AI-зрелость банков в 2026: готовы ли российские пчёлы к рою ИИ-агентов?

Метафора роя прочно вошла в лексикон финансовых стратегов: банки будущего видятся как сложные экосистемы, где сотни ИИ-агентов автономно взаимодействуют друг с другом, решая задачи от клиентской поддержки до управления рисками. Но готовы ли российские банки к такому вылету? Достигли ли они необходимого уровня зрелости, чтобы выпустить этот рой в промышленную эксплуатацию? Ответ на этот вопрос стал лейтмотивом форума FinCore 2026, завершившегося 26 февраля в Москве.

Если попытаться сформулировать главный итог форума одной фразой, она будет звучать так: дискуссия о том, нужен ли банкам «неотех», окончательно завершена. Вопрос теперь стоит иначе — как именно перестраивать архитектуру и управлять роем ИИ-агентов. Мнения участников разделились. Оптимисты (Сбер, Газпромбанк, «Флексофт», NeoFlex) уверены: неотех и рой ИИ-агентов — уже реальность, работающие архитектуры представлены. Скептики (некоторые вендоры, средние банки, регулятор) напоминают: дефицит кадров, неготовность инфраструктуры, этические риски и «пик разочарования» никто не отменял. Кто прав? Анализ выступлений, кулуарных обсуждений и представленных кейсов позволяет оценить реальную AI-зрелость российских банков и понять, насколько они готовы к вылету.

Ключевые выводы анализа:

• Сбер и Газпромбанк близки к статусу ИИ-банка (>80% процессов с ИИ) с измеримым эффектом в миллиарды рублей.
• Ассоциация ФинТех представила 9 работающих ИИ-агентов, которые уже применяются в промышленной эксплуатации.
• Главный тренд 2026 — переход от «озера данных» к архитектуре Lakehouse и внедрение единых контуров управления (Control Plane) для роя агентов.
• Основные барьеры: дефицит кадров и необходимость нового регулирования (ABAC-системы, Open AI).

Ключевой доклад: видение GPB.AI (Адель Валиуллин)

Одним из самых содержательных и системных стало выступление Аделя Валиуллина (Газпромбанк, GPB.AI) под названием «От экспериментов к архитектуре: как внедрение ИИ создает новое ядро Банка». В своем докладе он представил целостную методологию перехода к AI-native банку, охватывающую все ключевые аспекты: от определения базовых технологий GenAI до принципов оценки экономической эффективности и этапов зрелости финансовых организаций.

Тенденция 1. Архитектура как стратегический актив

Главный концептуальный сдвиг, зафиксированный на форуме, — переход от восприятия ИИ как набора инструментов к пониманию его как системообразующего элемента архитектуры.

Если в 2023–2024 годах основное внимание уделялось пилотам и поиску «волшебной таблетки» в виде генеративных моделей, то сегодня речь идёт о фундаментальной перестройке ядра. В ходе панельной дискуссии «Действительно ли будущее ядра за неотехом?», собравшей представителей Сбера, ВЭБ.РФ, «Диасофта» и других лидеров рынка, участники сошлись в оценке: монолитные системы больше не способны обеспечить скорость изменений, которую требует рынок.

Сергей Рябов (Сбер) акцентировал внимание на том, что монолитные ядра не успевают за скоростью рынка, и переход к платформенному подходу со встроенным ИИ становится критически важным для конкурентоспособности. Он привёл впечатляющие цифры: в Сбере уже реализовано 900 проектов с ИИ, а экономический эффект за 2025 год составил 50 млрд рублей. Это не просто пилоты, а промышленное внедрение, доказавшее ROI.

Александр Глазков («Диасофт») подтвердил готовность вендоров предлагать решения, позволяющие банкам постепенно замещать легаси-системы микросервисными платформами с API-first архитектурой.

Александр Павлов (ВЭБ.РФ) подчеркнул, что неотех требует не только технологий, но и единых правил игры — как на уровне регуляторики, так и в части кибербезопасности. Без этой «нормативной надстройки» даже самая совершенная архитектура останется неуправляемой.

