Короткий ответ. Главная проблема оценки банковского AI не отсутствие красивых цифр, а избыток несопоставимых цифр. Банки и вендоры сообщают о миллиардах эффекта, тысячах AI-use cases и десятках процентов роста производительности, но методики часто различаются. Экономия времени сотрудника может быть посчитана как «стоимость освобожденных часов», хотя зарплатные расходы не снизились. Рост продаж может совпасть с изменением рынка. Снижение fraud loss может быть результатом сразу нескольких мер. Поэтому профессиональная оценка должна начинаться с baseline и причинного механизма, а не с размера заявленного эффекта.
Три разных типа выгоды нельзя складывать автоматически
Первый тип — hard savings: банк действительно тратит меньше денег. Например, отказался от части внешнего сервиса, сократил overtime или избежал найма при росте объема. Второй — capacity gain: сотрудники выполняют больше работы за то же время. Это экономически ценно, но превращается в деньги только если дополнительная мощность нужна бизнесу. Третий — revenue uplift: AI повышает конверсию, retention, cross-sell или объем обслуживаемых клиентов.
Если сотрудник экономит час в день, но использует его на менее важные внутренние задачи, финансовый эффект может быть почти нулевым. Если тот же час позволяет советнику обслуживать на 20% больше клиентов без найма, эффект становится реальным. Поэтому «saved hours» — промежуточная операционная метрика, не прибыль.
Формула экономического эффекта AI-проекта
Кейс Bank of America: хорошая формулировка эффекта
Bank of America в июле 2026 года сообщил, что EricaAssist используется более чем 18 тысячами сотрудников контактного центра и сокращает среднее время звонка почти на минуту. Это сильнее абстрактного заявления «AI повышает эффективность», потому что есть конкретный процесс и операционная метрика. Но даже здесь следующий шаг аналитика — перевести минуту в экономику.
Нужно знать объем обращений, распределение длительности, стоимость минуты, изменение repeat calls и качество решения. Если звонок стал короче, но клиент перезванивает чаще, экономия иллюзорна. Если время сокращается без ухудшения first contact resolution, банк действительно может обслуживать больше обращений тем же штатом.
HSBC задает порог ценности, но это еще не доказанный результат
В партнерстве с Google Cloud HSBC заявил, что будет приоритизировать AI-инициативы, каждая из которых потенциально может давать более 100 млн долларов прямой выручки или более широкого эффекта эффективности. Это полезная управленческая рамка: крупный банк хочет фокусироваться на крупных use cases, а не распылять ресурсы. Но слово «может» критично. Потенциал проекта и реализованный эффект — разные сущности.
Редакционно и управленчески такие цифры нужно маркировать как заявленный или ожидаемый benefit, пока нет фактической отчетности. Иначе прогноз превращается в «AI уже заработал банку 100 млн».
Формула ROI должна начинаться с counterfactual
Чтобы оценить AI, нужно понять, что произошло бы без него. Это counterfactual. Если после внедрения конверсия выросла с 10 до 12%, нельзя автоматически приписать два пункта модели. Возможно, изменились ставки, рекламный трафик, продукт или сезонность. Лучше всего работает контролируемый эксперимент: часть потока использует AI, часть — прежний процесс.
В банковских процессах A/B не всегда возможен, особенно в риске. Тогда применяются staggered rollout, matched cohorts, difference-in-differences или хотя бы до/после с контролем внешних факторов. Чем больше заявленный эффект, тем выше требования к доказательности.
Полная стоимость владения AI почти всегда недооценена
В пилоте команда смотрит на цену API или GPU. В production добавляются integration, observability, data pipeline, безопасность, evaluation, legal review, поддержка, human oversight и обучение сотрудников. Если use case критичный, появятся резервная модель, incident response и периодическая валидация. Все это должно входить в TCO.
Еще одна скрытая статья — стоимость change management. Если AI меняет workflow тысячи сотрудников, нужно обновить инструкции, KPI, роли и обучение. Технология может быть готова за три месяца, а организационный эффект — через год.
Cost per task лучше cost per token
Техническая команда может оптимизировать стоимость токенов, но бизнесу важна цена результата. Один запрос к дорогой модели может надежно закрыть задачу, тогда как дешевая модель потребует несколько итераций и ручную проверку. Поэтому единица сравнения — стоимость успешного процесса при заданном качестве.
Для документов — стоимость правильно обработанного пакета. Для сервиса — стоимость закрытого обращения. Для разработки — стоимость принятого изменения. Для AML — стоимость подтвержденного кейса при заданном false negative. Эта метрика объединяет compute и качество.
