FINNEXT – форум финансовых инноваций

⚡️ Как объединить корпоративный банкинг на одной цифровой платформе

Корпоративные сервисы банков исторически развивались разрозненно: отдельные решения создавались для малого, среднего и крупного бизнеса. В Альфа-Банке выбрали другой путь — создать единую платформу с бесшовным и персонализированным клиентским опытом.

В интервью Сергей Паршиков, руководитель департамента развития цифровых каналов юридических лиц Альфа-Банка и спикер Форума FINNEXT 2026, рассказал:

✅ как в Альфа-Банке отказались от разрозненных систем и создали единую цифровую платформу для бизнеса разных масштабов;

✅ зачем внутри одной платформы понадобилось разделить клиентский опыт на четыре роли — от предпринимателя до финансового эксперта;

✅ где ИИ уже дает практический эффект в корпоративном банкинге;

✅ почему AI-агенты пока остаются скорее технологическим экспериментом, чем повседневным инструментом бизнеса, и что должно измениться, чтобы банки действительно стали AI-ready.

👉 Полное интервью читайте по ссылке

Цифровой рубль: где проходит граница между интеграцией и новой банковской инфраструктурой. Ч. 2.

Если цифровой рубль постоянно меняется, возникает практический вопрос: как интегрировать его с ДБО, АБС, ИБ-системами и др. так, чтобы каждое новое изменение не превращалось в отдельный ИТ-проект?

Например, при создании платежных сервисов внимание часто сосредоточено на том, как будут формироваться и выгружаться платежные документы. Но на практике гораздо более сложным оказывается стык между ДБО и core-банкингом.

Здесь встречаются разные системы и разные зоны ответственности. Разработчик ДБО отвечает за клиентский интерфейс, разработчик АБС — за транзакции, платежи и регуляторную отчетность, а ЦБ мыслит в терминах «сообщений ЦР».

Но кто отвечает за целостность результата?

При фрагментарной интеграции в формате "API от ДБО" каждый участник видит только свою часть процесса. В итоге может оказаться, что платеж успешно сформирован в ДБО, но банковская система не создала необходимый документ или в платформу пришла не та операция.

Другой риск — хрупкие интеграции. Изменение структуры данных, интерфейса или одной из систем способно нарушить всю конструкцию. А после очередного изменения законодательства или появления новой функциональности процесс приходится начинать заново.

Такой подход означает постоянные дедлайны, перегрузку команд и рост бюджета.

«Диасофт» предлагает другое решение — «Координатор цифрового рубля». Это отдельная банковская шина сервисов, из которых можно собирать сквозные процессы цифрового рубля.

Логика следующая: ДБО или другой клиентский канал передает сигнал о необходимой операции, а дальше координатор связывает ее с внутренними банковскими системами и обеспечивает целостность процесса.

При этом число интеграций сокращается, появляется единый технологический и семантический слой, а транзакция остается целостной: нельзя допустить ситуации, когда одна часть процесса завершилась успешно, а другая — нет.

Отдельная задача — информационная безопасность. В разных банках используются разные криптографические решения и поставщики. Поэтому архитектура должна поддерживать возможность менять криптопровайдеров и библиотеки без перестройки уже созданных бизнес-процессов — за счет единого криптографического ядра.

И на этом история не заканчивается.

Если цифровой рубль становится не просто транспортом для платежа, а частью банковской инфраструктуры, появляются новые сценарии.

Например, можно выстроить сквозной процесс «Цифровой рубль с конвертацией»: задействовать валютный контроль, лимиты и клиентскую конверсию и провести операцию перевода из иностранной валюты в цифровой рубль с отправкой получателю.

Другой сценарий — «Кредиты и депозиты». Клиент может использовать цифровой рубль для текущих расчетов, сохраняя накопления в обычных депозитах. Такой процесс также можно связать с банковскими системами лимитов и обеспечения.

Еще один возможный сценарий — смарт-контракты, маркетплейсы и банковское сопровождение контрактов.