Управляемость вместо «зоопарка»

Компания NeoFlex представила видение единого контура управления (Control Plane), которое вызвало большой интерес. Слайды с изображением проблемы «зоопарка» (API sprawl, AI sprawl, Agent sprawl) стали мемом форума. Как отметил представитель NeoFlex, без централизованного управления API, AI-моделями и инструментами агентов банки быстро теряют контроль над стоимостью, безопасностью и аудитом. Предложенная архитектура включает:

• AI Gateway — единую точку доступа к LLM с лимитами, guardrails и метриками;
• реестр инструментов (tools) для агентов с allowlist и step-up подтверждениями;
• единые политики безопасности для всех типов клиентов, включая агентов.

Это позволяет перейти от «теневой автоматизации» к управляемому рою, где каждое действие агента прозрачно и подконтрольно. В качестве KPI предложены: доля API под едиными политиками, AI cost per request, доля агентных действий через allowed list tools, число инцидентов из-за изменений контрактов, число step-up на риск-операциях.

Тенденция 2. Данные перестают быть «озером» и становятся средой обитания

Качество работы роя ИИ-агентов напрямую зависит от зрелости data-инфраструктуры. Совместный доклад Arenadata и Россельхозбанка «Философский путь одного озера» зафиксировал переход от классических хранилищ к концепции Lakehouse. Это не просто смена терминологии. Речь идёт о создании среды, где операционные данные и аналитические мощности существуют в едином контуре, что критически важно для обучения и работы агентов в реальном времени. Lakehouse обеспечивает:

• стоимость хранения данных как в Hadoop;
• транзакционность как в РСУБД;
• разделение storage & compute;
• быстрый кэш для онлайн-взаимодействий.

Адель Валиуллин (Газпромбанк) в своём выступлении развил эту мысль: успех трансформации определяется не количеством разовых пилотов, а тем, насколько глубоко модели машинного обучения встроены в сквозные процессы. Иными словами, ИИ перестаёт быть «вишенкой на торте» и становится частью «теста».

Технологический стек GenAI по версии GPB.AI

В своих материалах Адель Валиуллин детализировал ключевые технологии, которые ложатся в основу новой архитектуры:

• LLM (Large Language Model) — большие языковые модели (Qwen, DenseNet, SLM), обеспечивающие понимание, генерацию и анализ текста.
• OCR (Optical Character Recognition) — распознавание текста с изображений и PDF.
• ASR (Automatic Speech Recognition) — преобразование устной речи в текст.
• RAG (Retrieval-Augmented Generation) — технология, дополняющая генерацию поиском по внешним базам знаний, что критически важно для работы с внутренней документацией и стандартами.
• Multi-Agents — системы, способные автономно выполнять сложные многозадачные процессы, взаимодействуя с доступными системами.

На основе этих технологий GPB.AI выделяет несколько классов решений, уже находящихся в стадии разработки или пилотирования:

• AI-ассистенты (общие и специализированные) — более 20 инноваций.
• RAG-сервисы для работы с базами знаний — более 30 инноваций.
• Multi-agent сервисы для автоматизации сложных бизнес-процессов — более 10 инноваций.
• Конкретные проекты: PHOENIX (AI-чат-бот для бухгалтерии, Q1 2026), SOCHI (трансформация конференций, Q2 2025), а также Единый интерфейс доступа к LLM для всех сотрудников.

С точки зрения прикладной архитектуры данных, ключевой вызов здесь — не просто создать «озеро», а выстроить управляемые потоки данных, обеспечивающие как операционную надежность, так и гибкость для экспериментов. «Озеро» без управления превращается в болото, в котором агенты не смогут ориентироваться. Именно архитектура данных становится фундаментом, на котором строится вся экосистема ИИ-агентов.