Риск должен быть частью ROI, а не отдельным приложением
AI может снизить операционные расходы и одновременно увеличить потенциальный tail risk. Например, автоматизация платежных действий экономит миллионы, но одна массовая ошибка способна перекрыть годовой эффект. Поэтому expected loss и стоимость controls нужно включать в экономическую модель.
Для высокорисковых сценариев полезно считать risk-adjusted ROI. Проект сравнивается не только по средней экономии, но и по worst-case exposure, обратимости ошибки и страховочным механизмам.
Как не считать один эффект дважды
Типичная ошибка: команда A заявляет экономию времени оператора, команда B — сокращение cost-to-serve, а финансовый отчет суммирует оба показателя, хотя это один и тот же механизм. Или productivity uplift разработчиков одновременно попадает в «снижение затрат» и «ускорение time-to-market». Нужен единый benefit registry, где у каждого эффекта есть владелец и финансовая линия.
Если несколько AI-продуктов влияют на одну метрику, эффект распределяется по принятой методике или считается на уровне портфеля. Иначе AI-программа неизбежно «создаст» больше денег, чем банк заработал фактически.
Пилот должен иметь stop criteria
AI-проекты часто живут слишком долго, потому что технология интересна. До начала пилота нужно определить минимальный эффект и срок. Например: сократить стоимость обработки на 15% при точности не ниже baseline и без роста жалоб за 12 недель. Если критерий не достигнут — проект останавливается или радикально меняется.
Наличие stop criteria защищает банк от sunk cost fallacy. Уже потраченные деньги не являются аргументом продолжать слабый use case.
Какой dashboard нужен руководству
На верхнем уровне полезны четыре показателя: realized financial effect, подтвержденный finance-функцией; run-rate TCO; risk incidents; adoption в процессах, где экономический механизм доказан. Количество use cases можно показывать справочно, но не как главный KPI.
На уровне каждого продукта нужны baseline, target, current, confidence level и методика измерения. Важно видеть разницу между «заявлено командой», «подтверждено экспериментом» и «реализовано в P&L».
Что это дает рынку
Если банки начнут публиковать эффекты по сопоставимой схеме, станет понятно, где AI действительно работает. Пока один банк сообщает часы, другой — миллиарды, третий — число пользователей, сравнение почти невозможно. Независимая база эффектов с методологией могла бы быть ценнее десятков новостей о запуске очередного ассистента.
Для инвесторов и топ-менеджеров это особенно важно: AI-capex растет, а вопрос payback становится жестче. В 2026 году сама технология уже не является достаточным обоснованием бюджета.
Вывод
Правильный ROI AI в банке начинается не с количества моделей, а с причинной связи между технологией и финансовым результатом. Сэкономленные часы, ускорение процесса и рост точности — только операционные промежуточные показатели. Деньги появляются через сокращение расходов, избежанный найм, дополнительную пропускную способность, выручку или предотвращенные потери. Если банк считает полную стоимость, контролирует double counting и заранее задает stop criteria, AI-портфель становится инвестиционной программой. Если нет — он остается коллекцией красивых пилотов.
Формула эффекта должна различать cash и capacity
Если сотрудники экономят 100 тысяч часов, это еще не 100 тысяч часов зарплатной экономии. Cash benefit возникает только когда снижается overtime, подряд, численность или будущий найм. Если люди используют время для дополнительной работы, это capacity benefit, который нужно связать с выручкой или throughput.
Отдельно считается risk benefit: предотвращенные fraud losses, снижение default или operational incidents. Здесь особенно опасна двойная атрибуция, когда один и тот же предотвращенный убыток записывают и AI, и существующей control-функции.
Как сравнивать use cases между собой
Удобна единая карточка: annual gross benefit, one-off implementation cost, recurring TCO, time-to-value, confidence level, risk class и reversibility. Тогда flashy agent project можно честно сравнить с простым document copilot. Часто менее эффектный проект выигрывает по payback и вероятности реализации.
Почему диапазон лучше одной цифры
Для AI-бизнес-кейса разумно показывать conservative, base и upside сценарии. Adoption, качество и стоимость inference неопределенны. Одна точная цифра ROI создает ложную уверенность и стимулирует команду подгонять предположения под инвестиционное решение.
Частые вопросы
Можно ли считать сэкономленные часы сотрудников финансовым эффектом? — Только если понятно, как часы превращаются в деньги: сокращение FTE, отказ от найма, рост объема операций или дополнительная выручка.
Что включать в TCO AI? — Модели, GPU/облако, лицензии, интеграции, данные, безопасность, evaluation, поддержку, human review, обучение сотрудников и стоимость ошибок.
Какой лучший KPI пилота? — Одна бизнес-метрика результата плюс guardrails по качеству и риску. Например, стоимость закрытого обращения при неизменном NPS и уровне ошибок.