка, внутри которой команды могут двигаться быстро.
Independent validation нельзя растворять в разработке
Команда, которая строит модель, заинтересована в запуске. Поэтому для material use cases нужна независимая проверка — особенно в credit, fraud, compliance и customer advice. В GenAI validation включает не только statistical performance, но и hallucination, jailbreak, data leakage и behavior under edge cases.
Для agentic systems добавляется permission testing: может ли агент сделать то, что ему запрещено, и корректно ли срабатывает kill switch.
Финансовый контроль должен быть встроен с начала
Многие AI-проекты начинают считать стоимость после пилота. Это поздно. Уже в discovery нужны inference cost, лицензии, integration, data preparation, human review и expected change in headcount or capacity.
Особенно важен scale curve. Demo на тысяче запросов может стоить копейки, но при сотнях миллионов взаимодействий model cost становится существенным. Архитектура должна поддерживать routing: простая модель для простой задачи, дорогая — только там, где она добавляет качество.
Change management — половина результата
Copilot, которым сотрудники не пользуются, имеет нулевой ROI независимо от benchmark модели. Поэтому rollout включает обучение, champions, feedback, корректировку workflow и управленческие ожидания. Нельзя просто добавить AI-кнопку в интерфейс.
Иногда придется менять KPI сотрудника. Если оператор оценивается по старой норме обработки, а AI резко ускорил часть задач, система мотивации должна догнать технологию.
Что должно быть в едином AI registry
Для каждого use case: owner, модель и версия, данные, риск-класс, статус, дата validation, human oversight, vendor, стоимость, KPI и incident history. Такой реестр нужен не для бюрократии, а чтобы банк понимал собственную зависимость от моделей.
Особенно важно разделять pilot, limited production и scaled production. Без этого руководство получает иллюзию сотен «внедренных AI».
Когда CoE превращается в тормоз
Если центральная команда требует ручного согласования любого эксперимента и сама является единственным поставщиком разработки, очередь растет. CoE должен быть platform enabler, а не монополист. Низкорисковые sandbox-эксперименты нужно разрешать по self-service правилам.
Зрелость измеряется тем, насколько быстро безопасный use case проходит путь до production, а не количеством регламентов.
Минимальная модель ответственности
Business owner отвечает за problem и effect. AI product owner — за решение и adoption. Platform team — за инфраструктуру. Risk/compliance/security — за ограничения. Independent validation — за независимую оценку. Finance — за методику эффекта. Executive sponsor снимает межфункциональные блокеры.
Если хотя бы одна из этих ролей не определена, ответственность размазывается. Особенно опасно, когда vendor фактически становится владельцем архитектурного решения.
Вывод
AI-трансформация банка в 2026 году — это уже не программа «внедрения нейросетей», а перестройка механизма принятия технологических решений. Центр должен дать платформу, стандарты и контроль; бизнес — выбрать процесс и отвечать за результат. Должность AI-директора полезна только внутри этой системы. Без operating model она создает еще один управленческий слой, но не масштабируемый AI.
Признаки того, что operating model не работает
Одни и те же компоненты закупаются несколькими подразделениями; пилоты месяцами ждут согласований; у use case нет владельца эффекта; finance узнает о проекте после запуска; модели не внесены в единый реестр; никто не может быстро назвать все production AI, имеющие право на действие. Каждый из этих симптомов указывает не на нехватку моделей, а на проблему управления.
Исправление начинается с прозрачного portfolio и четкого разделения platform, governance и domain ownership.
Практический критерий зрелости
Для этого направления ключевым доказательством является не сам факт использования искусственного интеллекта, а работающий производственный процесс с владельцем, измеримым baseline, контролем качества, понятной стоимостью и данными после запуска. Профессиональная оценка должна отделять пилот от промышленной эксплуатации, технологическую возможность от подтвержденного результата и заявление поставщика от независимой проверки. Именно такой подход позволяет сравнивать банковские AI-проекты без маркетинговой гиперболы.
Как распределять бюджет между платформой и use cases
В начале трансформации легко недофинансировать общий слой: бизнес видит ценность конкретного copilot, но не хочет платить за registry, evaluation и gateway. В результате каждый следующий кейс снова несет инфраструктурные расходы. Central platform разумно финансировать как shared capability, а domain integration — из бюджета бизнес-линии.
Так возникает правильный сигнал: платформа заинтересована снижать marginal cost следующего проекта, а бизнес — запускать только use cases с реальным эффектом.
Какие решения должен принимать AI Steering Committee ежеквартально
Не обсуждать сотни мелких экспериментов, а пересматривать material risk appetite, approved providers, крупнейшие инвестиции, vendor concentration, серьезные инциденты и портфель масштабирования/закрытия. Отдельный список проектов без эффекта должен быть нормальной частью заседания.
Закрытый пилот — не провал. Плохая operating model — когда слабый пилот продолжает жить из-за уже потраченных денег или статуса спонсора.
Как понять, что CoE создает leverage
Нужно измерять время от идеи до безопасного production, долю повторно используемых компонентов, стоимость запуска нового use case и количество исключений из стандартной архитектуры. Если с ростом CoE проекты становятся медленнее и дороже, центральная функция не масштабирует банк, а создает новую очередь.
Частые вопросы
Нужен ли банку отдельный директор по ИИ? — Может быть полезен как владелец стратегии и платформы, но бизнес-эффект должен оставаться у владельцев процессов и P&L.
Что такое AI Center of Excellence? — Центральная команда, которая создает стандарты, платформу, экспертизу и governance, чтобы продуктовые команды не строили одинаковую инфраструктуру заново.
Какая модель лучше: централизованная или федеративная? — Для крупного банка обычно эффективнее федеративная: общая платформа и контроль централизованы, а use cases и ownership находятся в бизнес-доменах.