Тенденция 3. От чат-ботов к агентам: результаты первой волны внедрений

Самый ценный материал для анализа предоставила Ассоциация ФинТех (АФТ) на сессии «Практика применения ИИ-агентов в финансовых организациях. Ключевые итоги проекта». Как сообщил Алексей Сидорюк (АФТ) , проект длится уже два года и разбит на несколько фаз. В первых двух фазах 10 финансовых организаций совместно с 3 вендорами тестировали отечественные GPT-модели, в основном для автоматизации клиентской поддержки (вторая линия) и интеллектуального документооборота, включая работу с льготной ипотекой.

В третьей, текущей фазе участвуют 20 организаций, и фокус сместился на создание полноценных автономных агентов. Хотя часть компаний перешла в роль наблюдателей, активные участники (кредитные, страховые и технологические организации) разрабатывают минимально жизнеспособные продукты. Особый интерес вызывают два направления:

· Архитектурный надзор: ИИ-агенты проверяют код на соответствие архитектурным стандартам и требованиям безопасности перед выгрузкой в продуктивную среду.
· Конструирование продуктов: агенты помогают операционистам и автоматически создают типовые договоры, счета и акты под конкретного клиента, а не просто под сегмент.

Важно отметить и гипотезы, которые не подтвердились. Применение GPT-моделей для анализа рыночных сигналов и трейдинга дало слишком много ложных срабатываний — модели реагировали на события, которые опытные трейдеры игнорируют.

Всего в проекте участвовали 20 организаций и 4 вендора, разработано девять ИИ-агентов, которые уже применяются в реальных бизнес-процессах:

· Клиентская поддержка: агенты самостоятельно консультируют клиентов, обрабатывая до 70% типовых запросов без участия человека.
· Проверка кода: ИИ-ревизоры находят ошибки в программном коде на 30% быстрее традиционных методов.
· Работа с документацией: агенты анализируют договоры и нормативные документы, сокращая время юристов и комплаенс-специалистов.
· Создание продуктов: нейросети предлагают новые финансовые решения на основе анализа больших данных.

По оценке Алексея Сидорюка, больше половины участников пилота прошлого года уже перешли к промышленной эксплуатации своих решений. Опыт показывает: как только появляются зрелые минимально жизнеспособные продукты, их внедрение в продуктив — вопрос времени и ресурсов самой организации. В обсуждении приняли участие также Григорий Грязнов, Виталий Копысов, Адель Валиуллин, Владимир Муравьев, Александр Долбнев, представляющие ведущие банки и технологические компании.

Направления внедрения AI по классификации GPB.AI

Адель Валиуллин в своих слайдах систематизировал основные области применения AI в банке, которые полностью коррелируют с результатами пилота и охватывают практически все бизнес-линии:

• Риски: повышение качества кредитных решений, оптимизация риск-стратегий.
• Антифрод: распознавание и предотвращение мошенничества клиентов и сотрудников.
• Продажи и персонализация: повышение эффективности привлечения и удержания клиентов.
• Клиентский сервис: обработка обращений, чат-боты.
• Автоматизация: оптимизация внутренних процессов, GPT-ассистенты для сотрудников.
• Проектное финансирование: построение финансовых моделей, поиск групп компаний.
• Юридическая экспертиза: анализ документов с OCR и GPT.
• Отчётность и учёт: автораспознавание документов, контроль корректности проводок.
• Операционный блок: ускорение верификации данных, онбординг клиентов.
• HR: подбор персонала, управление человеческим капиталом.
• Сопровождение и поддержка: мониторинг систем, поддержка пользователей.
• Лизинг: оценка благонадёжности, стоимости залога.
• Коллекшн: выявление и предупреждение просроченной задолженности.

Критерии успешного AI-проекта

На слайдах GPB.AI также выделены три ключевых критерия запуска AI-проекта, которые стали основой для отбора пилотных направлений:

1. Экономический эффект (сокращение издержек или дополнительная прибыль).
2. Большой объём данных (наличие источников для обучения).
3. Регулярный процесс (циклический, описываемый последовательностью действий).

Эти критерии перекликаются с принципами оценки, представленными Альянсом в сфере ИИ, и задают прагматичный подход к выбору приоритетов.

