Короткий ответ. Пока AI используется как внутренний помощник сотрудника, его риск в основном локален. Но когда десятки банков начинают зависеть от одних облаков, моделей и провайдеров, а AI влияет на кредитование, рынки и движение денег, появляется системный уровень. Bank of England в июльском Financial Stability Report 2026 выделяет риски от frontier AI через критичные финансовые решения, рынки, операционную зависимость и киберугрозы. Moody’s отдельно предупреждает о концентрации на небольшом числе технологических компаний. Это означает, что AI risk постепенно становится частью финансовой стабильности, а не только IT governance.
Системный риск начинается с корреляции
Один банк может ошибиться в модели и потерять деньги. Система становится уязвимой, когда многие банки ошибаются одинаково. Если кредитные модели используют похожие внешние данные и архитектуры, ухудшение качества может одновременно изменить доступ к кредиту во многих организациях. Если торговые AI-системы реагируют на один сигнал похожим образом, волатильность усиливается.
Исторически финансовое регулирование давно знает проблему model monoculture. AI добавляет новые каналы: общие foundation models, одни и те же облака, одинаковые vendor agents и внешние data services. Даже если каждый банк отдельно прошел собственную валидацию, корреляция между ними может оставаться невидимой.
Четыре канала системного AI-риска
Bank of England формализует четыре канала
В отчете 2026 года британский регулятор продолжает рамку оценки AI через четыре направления: использование в ключевых финансовых решениях банков и страховщиков; применение на финансовых рынках; операционные риски AI-поставщиков; изменение внешней киберугрозы. Важна сама логика: риск рассматривается не как «может ли чат-бот ошибиться», а как влияние на ядро финансовой системы.
Frontier AI способен ускорять анализ и принятие решений. Это полезно в обычном режиме, но во время стресса скорость может стать проблемой. Алгоритмы быстрее человека сокращают позиции, меняют лимиты или рекомендуют перевод средств. В результате время на стабилизацию системы сокращается.
Vendor concentration — новый аналог критической инфраструктуры
Moody’s обращает внимание на зависимость банков от небольшого числа tech providers. У банков давно есть концентрация в платежных системах и облаках, но AI усиливает ее: модель становится не просто инфраструктурой хранения, а частью принятия решения. Если сервис недоступен, банк может потерять способность обслуживать процесс; если модель изменилась, результат процесса может измениться.
Особенно опасен hidden concentration. Два банка могут покупать решения у разных финтех-вендоров, которые внутри используют один и тот же foundation model и одно облако. На уровне контрактов поставщики разные, на технологическом уровне зависимость общая.
AI и скорость оттока депозитов
Мобильный банкинг уже сделал перемещение денег быстрым. Персональные AI-агенты могут сделать его автоматическим. Представим финансового помощника, который постоянно сравнивает ставки, риск и новости и по заданному правилу переводит деньги между банками. В спокойном рынке это повышает конкуренцию. Во время негативного сигнала тысячи агентов могут одновременно рекомендовать или выполнять вывод средств.
Это снижает friction, который исторически замедлял банковскую панику. Регуляторы начинают учитывать, что agentic finance способен ускорять deposit flight. Для банка это меняет предпосылки ликвидностного stress testing: поведение клиента может стать быстрее и более чувствительным к информации.
Одинаковые AI-советники могут менять конкуренцию
Если клиентский агент автоматически выбирает лучший депозит, страховку или кредит, традиционная ценность «основного банка» уменьшается. Лояльность заменяется машинным сравнением. С одной стороны, это улучшает рынок для клиента. С другой — продукты становятся более чувствительными к небольшим изменениям цены, а ликвидность — более мобильной.
Банк, который строит стратегию cross-sell на инерции клиента, может оказаться уязвим. AI-agent действует без усталости и может пересматривать выбор ежедневно. Это потенциально меняет economics retail banking.
Киберриск растет по обе стороны
Банки используют AI для защиты, но злоумышленники тоже получают автоматизацию. Генерация фишинга, анализ уязвимостей, social engineering и масштабирование атак становятся дешевле. Frontier models повышают способности атакующего быстрее, чем обычные сценарные инструменты.
Системный риск возникает, если один новый класс атаки одновременно работает против многих финансовых организаций. Поэтому отраслевой обмен информацией и совместные defense patterns становятся важнее. Банк не может считать AI-security полностью внутренней задачей.