Финансовая сделка часто сопровождается большим объемом нефинансовых документов. Банкам приходится сопоставлять данные о товарах и платежах, обеспечивать их соответствие и юридическую значимость.

Если в сделку цифрового рубля встроить атрибуты товара и закрепить их электронной подписью, можно автоматизировать не только платежный, но и товарный юридически значимый документооборот.

По оценкам экспертов, автоматизация таких операций для маркетплейсов и других участников цепочки может давать 10–14% экономии себестоимости.

Таким образом, цифровой рубль постепенно выходит за рамки задачи «подключить еще один платежный контур». Вопрос уже в том, какую архитектуру построит банк и сможет ли она выдерживать постоянные изменения, интегрировать разные системы и одновременно создавать новые бизнес-сценарии.

Именно поэтому заказчиком таких решений становятся не только ИТ-подразделения. В процесс должны включаться лидеры бизнеса, операционный блок, ИТ и информационная безопасность и пр.

Как оценивать вложения бизнеса в ИИ-ассистентов? Ч. 2

Почему в B2B все сложнее

Если в сегменте B2C значительная часть обращений строится по типовым сценариям, то в работе с юридическими лицами ситуация заметно сложнее.

Количество нетиповых задач здесь значительно выше. От имени одной организации могут обращаться разные сотрудники — с разными ролями, полномочиями и уровнями доступа.

Соответственно, системе необходимо понимать, с кем именно она взаимодействует, какую информацию может предоставить и какие действия вправе выполнить.

Именно поэтому далеко не все процессы сегодня можно эффективно передать ИИ-ассистентам.
Эту тенденцию подтверждает и статистика:

— 74% клиентов финансовых организаций предпочитают общение с человеком;

— 82% пользователей, уже взаимодействовавших с ИИ-помощниками, не хотели бы повторять такой опыт.

Вывод очевиден: на типовых операциях ИИ действительно приносит пользу. Но если ситуация выходит за рамки стандартного сценария, цифровой помощник не должен становиться препятствием на пути клиента к человеку.

Как оценить эффективность ИИ-ассистентов

Именно здесь возникает главный вопрос: если компании инвестируют миллиарды рублей во внедрение искусственного интеллекта, как понять, что эти вложения действительно работают?

Сегодня можно анализировать BI-отчеты, проводить postmortem-разборы инцидентов и уже после их завершения выяснять причины роста недовольства клиентов. Однако такой подход не позволяет увидеть проблему в момент ее возникновения.

Рынку необходимы инструменты, которые позволят в режиме реального времени оценивать работу ИИ-ассистентов: отслеживать их технические показатели, качество сервисов, успешность сценариев взаимодействия, качество данных и контекста, а также влияние на клиентский путь и бизнес-результаты.

Новый уровень наблюдаемости

В качестве одного из таких подходов Алексей Хамидуллин представил платформу наблюдаемости GMONIT, построенную на технологии сквозных трассировок.

Платформа собирает данные с различных уровней взаимодействия клиентов с цифровыми сервисами — от ИТ-инфраструктуры и приложений до клиентского пути — объединяя их в единую картину происходящего. Это позволяет контролировать работу ИИ-ассистентов, видеть, как пользователи взаимодействуют с сервисами, оценивать клиентский опыт и на основе этих данных улучшать сценарии взаимодействия с заказчиками.

При этом развитие наблюдаемости за искусственным интеллектом только начинается. В ИТ-инфраструктуре появился новый критически важный слой — ИИ-ассистенты и большие языковые модели (LLM), для которых потребуются новые подходы к мониторингу, новые метрики и новые инструменты оценки эффективности.

Новый вызов для отрасли

Завершая выступление, Алексей Хамидуллин призвал представителей финансового сектора, ИТ-команд и разработчиков объединить усилия для создания решений, которые позволят не только внедрять искусственный интеллект, но и объективно оценивать его влияние на качество сервисов, клиентский опыт и бизнес-результаты.