Барьеры и ограничения

Главные барьеры, выявленные в ходе пилота: дефицит ИТ-компетенций, неготовность инфраструктуры у части участников и этические вопросы — например, кто несёт ответственность за действия агента.

Отдельный блок проблем связан с инфраструктурой и безопасностью. С ИИ-агентами появился целый класс новых стандартов и протоколов. Классическая ролевая модель аутентификации (RBAC) перестаёт работать — будущее за ABAC-системами (управление доступом на основе атрибутов), где права агенту выдаются под конкретный контекст задачи. Рынок уже видит первые прецеденты, и в перспективе ИИ будет управлять другим ИИ внутри организации.

Ещё один технологический стоп-фактор — архитектурные ограничения текущих решений. Механизм RAG многие эксперты называют «архитектурным костылём», призванным компенсировать маленький объём контекста моделей. А фреймворки типа LangChain, используемые для связывания данных, пока обладают высоким временем отклика и с трудом масштабируются при росте числа агентов.

Пример быстрой окупаемости

На стенде OpenBPM и Spring AI (Haulmont) был представлен прагматичный подход: интеграция ИИ в BPM-процессы через замену одной задачи (сервис-таска) на блок с ИИ позволяет достичь ROI до 500% всего за 20 часов разработки. Это наглядно демонстрирует, что даже точечные внедрения могут быть сверхэффективны.

Тенденция 4. Новая реальность трансграничных расчётов

Параллельная сессия в Стеклянном зале была посвящена трансграничным платежам. Участники — представители РОСЭКСИМБАНКа, платформы «Токеон» и международной системы BRICS Pay — обсудили, как новые финансовые технологии помогают обходить санкционные ограничения.

В ходе дискуссии было отмечено, что стейблкоины и цифровые активы становятся реальной альтернативой SWIFT. Задача банков — не просто соответствовать требованиям регулятора по цифровому рублю, а научиться эффективно интегрировать эти инструменты в банковский ландшафт.

Участники сошлись во мнении, что архитектура банка будущего должна поддерживать работу с различными типами активов — от фиатных денег до цифровых валют и токенизированных активов. Примером такого подхода стал кейс компании Modern Treasury (США), которая в феврале 2026 года запустила платёжный сервис, объединяющий фиатные и стейблкоин-расчёты через единый API.

Тенденция 5. Регуляторика: от добровольных кодексов к конкретным нормам

Завершающая дискуссия форума, собравшая экспертов под модераторством Алексея Северова, была посвящена регулированию ИИ. Антон Степанов, начальник Центра экспертизы искусственного интеллекта Банка России, подтвердил готовность регулятора к диалогу. Он подчеркнул, что задача ЦБ — не тормозить инновации, но при этом защищать потребителя, и предстоит найти баланс между гибкостью и безопасностью. В дискуссии также участвовали Виталий Саханчук, Борис Ашрафьян, Андрей Коньшин, представляющие регуляторные и экспертные круги.

Участники обсудили, как будет выглядеть ответственность банка в случае ошибки ИИ-агента, какие требования предъявлять к объяснимости моделей и как использовать международный опыт. Было отмечено, что российский Кодекс этики в сфере ИИ на финансовом рынке, принятый в 2025 году, задаёт добровольные ориентиры, но дальнейшее развитие потребует более конкретных норм — особенно для высокорисковых применений (кредитный скоринг, антифрод).

В кулуарах активно обсуждался тезис, прозвучавший из уст представителя Сбера: «Открытый банкинг сменяется открытым AI». Это означает, что вслед за стандартизацией доступа к данным (Open API) наступает эпоха стандартизации доступа к AI-моделям и инструментам. Уже создаётся Центр регулирования ИИ (Минэк, РБК), что подтверждает: государство начинает формировать нормативное поле для промышленного использования ИИ.