AI в кредитовании и процикличность
Модель, обученная на последних данных, может быстро ужесточить риск-оценку при ухудшении макроэкономики. Если многие банки делают это одновременно, доступ к кредиту сокращается именно тогда, когда бизнесу нужна ликвидность. Классические модели тоже имеют procyclicality, но AI способен реагировать на больше сигналов и быстрее.
Контроль должен учитывать не только individual accuracy, но и поведение в стресс-сценариях. Модель, которая лучше прогнозирует дефолт в среднем, может быть опаснее, если резко меняет решения при небольшом сдвиге данных.
Что означает resilience для AI
Традиционный disaster recovery отвечает на вопрос: как восстановить сервис после отказа дата-центра. AI resilience шире. Нужно иметь fallback при недоступности модели, при деградации качества, при изменении API, при блокировке поставщика и при security incident. Иногда fallback — другая модель, иногда — более простой rule-based процесс, иногда — ручная операция.
Ключевой принцип: critical banking process не должен существовать только в форме, которую способен выполнить один AI-провайдер. Это не значит дублировать все дорого. Но банк должен знать минимальный degraded mode, в котором продолжит работу.
Stress testing AI-зависимости
Полезны сценарии: основной LLM недоступен 24 часа; облачный region недоступен неделю; стоимость inference выросла втрое; модель после обновления ухудшила точность на русском языке; поставщик запретил определенный класс финансовых use cases; одновременно произошел cyber incident. Для каждого сценария оцениваются клиенты, операции, выручка и ручная нагрузка.
Такой тест быстро показывает, какие «экспериментальные» AI-сервисы уже фактически стали критичными.
Что делать отдельному банку
Первое — карта концентрации: модели, облака, GPU, data vendors и agent platforms. Второе — определить criticality каждого AI-зависимого процесса. Третье — иметь fallback и периодически его проверять. Четвертое — измерять не только собственный vendor risk, но и subcontractor chain. Пятое — участвовать в отраслевом обмене данными об инцидентах.
Также важно не переоценивать multi-cloud. Если оба облака используют одну и ту же модель через один внешний API, технологическая диверсификация может быть иллюзией.
Вывод
AI становится системным финансовым фактором не потому, что модели «слишком умные», а потому, что они концентрируют зависимости и ускоряют реакцию. Общие модели могут синхронизировать решения, внешние провайдеры — стать единой точкой отказа, а клиентские агенты — резко повысить мобильность денег. Для банков это означает новую задачу: управлять не только качеством собственного use case, но и тем, как AI меняет поведение системы во время стресса. Именно на этом уровне искусственный интеллект перестает быть IT-проектом и становится предметом финансовой стабильности.
Три канала, через которые AI может стать системным риском
Первый — синхронное принятие решений. Если множество участников используют похожие модели и данные, они могут одинаково реагировать на стресс и усиливать движение рынка. Второй — концентрация инфраструктуры у небольшого числа cloud/model providers. Третий — ускорение кибератак и operational incidents.
Для отдельного банка каждый риск может выглядеть управляемым, но на уровне системы корреляция меняет картину. Поэтому финансовая стабильность требует смотреть не только на качество модели конкретной организации, но и на общие зависимости рынка.
Что должен знать совет директоров
Совету не нужна детализация prompt engineering. Ему нужны material AI dependencies: в каких критичных процессах работает AI, какой vendor concentration, есть ли fallback, сколько решений полностью автоматизировано и какой максимальный финансовый impact ошибки. Это превращает тему из технологической в operational resilience.
Стресс-тестирование AI-зависимости
Практический сценарий: недоступность основного model provider на сутки; деградация качества после обновления; компрометация модели; массовый рост ложных сигналов. Банк должен проверить, какие процессы продолжат работу в manual/degraded mode и сколько времени займет переключение.
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.
Частые вопросы
Как AI может ускорить банковскую панику? — Персональные финансовые агенты могут быстрее сравнивать ставки и автоматически переводить ликвидность, сокращая время реакции вкладчиков на негативный сигнал.
Почему одинаковые модели опасны системно? — Если много участников получают одинаковые сигналы и реагируют похожим образом, рынок может стать более коррелированным и проциклическим.
Что банк может сделать сам? — Диверсифицировать критичных поставщиков, тестировать стресс-сценарии, иметь manual fallback и анализировать концентрацию моделей и данных.