Как оценивать вложения бизнеса в ИИ-технологии? Ч. 1

В 2024 году, по статистике, финансовый сектор России вложил 56 млрд рублей во внедрение и использование ИИ-технологий. Но вместе с ростом инвестиций возникает закономерный вопрос: как оценить их эффективность? Действительно ли ИИ повышает качество обслуживания? Как влияет на бизнес-показатели? И, пожалуй, самое главное — каким образом контролировать его работу?

Этой теме было посвящено выступление Алексея Хамидуллина, директора по развитию GMONIT, на FINNEXT 2026.

Ожидания бизнеса от внедрения ИИ

Разговор об эффективности ИИ начался с самого распространенного сегодня примера — ИИ-ассистентов, которые уже стали привычной частью клиентского сервиса. Они помогают обрабатывать обращения в цифровых каналах, автоматизируют типовые операции, а также поддерживают сотрудников контакт-центров и фронт-офиса.

В условиях высокой стоимости ресурсов и дефицита квалифицированных специалистов бизнес ожидает, что внедрение таких технологий позволит:
• снизить расходы на поддержку и масштабирование сервисов;
• сократить стоимость выполнения процессов;
• увеличить продажи и конверсию;
• повысить управляемость цифровых каналов;
• сделать клиентский путь более прозрачным и повысить удовлетворенность клиентов.

Эти ожидания во многом подтверждаются статистикой. Финансовые организации уже отмечают сокращение среднего времени обработки обращений, снижение рутинной нагрузки на сотрудников и операционных затрат. По прогнозам Gartner, в ближайшие 3–5 лет до 80% типовых запросов смогут обрабатываться ИИ-ассистентами.

Когда ИИ-помощники становятся препятствием
Однако успешное внедрение технологии еще не гарантирует качественный клиентский опыт. В подтверждение этого Алексей Хамидуллин поделился несколькими историями из собственного недавнего опыта.

1. Кейс с банком (блокировка карт за границей). Первой проблемой стала блокировка банковских карт во время поездки за границу. Попытки решить вопрос через мобильное приложение, сайт и мессенджеры не принесли результата: во всех цифровых каналах пользователь попадал в сценарий общения с ИИ-помощником без возможности быстро связаться с сотрудником банка. Решить проблему удалось только после звонка на горячую линию — после выхода на оператора карты были разблокированы буквально за несколько минут.

2. Кейс с авиакомпанией (отмена рейсов). Следующая ситуация возникла после переноса и отмены рейсов одной из зарубежных авиакомпании. Несмотря на наличие сразу нескольких каналов поддержки — сайта, приложения, мессенджера и телефона, — ни один из них не помог оперативно решить вопрос. Во всех цифровых сервисах повторялся один и тот же сценарий общения с виртуальным помощником, а телефонные линии оставались недоступны. В итоге решить проблему удалось только через агрегатора, где удалось связаться с живым специалистом и решить вопрос.

3. Кейс с мобильным оператором (смена тарифа). После возвращения в Россию возник еще один пример — обращение к мобильному оператору. ИИ-помощник уверял, что обладает всеми необходимыми знаниями для решения вопроса, однако с нестандартным запросом не справился. Единственным способом решить проблему стало личное посещение офиса.

Где проходят границы возможностей ИИ-ассистентов

Сами по себе эти примеры не говорят о неэффективности искусственного интеллекта. Наоборот, при работе с типовыми запросами цифровые помощники действительно позволяют ускорить обслуживание, снизить нагрузку на сотрудников и сделать многие процессы удобнее.

Но как только ситуация выходит за рамки стандартного сценария, именно ИИ-ассистент может стать дополнительным барьером между клиентом и компанией.

Продолжение в следующем посте

ИИ масштабирует не только эффективность, но и системные риски. Готова ли ваша инфраструктура данных к эпохе автономных агентов?

Одно дело, когда аналитический вывод или отчет по рискам верифицирует человек — эксперт может заметить аномалию и запросить проверку. Совсем другое, когда ИИ-агент сам принимает решения в реальном времени: одобряет транзакции, рассчитывает индивидуальные лимиты, формирует финансовые продукты или управляет портфелем.