Для внедрения открытого банкинга требуется изменение целого ряда нормативных актов: 86-ФЗ (о ЦБ РФ), новый закон об открытом банкинге, подзаконные акты Банка России, отраслевые законы (151-ФЗ, 395-1-ФЗ, 4015-1-ФЗ, 39-ФЗ, 75-ФЗ, 211-ФЗ, 259-ФЗ и др.). Аналогичные изменения потребуются и для регулирования AI.

Тенденция 6. Технология проходит естественный этап зрелости

Как отметил Алексей Сидорюк, сегодня рынок находится на «пике разочарования» по кривой Гартнера — это нормальный этап взросления технологии. Ожидания четырёхдневной рабочей недели и тотального упрощения не оправдались, зато стали понятны нишевые классы задач, где ИИ действительно эффективен: имитация человеческой деятельности и задачи, неподвластные классическим моделям. Именно сейчас закладывается фундамент для следующего рывка.

Сокращение цикла «технология → продукт» (с 20 лет до 2 месяцев) требует от банков способности быстро адаптировать инновации. Приведённые примеры наглядно это демонстрируют:

• LSTM (1997) → Google Translate (2016): 20 лет
• RL (2008) → Tesla Autopilot (2014): 6 лет
• Transformers (2017) → GitHub Copilot (2021): 4 года
• Image Layer Separation (2019) → Google Cinematic Photos (2021): 2 года
• DALL-E 2 (апрель 2022) → обложка Cosmopolitan (май 2022): 2 месяца

Скорость внедрения становится критическим фактором конкурентоспособности.

Методология оценки эффективности ИИ (отраслевой стандарт)

Важный вклад в дискуссию внесли материалы, подготовленные в рамках отраслевого клуба Альянса в сфере ИИ. Семь принципов оценки финансовых эффектов задают единые стандарты для отрасли:

1. Максимальная объективность — избегать экспертных оценок, не подтверждённых расчётами.
2. Измеримость — фиксировать параметры как драйверы для последующего мониторинга.
3. Консерватизм — закладывать максимально негативный прогноз.
4. Связь с инициативой — учитывать только инкрементальные потоки.
5. Полнота — учитывать все дополнительные расходы и доходы.
6. Материальность — оценивать чувствительность прибыли к ключевым факторам.
7. Учёт консолидированного эффекта — на уровне всей группы.

Эти принципы легли в основу KPI, предложенных NeoFlex, и должны использоваться при обосновании AI-проектов.

Этапы AI-зрелости банков: от цифрового до ИИ-банка

Адель Валиуллин также представил модель эволюции банка от традиционного к ИИ-банку, которая объясняет текущее положение разных игроков:

Стадия	Доля процессов с ИИ	Характеристика
Традиционный банк	0%	Бумажные процессы, офлайн-обслуживание, отсутствие цифровых каналов, решения принимаются людьми без использования данных.
Цифровой банк	<10%	Цифровые каналы, мобильные приложения, экосистемы, первые эксперименты с ML (скоринг, рекомендации). Большинство средних банков находятся на этом этапе.
IT-компания	30–40%	Платформенные решения, микросервисная архитектура, data-driven культура, собственные научные компетенции, выделенные AI-команды.
ИИ-банк (AI-native)	>80%	ИИ — ключевой инструмент управления, автономные решения, собственные фундаментальные модели, рой ИИ-агентов, непрерывное самообучение систем. Сбер (900+ проектов), Газпромбанк — на пути к этому статусу.

Сбер с 900 проектами уже близок к стадии ИИ-банка, тогда как большинство средних банков только проходят этап цифрового банка или IT-компании. Газпромбанк, судя по представленным материалам, целенаправленно движется к статусу ИИ-банка, выстраивая системную архитектуру и портфель инноваций.

Макроэкономические эффекты

Общерыночные прогнозы подтверждают значимость ИИ-трансформации:

• Ожидаемый эффект для экономики России: 0,5 трлн руб. в ИТ-отраслях и до 7 трлн руб. в целом.
• Потенциальный рост выручки tech-компаний от внедрения ИИ: +9,3% (McKinsey, yakov.partners).
• 68% компаний фиксируют рост EBITDA на 1–5%.
• Индекс disruption вырос на 200% за 2017–2022 (Accenture).

