Короткий ответ. В 2026 году банковский искусственный интеллект меняется не столько за счет появления «еще более умного чата», сколько за счет перехода от ответа к выполнению действий. ИИ-агент может получить задачу, разложить ее на шаги, обратиться к разрешенным источникам данных, вызвать банковские сервисы и довести процесс до результата. Но термин «агент» используется слишком широко: под ним часто продают обычный чат-бот с доступом к нескольким функциям. Для профессионального анализа важен не ярлык, а фактический уровень автономности, набор доступных инструментов, ограничения и ответственность.
Свежие внедрения показывают, что рынок уже вышел за пределы лабораторных демонстраций. DBS объявил, что его корпоративный ассистент Joy стал агентным в Сингапуре: он способен не только объяснить операцию, но и помочь выполнить простые банковские действия в рамках одного диалога. Розничный digibot должен получить дополнительные агентные и голосовые функции. Reuters описывает, как крупные банки Уолл-стрит внедряют «цифровых сотрудников», причем BNY даже выдает некоторым агентам идентификаторы и закрепляет за ними человеческих руководителей. Fiserv идет еще дальше и пытается превратить управление агентами в отдельный инфраструктурный слой — agentOS с политиками доступа, аудитом и human oversight.
Почему это не просто новая версия чат-бота
У классического банковского бота обычно есть два режима: распознать намерение и выдать заранее подготовленный ответ либо передать клиента оператору. Генеративный ассистент улучшил понимание естественного языка, поиск по базе знаний и качество формулировок. Но сам бизнес-процесс от этого не обязательно изменился: клиент все равно должен перейти в нужный экран, выбрать продукт, заполнить поля и подтвердить действие.
Агентная архитектура добавляет слой выполнения. Система получает не только вопрос «как заблокировать карту», но и цель «заблокируй карту, которой я только что расплачивался». Дальше агент должен определить карту, проверить полномочия, получить подтверждение, вызвать нужный API, зафиксировать результат и сообщить клиенту, что произошло. В корпоративном банкинге цепочка может быть длиннее: найти платеж, проверить статус, сформировать документ, запросить согласование и отправить его на следующий этап. Ценность появляется именно в сокращении числа ручных переходов между системами.
Эволюция банковского AI-интерфейса: от ответа к выполнению действия
Пять уровней зрелости агентного банкинга
Для практического аудита удобно разделять решения на уровни. Первый — разговорный интерфейс без права действия. Второй — ассистент, который умеет искать и обобщать внутренние данные. Третий — copilot, подготавливающий рекомендацию, письмо, ответ клиенту или проект операции, но оставляющий финальный шаг сотруднику. Четвертый — агент, который может выполнять ограниченные действия в заранее определенном контуре. Пятый — мультиагентная система, где отдельные агенты отвечают, например, за KYC, документы, риск-проверку и коммуникацию и передают задачу друг другу.
Главная ошибка банковского AI-маркетинга — считать эти уровни взаимозаменяемыми. Если модель подготовила текст ответа оператору, это еще не автономный агент. Если чат умеет вызвать один API после явной команды клиента, это еще не полноценная мультишаговая агентная система. Для сравнения банков нужно смотреть на долю процесса, которую система действительно ведет сама, на список инструментов, на правила отказа и на частоту эскалации человеку.
Где агенты уже экономически оправданы
Наиболее зрелые сценарии возникают там, где процесс часто повторяется, хорошо формализован и имеет понятный конец. В клиентском сервисе это проверка статуса операции, изменение отдельных настроек, перевыпуск или блокировка карты, работа с комиссиями, выписками и справками. В корпоративном контуре — сбор документов, ответы на типовые запросы, поиск по договорной базе, подготовка платежных материалов, первичная проверка заявки. В комплаенсе — сбор данных и формирование досье, но не окончательное принятие решений по сложным подозрительным случаям.
DBS показателен именно потому, что переводит agentic AI в массовый клиентский канал. Банк сообщает о более чем десяти миллионах пользователей своих AI-ассистентов и о высокой доле цифрового разрешения обращений. Это существенно: агентность внедряется не в чистом стартапе, а поверх давно работающего сервиса, где есть история диалогов, процессы эскалации и операционные метрики. Такая последовательность снижает риск: сначала банк учится качественно отвечать, затем добавляет действие.
Что меняется в архитектуре банка
У агента появляется то, чего почти не было у обычного чат-бота: полномочия. Поэтому вопрос качества модели становится лишь одной частью задачи. Нужен реестр разрешенных инструментов, управление учетными данными, ролями и лимитами, журналирование каждого шага, политика хранения контекста, контроль источников данных и механизм немедленного отключения. В банковской среде агент не должен «догадаться», какой API использовать. Доступы задаются явно, а операции должны проходить через те же контуры аутентификации, контроля и аудита, что и действия человека или обычного приложения.
Это объясняет появление платформ вроде Fiserv agentOS. Банкам нужен не только сильный LLM, но и операционная система управления агентами: кто создал агента, какая версия модели используется, какие данные доступны, какие действия разрешены, кто владелец бизнес-процесса, как проводится тестирование и что происходит при сбое. По мере роста числа агентов этот слой становится аналогом IAM и API-management для новой категории цифровых исполнителей.