В этой точке качество данных из ИТ-метрики превращается в вопрос операционной устойчивости бизнеса.

Чтобы безопасно масштабировать ИИ, компаниям нужны не просто мощные модели, а управляемая среда:
– доверенные источники и понятная семантика;
– актуальные корпоративные знания;
– прозрачное происхождение ответа;
– доступы, соответствующие роли пользователя;
– метрики качества и пороги уверенности;
– участие человека в критичных сценариях.

В этой архитектуре CDO становится ключевым связующим звеном между бизнесом, ИТ, безопасностью и AI-командами. Его задача — сделать так, чтобы путь от данных к автоматическому решению был прозрачным и проверяемым.

Совместная статья организаторов Data Day 2026 и HeadExpert развивает ключевые выводы исследования NEXT CDO:

– почему governance должен работать непосредственно в момент исполнения;
– какие 6 шагов помогут перейти от красивого пилота к надежному промышленному AI-сценарию.

Исследование подготовлено HeadExpert при поддержке партнеров: Aston, DECO Systems, Ассоциации больших данных и Клуба CDO.

👉 Читать статью
👉 Читать полный отчет NEXT CDO и рассчитать свой индекс nCDO

Как ИИ изменил ландшафт киберугроз и к чему готовиться бизнесу?

Об этом на FINNEXT 2026 рассказал Сергей Голованов, главный эксперт «Лаборатории Касперского».

Пока широкая публика обсуждает генерацию музыки и картинок, в сфере информационной безопасности фокус сместился на угрозы, которые создают ИИ-агенты. Защита этого направления стала настолько критичной, что на HeadHunter уже сейчас можно найти множество резюме специалистов, занимающихся исключительно безопасностью ИИ-агентов.

Конец эпохи классических антивирусов

Методы защиты тоже кардинально изменились. В 2026 году привычных антивирусных баз с сигнатурами больше не существует. Вместо них используются специальные кэшированные данные, на основе которых ML-модель определяет, является ли файл вредоносным.

Статистика облачного хранилища «Лаборатории Касперского» зафиксировала важный парадокс. Впервые с 2022 года вероятность случайно встретить вирус в рунете упала ниже 50% (два года назад этот показатель составлял около 73%). Однако общий объем вредоносного кода растет. Злоумышленники активно используют нейросети для создания уникальных закладок, троянов и вирусов.

В итоге риск случайного заражения снизился, но если атака всё же происходит, то с высокой вероятностью это будет уникальный код, созданный ИИ под конкретную жертву. В ход идет глубокая персонализация: от личного обращения в фишинговом письме до использования любимых цветов оформления получателя.

Криптовалютные кражи и атаки на бизнес

Главным драйвером роста киберпреступности в последнее время стали хищения у юридических лиц. Если в 2022–2023 годах вывести крупные суммы за рубеж было сложно, то сейчас злоумышленники решили эту проблему с помощью криптовалют. Миллионные суммы легко выводятся через поддельные платежки, которые проходят через бухгалтерии компаний, ничего не подозревающих о мошенничестве. В результате резко выросло количество инцидентов именно в финансовых департаментах.

При этом классические угрозы никуда не делись. Атаки с использованием программ-шифровальщиков по-прежнему остаются главным кошмаром для бизнеса: именно из-за них останавливается транспорт и закрываются торговые сети.

Единственным положительным сдвигом стало снижение количества публичных утечек персональных данных физлиц. На это повлияло введение оборотных штрафов. Если раньше злоумышленники скачивали базы и шантажировали компании их публикацией, то теперь массовые сливы прекратились, хотя сами попытки атак продолжаются.

Сегодня ключевыми ИБ-вызовами для компаний остаются кражи денег через бухгалтерию, шифрование данных с остановкой бизнес-процессов и штрафы за утечки ПДн.

Продолжение в следующем посте.

Как меняется роль CDO в финтехе: инсайты с Data Day

Как меняется роль CDO в банках и финтех-компаниях, которые уже активно работают с ИИ или готовятся масштабировать его в ближайшие годы?