Международный контекст: чему учит мир

Участники FinCore 2026 активно ссылались на зарубежные кейсы и регуляторные подходы. Ниже — таблицы, суммирующие ключевой международный опыт, который был в фокусе дискуссий.

Банк / Компания	Страна	Технология / Проект	Ключевые результаты
DBS Bank	Сингапур	Полномасштабная интеграция ИИ во все бизнес-линии, ассистенты, риск-менеджмент	Экономический эффект $573 млн (2024), прогноз на 2025 — более $1 млрд; сокращение времени KYC на 33%; выявление 95% проблемных кредитов за 3 месяца до дефолта
Akbank	Турция	Akbank Assistant (агентное обслуживание), автоматическое увеличение лимитов	Рост продаж на 23% за счёт проактивных рекомендаций; 96% клиентов в цифровых каналах; ассистент обрабатывает 200+ операций, классифицирует 1000+ типов запросов
JPMorgan Chase	США	LLM Suite — корпоративный портал с OpenAI и Anthropic	Сокращение времени подготовки инвестпрезентаций с часов до минут; снижение издержек на 20–30%; изменение модели staffing (с 6:1 до 4:1)
Citi	США	Citi Assist, Citi Stylus для инвестиционных банкиров; AI для due diligence и M&A	Повышение эффективности compliance и AML; персонализированные инсайты для wealth management
BNY Mellon	США	«Цифровые банковские работники» для сверки платежей	Автоматизация операционных процессов
Intellect Design Arena	Индия/Канада	eMACH.ai — облачное, микросервисное, API-first ядро для канадского Tier 1 банка	Первое внедрение нового ядра в Северной Америке; цель — ускорение экспансии и снижение TCO

Регуляторные подходы к ИИ в мире

Страна / Блок	Подход	Ключевые документы / Органы	Особенности
Европейский Союз	Риск‑ориентированный, жёсткий	AI Act (2024)	Деление на 4 категории риска; для высокорисковых систем (кредитный скоринг, антифрод) — строгие требования к качеству данных, объяснимости, документации
США	Мягкий, рекомендательный	Blueprint for an AI Bill of Rights (2022); FTC, SEC, CFPB	5 принципов: безопасность, защита от дискриминации, конфиденциальность, объяснимость, право на альтернативу с человеком
Китай	Жёсткий, с контролем контента	Этический кодекс для ИИ (2021); правила для генеративных сервисов (2023)	Обязательная регистрация алгоритмов; цензурные фильтры; раскрытие принципов работы моделей
Великобритания	Pro‑innovation, гибкий	AI Safety Institute (UK AISI); опора на существующие законы	Регулирование через существующие органы, избегание жёстких рамок; фокус на тестировании и методологиях оценки рисков
Россия	Мягкий, добровольный	Кодекс этики в сфере ИИ на финансовом рынке (2025)	Добровольные ориентиры; рекомендации по маркировке ИИ‑контента, защите данных, прозрачности; без жёстких санкций, упор на саморегулирование

Выводы: уровень AI-зрелости российских банков и вызовы 2026

Анализ международного опыта и дискуссий на FinCore 2026 позволяет сформулировать несколько ключевых выводов:

