Еще несколько лет назад разговор об искусственном интеллекте в финтехе почти всегда сводился к автоматизации поддержки: чат-боты, голосовые ассистенты, снижение нагрузки на колл-центры. Это был понятный, быстрый и измеримый эффект ROI — сокращение издержек и ускорение обработки запросов.

Однако сегодня основной потенциал ИИ лежит совсем в другой плоскости. Он постепенно смещается из операционного слоя в стратегический — туда, где формируются продуктовые решения, определяющие выручку, рост и конкурентоспособность компаний. ИИ-агенты становятся полноценными управленцами и влияют на бизнес-решения.

В статье делюсь тремя способами, как ИИ может предугадывать потребности клиента и искать неочевидные связки между сигналами, чтобы предлагать вовремя следующий шаг. Материал полезен не только банкингу, но и всем, кто строит ИИ в продуктах.

ИИ в сфере финансов и платежей прежде всего может менять то, как команда работает с пользовательским фидбэком и формирует гипотезы.

Финтех традиционно оперирует огромными массивами данных: обращения в поддержку, отзывы в приложениях, поведенческие метрики, транзакционная активность. Долгое время основная задача заключалась в том, чтобы всё это классифицировать, агрегировать и анализировать.

Да, подход data-driven активно внедряется — решения принимаются на основе данных, A/B-тестов и ретроспективного анализа. Однако данные, насколько бы они не были репрезентативными, всегда отвечают на вопрос «что происходит», но почти не затрагивают вопрос «почему и как может быть иначе».

Например, ранее все виды обратной связи в основном сортировали по категориям: о чем обратная связь, насколько она негативная и т. д. Но генеративный ИИ позволяет перейти к более глубокому анализу. Он выявляет связи между на первый взгляд несвязанными сигналами.

В том числе:

• жалобы на сложность верификации;
• пользовательский опыт запутан;
• рост оттока пользователей на этапе онбординга;
• снижение повторных действий в продукте.

Вместе эти сигналы указывают на системную проблему — например, избыточное трение, которое подрывает доверие и снижает конверсию.

Искусственный интеллект позволяет создать систему автоматической классификации пользовательских обращений на основе LLM. Она заменяет сотни часов ручной работы в год и позволяет выявлять продуктовые проблемы проактивно, а не реактивно. Система обрабатывает тысячи отзывов по нескольким кредитным продуктам и автоматически обнаруживает паттерны, недоступные при ручном анализе. Она собирает отзывы из разных каналов — обращений в поддержку, оценок в приложении, комментариев, а затем выделяет повторяющиеся причины недовольства, контекст проблемы и этап клиентского пути, на котором она возникает.

Например, система может связать жалобы на сложную верификацию с падением конверсии в онбординге, ростом числа обращений в поддержку и снижением повторных действий в приложении. По отдельности эти сигналы часто выглядят как задачи разных команд, но вместе указывают на системный барьер в пользовательском опыте.

Особая ценность — способность ИИ-агента обнаруживать противоречия в поведении пользователей. Клиенты могут хотеть, например, высокую степень безопасности, но на практике выбирать более простые и быстрые решения.

Подключается способность моделей быстро генерировать и прорабатывать гипотезы. Это позволяет командам рассматривать больше сценариев развития продукта и моделировать возможные последствия изменений. Более того, можно выявить риски до их появления в реальных данных.

В сфере финансов особенно высока цена ошибки, а угрозы постоянно эволюционируют — поэтому любое незначительное изменение влияет на миллионы пользователей.

Если использовать модели для того, чтобы генерировать альтернативные продуктовые сценарии и моделировать их последствия, то в итоге технологии дают возможность выявить edge cases еще до запуска.

Например, в кредитном скоринге можно создать генерацию альтернативных факторов риска, в антифрод-моделях прогнозировать новые схемы мошенничества, а в онбординге тестировать оптимизацию пути клиента.

ИИ совершает сдвиг и в одной из самых привычных финтех-механик — трансформирует подход к кэшбеку. Например, с ним возможно запустить систему динамических вознаграждений, интегрированную в ключевые точки контакта с клиентом, чтобы охватить миллионы пользователей. Это трансформация подхода к кэшбэку — от фиксированного процента к персонализированной ставке, data-driven-системе стимулов, где вознаграждение определяется в реальном времени с учётом поведения пользователя, его вероятности совершить действие и контекста покупки.

Если раньше кэшбэк представлял собой фиксированный процент возврата, одинаковый для всех пользователей и не зависящий от ситуации, то с внедрением ИИ он превращается в динамическую систему стимулов.

Вознаграждение определяется в реальном времени с учётом поведения пользователя, его вероятности совершить действие и конкретного контекста покупки; в такой модели деньги работают как точечный инструмент влияния на поведение, превращая бонусы в элемент продуктовой стратегии.

Например, система может учитывать историю покупок и использования кредитного продукта, реакцию пользователя на прошлые предложения, категорию и сумму текущей покупки, частоту операций и вероятность того, что клиент совершит целевое действие без дополнительного стимула. На этой основе модель выбирает наиболее уместный сценарий: поддержать первую покупку, вернуть пользователя в продукт, повысить частоту использования определённой категории или, напротив, не предлагать вознаграждение там, где оно не меняет поведение. Это помогает направлять бюджет на инкрементальные действия, а не платить бонусы пользователям, которые и так совершили бы покупку.

Успешный подход data-driven требует не только технологий, но нового типа продуктового лидера — того, кто способен управлять неопределённостью, критически оценивать выводы моделей и координировать кросс-функциональные команды в условиях, когда данные ещё не сформировались. При принятии решения нужно формулировать гипотезы, критически оценивать предложения ИИ и выбирать из множества возможных решений.

ИИ расширяет пространство вариантов, но не снимает ответственность за выбор. Более того, он создаёт новый риск — иллюзию обоснованности, когда слабая идея выглядит убедительно за счёт качественной аргументации.

Более того, если раньше на формирование требований и подготовку данных уходило значительное время, то сейчас с развитием ИИ эти процессы ускорились в несколько раз. Опыт показывает, что продукт-менеджер с помощью ИИ инструментов все чаще может самостоятельно закрывать задачи, которые раньше требовали участия отдельных специалистов — от создания UX-моков до набросков high-level-кода.

Это означает, что человеческая экспертиза становится не менее, а более важной — просто в другой роли.