Этот вопрос стал ключевым для участников дискуссии NEXT CDO на Форуме Data Day (9 июля). Делимся главными инсайтами исследования, подготовленного агентством HeadExpert в партнерстве с Aston, DECO Systems, Ассоциацией больших данных и Клубом CDO.

Отчет, представленный на Data Day 2026, базируется на 25 глубинных интервью с лидерами индустрии данных.

Главный вывод:
Функция данных сохраняет свой классический фундамент (платформа, качество, доступы, архитектура и аналитика), но при этом выходит на новый уровень ответственности.

Теперь от нее ждут:
– понятной связи с бизнес-решениями,
– измеримого эффекта,
– готовой среды для безопасной работы ИИ.

5 ключевых тезисов дискуссии:

• Доверие к показателям. Бизнесу важна не просто статистика, а чёткое понимание: какое именно действие должно последовать за конкретной цифрой.

• Разделение ответственности. Прямой P&L применим лишь к отдельным дата-продуктам. Для большинства же инициатив эффективнее всего работает совместная ответственность CDO и бизнеса.

• Гибкость организационной структуры. Централизованная, гибридная и федеративная модели управления могут быть одинаково эффективными. Главное – ясность ролей и правил.

• ИИ как мультипликатор рисков. С приходом ИИ цена «грязных» данных, устаревших знаний и некорректно настроенных доступов возрастает в разы.

• Новая зона лидерства CDO. Ключевым приоритетом становится обеспечение сквозного доверия – к самим данным, ML-моделям, ответам ИИ и решениям на их основе.

👉 В статье "От данных к бизнес-решениям: эволюция роли CDO в инсайтах форума Data Day" собраны подробные выводы дискуссии и практические шаги для компаний, которые хотят перейти от точечных дата- и AI-проектов к управляемой системе.

👉 Читать полный отчет NEXT CDO / Рассчитать свой индекс nCDO

🧠 Как финтех-компаниям превратить терабайты неструктурированных данных в точные аналитические знания?

В финансовом секторе цена ошибки ИИ слишком высока. Казалось бы, сегодня большая языковая модель может решить любую текстовую задачу — от анализа кредитных историй до обработки клиентских запросов.

Однако на практике разработчики финтех-сервисов сталкиваются с жесткими ограничениями: от галлюцинаций LLM и лимитов контекста до низкой скорости работы на больших потоках данных и критических рисков утечки конфиденциальных данных.

На форуме Data Day, который проводит команда FINNEXT, Андрей Буланов из компании «Айкумен ИБС» поделится практическим опытом создания эффективных гибридных систем, сочетающих различные нейросетевые модели и сложные алгоритмы обработки текстов.

Вы узнаете:

✅ почему классический RAG на основе векторного поиска не дает качественного результата и как научить систему умного поиска работать со сложной структурой документов, таблицами, изображениями и различными версиями файлов;

✅ как организовать работу без передачи конфиденциальной информации во внешние LLM;

✅ как выстроить потоковую классификацию огромного массива коротких документов (от обращений граждан до новостей СМИ и соцсетей), когда большие LLM не обеспечивают нужную скорость работы, а маленькие — не дают требуемой точности;

✅ как анализировать тысячи документов одновременно, если их объем превышает лимиты контекста модели, и получать аналитические отчеты строго на основе исходных текстов без галлюцинаций ИИ.

Андрей Буланов — генеральный директор АО «Айкумен ИБС», российского разработчика AI‑сервисов и решений на базе Big Data и платформы IQPLATFORM для интеллектуального анализа разнородных данных и построения поисково‑аналитических систем для государственного и корпоративного сектора. Преподаватель МГТУ им. Н. Э. Баумана, эксперт в области информационной безопасности.

👉 Сайт и программа Data Day

Друзья, на форуме Data Day, который проводит команда FINNEXT, в специальном формате «CDO без фильтров» запланировано участие одного из самых авторитетных экспертов по данным в РФ — Бориса Рабиновича, управляющего директора Блока «Технологии» Сбера.