1. Агентный ИИ — не эксперимент, а фундамент. Ведущие мировые банки уже перешли от пилотов к масштабированию и считают экономический эффект сотнями миллионов долларов. Российским игрокам необходимо ускорить трансформацию, чтобы не отстать в конкурентной гонке.
2. Разрыв между амбициями и исполнением. Исследования показывают, что лишь 10% банков внедрили агентные решения в масштабах, хотя 60% считают это приоритетом. Это создаёт окно возможностей для тех, кто сможет выстроить управляемую архитектуру быстрее конкурентов.
3. Риски требуют новых контуров защиты. Международные регуляторы предупреждают о системных рисках: мгновенный отток ликвидности, неконтролируемые решения «чёрных ящиков», киберриски при компрометации агентов. Российский Кодекс этики — только первый шаг, нужны методологии аудита и контроля.
4. Конвергенция регуляторных подходов. Несмотря на различия, все страны опираются на общие принципы OECD (человекоцентричность, прозрачность, надёжность, подотчётность). Разница — в степени жёсткости: от прескриптивных правил ЕС до гибкого подхода Великобритании и мягкой модели России.
5. Платформенная экономика и открытые API становятся стандартом. Кейс Modern Treasury показывает, что интеграция фиатных и стейблкоин-платежей через единый API — уже реальность. Российским банкам необходимо готовить архитектуру к работе с разными типами активов.
6. Технология проходит естественный этап зрелости. Пик завышенных ожиданий пройден, и сейчас наступает фаза, когда ИИ встраивается в реальные бизнес-процессы с пониманием его сильных и слабых сторон.

Готовы ли российские пчёлы к вылету? Оценка AI-зрелости лидеров рынка

Возвращаясь к метафоре роя и вопросу, заданному в заголовке, можно дать дифференцированный ответ. Крупные банки — Сбер, Газпромбанк, ВТБ, Альфа-Банк — уже сформировали «ульи»: у них есть платформы, портфели AI-проектов, измеримые экономические эффекты. Они готовы выпустить рой ИИ-агентов в промышленную эксплуатацию и управлять им через единые контрольные контуры (Control Plane). Их примеры доказывают: технологическая готовность достигнута.

Средние и небольшие банки пока находятся на более ранних стадиях зрелости (цифровой банк или IT-компания). Им предстоит пройти путь по выстраиванию data-инфраструктуры, накоплению компетенций и внедрению первых агентов. Однако они могут не строить свой улей с нуля, а подключаться к платформам лидеров через открытые API, используя готовые сервисы и инструменты.

Регулятор также демонстрирует готовность к диалогу: разрабатываются нормы для открытого банкинга и открытого AI, создаётся Центр регулирования ИИ. Это создаёт предсказуемую среду для вылета роя.

Таким образом, ответ на вопрос «Готовы ли российские пчёлы к вылету?» — да, но не все и не сразу. Лидеры уже в воздухе, остальные готовятся, и форум FinCore 2026 показал, что фундамент для массового взлёта закладывается именно сейчас.

Поколенческий разрыв: кто проектирует будущее для Z и Alpha?

Отдельного внимания заслуживает наблюдение, которое на первый взгляд может показаться второстепенным, но на самом деле высвечивает важный социальный аспект технологической трансформации. Взглянув на состав участников и докладчиков FinCore 2026, нельзя не заметить: основная масса — представители поколения X (1965–1980) и миллениалы (1981–1996). Люди в возрасте от 30 до 60 лет, которые принимают стратегические решения, проектируют архитектуры и обсуждают регуляторику.

Но где же поколения Z (1997–2012) и Alpha (2013–2025), на которые, собственно, и рассчитан AI-native банкинг? Ведь именно эти цифровые аборигены станут основными клиентами и пользователями тех самых «роёв ИИ-агентов» в ближайшие 10–15 лет. Этот дисбаланс заслуживает отдельного анализа и, возможно, становится скрытой проблемой для всей отрасли.

Почему на конференции не видно Z и Alpha?