Human-in-the-loop: человек не исчезает, а меняет позицию
В профессиональной дискуссии полезнее говорить не «заменит ли ИИ сотрудника», а «на каком шаге процесса нужен человеческий контроль». Для операции с низкой ценой ошибки подтверждение человеком на каждом этапе убивает экономику автоматизации. Для платежа, отказа в кредите, блокировки клиента или подозрения в отмывании денег полная автономность может создать неприемлемый риск. Поэтому банки строят несколько режимов: автоматическое выполнение низкорисковых действий, подтверждение пользователем, подтверждение сотрудником и обязательная эскалация сложных случаев.
Важна и обратная сторона: человеческое подтверждение не должно быть декоративным. Если сотрудник получает рекомендацию модели без объяснения и за день видит сотни однотипных карточек, он быстро превращается в «кнопку согласовать». Настоящий human oversight требует права остановить процесс, достаточного контекста и метрики качества человеческого контроля.
Какие риски появились именно из-за агентности
У генеративного ассистента ошибка часто заканчивается неверным текстом. У агента ошибка может закончиться действием. Поэтому к традиционным рискам галлюцинаций добавляются неправильный вызов инструмента, превышение полномочий, циклическое выполнение, подмена инструкции внешним контентом, утечка учетных данных и некорректное взаимодействие нескольких агентов. Prompt injection из проблемы качества превращается в проблему транзакционной безопасности: вредоносный текст в документе или веб-странице может попытаться заставить агента выполнить запрещенную операцию.
Банку необходимо разделять модель рассуждения и слой исполнения. Даже если модель предлагает действие, policy engine должен независимо проверить, разрешено ли оно конкретному пользователю, в конкретном продукте, на конкретную сумму и в конкретном контексте. В критичных сценариях полезно считать модель недоверенным инициатором команды, а не источником полномочий.
Как измерять эффект, а не количество «агентов»
Количество запущенных агентов — почти бесполезный KPI. Один агент, который реально закрывает 30% обращений без повторного контакта, ценнее десятков демонстрационных прототипов. Для сервиса нужно смотреть на containment rate, повторные обращения, среднее время решения, долю эскалаций, стоимость одного завершенного кейса и клиентскую удовлетворенность. Для внутренних процессов — на cycle time, число ручных касаний, производительность сотрудника, долю ошибок и стоимость контроля. Для KYC и комплаенса — на время обработки, false positive, качество досье и количество возвратов.
Отдельно следует считать стоимость модели и инфраструктуры. Агентный сценарий может выглядеть впечатляюще, но оказаться дорогим из-за длинного контекста, множества вызовов моделей и повторных попыток. В банке нужен unit cost на завершенный процесс, а не на тысячу токенов. Именно такой переход от технологической метрики к бизнес-метрике отличает промышленное внедрение от пилота.
Что это означает для российских банков
Запрос «ИИ агенты в банках» уже перестал быть чисто футуристическим. Но копировать западные кейсы буквально нельзя: российские банки работают в другой инфраструктуре, с иным набором моделей, требований к данным и технологических поставщиков. Рациональная стратегия — начинать с процессов, где права агента можно жестко ограничить, а эффект измерить за несколько месяцев: внутренний поиск, подготовка документов, сервисные операции, работа с обращениями и отдельные сценарии для малого бизнеса.
Следующий этап — связывать агента с транзакционными системами через формализованный слой инструментов. При этом архитектура должна изначально поддерживать аудит, версионирование, аварийное отключение и воспроизводимость. Если банк сначала дает модели широкие доступы, а потом пытается «достроить безопасность», стоимость переделки будет выше, чем потенциальная экономия.
Вывод
В 2026 году agentic AI становится отдельным классом банковской автоматизации. Его отличие от прежних чат-ботов — не в более естественном языке, а в способности доводить задачу до результата через реальные банковские инструменты. Это дает заметный потенциал сокращения ручных операций, но одновременно переводит ошибки модели из информационной плоскости в операционную. Победят не банки с самым большим числом AI-агентов, а те, кто научится давать цифровым исполнителям ровно столько полномочий, сколько нужно для экономического эффекта, и ни на шаг больше.
Частые вопросы
Чем ИИ-агент отличается от банковского чат-бота? — Чат-бот в основном отвечает или маршрутизирует запрос. Агент способен использовать инструменты и данные, выполнять несколько шагов и инициировать разрешенные операции в пределах заданных политик.
Может ли ИИ-агент самостоятельно переводить деньги? — Технически агентные платежные сценарии уже существуют, но банк должен ограничивать полномочия, а критичные операции обычно требуют дополнительной аутентификации, лимитов и, в зависимости от риска, подтверждения человеком.
Где агентный ИИ дает банку наибольший эффект? — Сейчас наиболее практичны сервисные операции, поиск и сводка данных, KYC, работа с документами, внутренние процессы и простые клиентские действия с четкими правилами.