Что такое «CDO без фильтров»?

Вы рассказываете о своем реальном кейсе — Борис разбирает его "здесь и сейчас". Никаких домашних заготовок — только честная экспертиза и полезные рекомендации.

К участию в CDO без фильтров приглашены директора по данным крупнейших российских компаний, включая ВТБ, Альфа-Банк, Газпромбанк, МТС, Мегафон, Яндекс, Магнит, X5 Group, Северсталь и пр. Присоединяйтесь!

Борис Рабинович — автор более 20 научных публикаций в телекоммуникационных, IT и научных журналах. С июня 2019 г. по февраль 2026 г. возглавлял Департамент управления данными. Отвечал за разработку и сопровождение платформы работы с данными, а также AI-трансформацию Блока «Технологии».

👉 Сайт и программа Форума

‼️ Отчеты уже не будут прежними: как LLM-агенты меняют работу аналитиков?

До старта Data Day — ключевого форума для всех, кто работает с данными, который готовит команда FINNEXT — осталось всего две недели. Одной из главных тем мероприятия станет преодоление кризиса классической аналитики: объемы данных растут, но привычные инструменты уже не справляются с задачами бизнеса.

Дело в том, что в большинстве компаний аналитики до сих пор тратят огромную часть времени на рутинные ad-hoc запросы: «почему вчера упал ROAS», «сколько пользователей совершили целевое действие», «какие баги чаще всего упоминают в отзывах». Стандартные дашборды проблему не решают — бизнес-пользователи редко заходят в них сами, а подготовка каждого нового отчета вручную может занимать дни.

Выход из этого тупика нашла команда APEX GAMES. Они построили мультиагентную систему поверх уже существующего стека и научили ИИ автономно отвечать на сложные аналитические вопросы. О том, как встроить LLM-агента в data-инфраструктуру и сократить путь от вопроса к инсайту до нескольких секунд, на Data Day расскажет Никита Зеленский, директор по аналитике и AI-инженерии APEX GAMES.

Почему этот кейс важен для финтех-аудитории?
Финансовый сектор работает в условиях жесткого регулирования, где цена любой неточности колоссальна. Доклад Никиты — это готовый рецепт того, как приручить LLM и гарантировать точность и безопасность данных при автоматизации аналитики.

Из доклада вы узнаете:
• Как внедрить LLM-агента в существующую data-инфраструктуру без болезненной перестройки всего стека;
• Как снизить риск галлюцинаций в аналитических сценариях и повысить доверие бизнеса к ответам системы;
• Как рассчитать реальный экономический эффект от использования AI-агентов в аналитике.

Кому это будет полезно:
Техническим лидам и архитекторам data-команд, CTO и CPO продуктовых и финтех-компаний, которые хотят понять, как внедрять LLM в реальный production без создания научного отдела.

Никита Зеленский более 7 лет помогает бизнесу принимать решения на основе данных, сокращать расходы и повышать эффективность за счет автоматизации и AI-агентов. Ранее занимал позицию CDO в Whoosh, а также успешно объединил на одном маркетплейсе AI-голоса и живых актеров озвучки.

👉 Сайт и программа Форума Data Day

📊 Насколько ваша компания действительно Data-Driven?

Друзья, в преддверии форума Data Day 2026 (который готовит команда FINNEXT), просим вас пройти простой опрос, чтобы замерить базовый уровень зрелости работы с данными на рынке: насколько решения реально принимаются на основе цифр и готова ли инфраструктура к тому, чтобы бизнес-пользователи оперировали ими самостоятельно.

Этот первый шаг позволит запустить регулярный рыночный бенчмарк: вы сможете сравнить себя с другими компаниями, а для руководителей результаты опроса станут отличным аргументом в пользу инвестиций и прокачки дата-функции.

Объективность этого сравнения напрямую зависит от искренности участников, ведь здесь нет «правильных» или «неправильных» ответов. Отвечайте максимально честно, чтобы мы вместе получили реальную картину рынка.

👉 Пройти опрос