Что выигрывает финсектор при переходе на он-премис ИИ-инфраструктуру

Мировой подход

Масштабы инвестиций в искусственный интеллект в финансовом секторе стремительно растут. По оценкам Juniper Research, в 2024 году глобальные затраты банковской системы на генеративный ИИ составили около $6 млрд. А к  2030 году эта сумма достигнет $85 млрд. Согласно данным Business Insider, степень внедрения ИИ напрямую зависит от размера активов банка: крупные банки внедряют технологии охотнее. В частности, ведущие финансовые институты Азии уже заявили о сокращении тысяч рабочих мест — автоматизация рутинных операций с помощью ИИ позволяет перераспределять ресурсы и снижать операционные издержки.

Кроме оптимизации затрат, ИИ обеспечивает рост доходов и создание новых бизнес-возможностей. По данным Nvidia, почти 70% компаний, внедривших ИИ-решения, увеличили доходы минимум на 5%, а более 60% — сократили  расходы не менее чем на 5%.

Наибольшее применение современных технологий наблюдается в сегменте клиентских сервисов: здесь доля проникновения ИИ достигает 84%. Речевые технологии и чат-боты уже снимают нагрузку с операторов и оптимизируют работу колл-центров. А предиктивная аналитика применяется при моделировании расходов и оценке кредитоспособности клиента. В перспективе особое развитие получат интеллектуальные рекомендательные системы — для управления инвестициями, накоплениями и персонального финансового планирования. Внутренние процессы в финансовой сфере, такие как эквайринг, платежные системы и скоринг, уже сейчас активно интегрированы с технологиями ИИ и продолжают развиваться.

Российский опыт: импортозамещение в действии

Внедрение ИИ в российском финсекторе набирает обороты, но сталкивается с системными ограничениями. По данным Ассоциации ФинТех (АФТ), на сегодняшний день только 10-15% проектов с генеративным ИИ в российских компаниях финотрасли доходят до промышленной эксплуатации, и лишь 20-25% из них показывают заметный экономический эффект. Ключевыми барьерами остаются кадровый дефицит и отсутствие единой методологической базы. При масштабировании ИИ-решений компании вынуждены пересматривать текущие ИТ-инфраструктуры, адаптируя их к требованиям ИИ. На этом этапе нередко возникает разрыв между классическими ИТ-системами и архитектурой, необходимой для машинного обучения (Machine Learning, ML), сбора данных и их обработки. Инфраструктурные команды не всегда способны выбрать аппаратное оборудование, программный слой и прикладной софт под задачи, обозначенные дата-сайентистами, что усложняет эксплуатацию и поддержку ИИ-проектов.

Эксперты прогнозируют, что в 2026 году уровень использования ИИ в отечественных финансовых компаниях может достичь 68%. Уже сегодня ИИ помогает Альфа-Банку оптимизировать подбор персонала, Т-Банку — защищать клиентов от мошенников и автоматизировать рутинные задачи. ИИ находит все более широкое применение в оценке рисков, в расчетах страховых премий и обработке данных в страховых компаниях.

Решения он-премис — не роскошь, а необходимость

Если на этапе пилотных проектов компании чаще всего тестируют ИИ-сервисы в публичных облаках, которые позволяет гибко и быстро развернуть необходимые вычислительные мощности и не требует капитальных затрат, то для запуска в промышленную эксплуатацию по ряду причин предпочитают локальную инфраструктуру. Во-первых, ранее многие компании использовали решения уровня NVIDIA DGX/HGX, которые позволяли создать готовую инфраструктуру для ИИ. Сегодня покупка, поддержка и лицензирование таких решений ограничена, поэтому российские компании, на которые распространяются требования регуляторов, активно смотрят в сторону отечественных разработок. К 2027 году крупные игроки рынка планируют довести уровень импортозамещения своих ИТ-систем до 85-90%. Этому способствует и законодательная поддержка: федеральный проект «Искусственный интеллект», входящий в национальный проект «Экономика данных», ставит задачу создания инфраструктуры для вычислений и хранения данных на базе отечественного оборудования, технологий и ПО до 2030 года.

Во-вторых, повышаются отраслевые требования: высокий уровень защиты данных, необходимость в мощных вычислениях и значительные энергозатраты. В условиях роста кибератак банки ужесточают контроль над информационными системами.

В ответ на спрос российский рынок предлагает готовые решения для корпоративного ИИ. В их числе — как аппаратные платформы, например, от производителей Yadro, Delta Computers, FPlus или R-Style, так и готовые решения под ключ, такие как программно-аппаратные комплексы от К2 НейроТех или Скала-Р. Они разворачиваются в контуре компании, объединяя аппаратный слой, платформу управления, преднастроенное программное обеспечение и инструменты для работы с ИИ и высокопроизводительными задачами.

Локальные инфраструктуры особенно важны для банков, где утечка персональных или транзакционных данных грозит серьезными репутационными и финансовыми потерями. Он-премис решения позволяют четче контролировать доступ, хранить и обрабатывать их локально с высокой производительностью, чего нельзя гарантировать при использовании облачных сервисов с распределенным хранением.

Другое немаловажное преимущество — локальная инфраструктура легко интегрируется в существующий ИТ-ландшафт организации, работает с актуальными источниками данных, учитывает бизнес-логику и минимизирует избыточные связующие слои. При обучении моделей on-premise данные получаются чище и точнее, что гарантирует безопасность и защищает от предвзятости. Это критично для задач скоринга, антифрода и анализа клиентского поведения. Размещение вычислительных ресурсов под ИИ-задачи в собственном контуре обеспечивает независимость от провайдеров и непредсказуемых факторов их инфраструктуры. Компания получает гарантированную производительность ИИ-моделей и высокую доступность системы, поскольку полностью контролирует вычислительные мощности и не зависит от технических сбоев или ограничений третьих сторон.

Для максимальной эффективности компании прибегают к гибридным моделям: ресурсы распределяются между облаком и локальной инфраструктурой, при этом чувствительные данные обрабатываются в защищенном контуре. В то же время некоторые организации разворачивают частные корпоративные облака, чтобы обучать и тестировать модели «за закрытыми дверями» на чувствительных бизнес-данных. Частные облака позволяют создавать не только больший контроль над данными, но и масштабируемость и прозрачность при распределении вычислительных ресурсов для таких задач.

Выбор вычислительной инфраструктуры — первый и важный шаг к внедрению искусственного интеллекта. Компании приходят к пониманию того, что инвестиции в собственные вычислительные мощности — это не только контроль, отказоустойчивость и безопасность сегодня, но и фундамент для стабильного внедрения ИИ-продуктов в бизнес-процессы, которые обеспечат принципиально новый уровень эффективности и конкурентоспособность на годы вперед.