1. Карьерная пирамида. Поколения X и миллениалы сейчас находятся на вершине корпоративной иерархии: они CIO, CDO, руководители департаментов, директора по инновациям. Именно они формируют повестку, заказывают исследования и выступают на форумах. Поколение Z только начинает входить на рынок труда в позициях junior-специалистов, аналитиков, разработчиков. У них ещё недостаточно опыта и полномочий, чтобы представлять компании на стратегических сессиях. А поколение Alpha вообще пока учится в школах или университетах.
2. Роль потребителя vs создателя. AI-native банкинг ориентирован на молодёжь как на конечных пользователей. Но проектируют эти системы люди старших поколений, которые экстраполируют свой опыт и представления о том, что нужно молодым. Возникает риск разрыва между ожиданиями пользователей и реальным продуктом. Поколение Z привыкло к бесшовным интерфейсам, мгновенной реакции, отсутствию иерархий. Смогут ли архитекторы из поколения X, выросшие на совсем других принципах, создать действительно релевантный опыт? Или мы получим «AI для молодых, сделанный старыми»?
3. Разные каналы коммуникации. Молодёжь не ходит на отраслевые конференции вроде FinCore. Их среда — Telegram-каналы, TikTok, закрытые сообщества, хакатоны. Если организаторы хотят услышать голос поколений Z и Alpha, им нужно менять форматы: приглашать молодых экспертов в качестве спикеров, проводить молодёжные треки, организовывать питч-сессии стартапов от студентов. Пока этого практически нет.

Чем это грозит?

• Разрыв в пользовательском опыте. Если проектировать банкинг для «цифровых аборигенов» с позиции «цифровых иммигрантов», можно создать продукт, который будет казаться молодым людям архаичным, перегруженным или просто неинтуитивным. Например, избыточная верификация, длинные формы, отсутствие голосового управления.
• Кадровый голод. Пока молодёжь не вовлечена в создание AI-решений на ранних этапах, отрасль рискует столкнуться с дефицитом свежих идей и нестандартных подходов. Те, кто сегодня учится в вузах, через 5–7 лет должны стать архитекторами, но если они не видят себя в этой индустрии, они уйдут в другие сферы.
• Этические и социальные искажения. Поколение Z более чувствительно к вопросам приватности, дискриминации, экологичности. Если эти ценности не учитывать при разработке AI-агентов, можно получить негативную реакцию со стороны целевой аудитории.

Что можно сделать?

1. Включить молодёжные треки в программу. Уже на следующем FinCore стоит предусмотреть отдельную секцию с докладами студентов, аспирантов, молодых специалистов (до 25 лет). Пусть они рассказывают, каким видят банк будущего.
2. Привлекать Z в качестве со-дизайнеров. Проводить воркшопы с участием молодых людей при разработке новых продуктов. Не только фокус-группы, а полноценное вовлечение в процесс проектирования.
3. Создавать образовательные программы. Банки и вендоры должны активнее сотрудничать с вузами, проводить стажировки, хакатоны, чтобы выращивать кадры под свои нужды и одновременно получать свежий взгляд.
4. Менять коммуникацию. Если хотите услышать молодёжь, идите туда, где она есть: в соцсети, на геймерские платформы, в цифровые арт-пространства. Проводите опросы, собирайте обратную связь неформальными методами.

Вывод

Наблюдение о возрастном составе FinCore 2026 — это не просто любопытный факт, а сигнал для всей индустрии. AI-native банкинг строят люди, которые не являются целевой аудиторией этого банкинга. Пока это нормально, потому что решения принимают опытные профессионалы. Но чтобы не пропустить тектонические сдвиги в потребительских предпочтениях, нужно уже сейчас наводить мосты с поколениями Z и Alpha. Иначе рой ИИ-агентов рискует вылететь в пустоту — туда, где его никто не ждёт.

Фраза «банки станут роем ИИ-агентов» перестаёт быть фантастикой. FinCore 2026 показал: российский финансовый рынок находится в активной фазе перехода к новой архитектуре. Международный опыт доказывает, что это работает и приносит реальные экономические результаты. Главный вызов теперь — не в технологиях, а в управлении изменениями: подготовке кадров, создании культуры доверия к ИИ и выработке внятных правил игры вместе с регулятором.

Эра монолитов заканчивается. Начинается эра роя. И, судя по итогам форума, российские пчёлы готовы к вылету.

Равиль Ахтямов, к.э.н., digital-экономист, основатель Digital Economy Lab
По материалам FinCore 2026, Ассоциации ФинТех, Сбера, Газпромбанка, NeoFlex, Arenadata, ВЭБ.РФ, Россельхозбанка и отраслевого клуба Альянса в сфере ИИ

Мнение автора может не совпадать с мнением редакции