Развитие искусственного интеллекта в банковской сфере: возможности и вызовы

«РАЗВИТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В БАНКОВСКОЙ СФЕРЕ: ВОЗМОЖНОСТИ И ВЫЗОВЫ»

Аннотация: Статья посвящена анализу ключевых направлений применения искусственного интеллекта (ИИ) в банковской сфере и оценке эффективности внедрения ИИ-решений. Рассматриваются такие области использования ИИ, как автоматизация клиентского обслуживания, персонализация банковских предложений, управление рисками, противодействие мошенничеству, трейдинг и управление активами, оптимизация внутренних процессов. Приводятся конкретные примеры и количественные оценки эффекта от применения ИИ в различных сферах банковской деятельности, основанные на опыте российских и зарубежных банков, а также данных исследовательских и консалтинговых компаний. Отмечается значительный потенциал ИИ для повышения доходов и оптимизации расходов банков, усиления их конкурентных позиций. В то же время выделяются проблемы и ограничения, связанные с внедрением ИИ в банках, - необходимость инвестиций в данные и инфраструктуру, вопросы интерпретируемости моделей, этические аспекты. Делается вывод о растущей роли искусственного интеллекта как одного из ключевых факторов трансформации и развития банковской отрасли.

Ключевые слова: искусственный интеллект, банковская сфера, эффективность и автоматизация, управление рисками, чат-боты, ИИ ассистент.

Искусственный интеллект (ИИ) в настоящее время является одной из наиболее перспективных и динамично развивающихся технологий, находящих применение в различных отраслях экономики, в том числе в банковской сфере. Банки активно внедряют решения на базе ИИ для повышения эффективности своей деятельности, улучшения клиентского опыта и обеспечения конкурентных преимуществ в условиях цифровизации финансовых услуг.

Текущее состояние применения ИИ в банках характеризуется широким спектром используемых технологий и решаемых с их помощью задач. Одним из ключевых направлений является повышение клиентоориентированности банковских сервисов за счет персонализации предложений и улучшения качества обслуживания. ИИ-системы анализируют большие объемы данных о клиентах (транзакционные данные, история взаимодействия с банком, внешние источники информации) и на их основе формируют индивидуальные предложения продуктов и услуг, максимально отвечающие потребностям и предпочтениям каждого конкретного клиента [5, c. 56]. Это позволяет банкам повысить релевантность своих предложений, увеличить конверсию продаж и укрепить лояльность клиентов.

Другой распространенной сферой применения ИИ в банках является автоматизация клиентской поддержки и коммуникаций. Виртуальные ассистенты и чат-боты на основе ИИ способны обрабатывать типовые клиентские запросы, консультировать по продуктам и услугам, помогать в решении распространенных проблем. Это позволяет разгрузить сотрудников колл-центров и офисов банка, обеспечить круглосуточную доступность поддержки, сократить время обслуживания клиентов. Более продвинутые разговорные ИИ-интерфейсы обладают способностью поддерживать контекстный диалог с пользователем, распознавать эмоции и адаптировать модель общения, что делает взаимодействие более естественным и комфортным для клиента.

ИИ активно применяется банками для оптимизации внутренних бизнес-процессов и принятия управленческих решений. Интеллектуальные системы берут на себя выполнение рутинных операций, таких как обработка документов, сверка данных, выявление ошибок и несоответствий. Машинное обучение позволяет строить прогнозные модели и находить неочевидные закономерности в данных, что дает возможность банкам эффективнее управлять рисками, выявлять случаи мошенничества, оценивать кредитоспособность заемщиков, прогнозировать спрос на продукты и услуги. ИИ-модели на основе анализа исторических данных и моделирования сценариев могут предлагать оптимальные решения по таким вопросам как ценообразование, сегментация клиентской базы, размещение банкоматов и отделений и др. [2, c. 97].

Важным направлением использования ИИ в банках является противодействие отмыванию доходов и финансированию терроризма (ПОД/ФТ). Интеллектуальные системы мониторинга способны анализировать большие объемы транзакций в реальном времени, выявлять подозрительные операции и паттерны поведения клиентов, идентифицировать связи между различными субъектами. Это помогает своевременно обнаруживать и пресекать случаи ОД/ФТ, обеспечивать соответствие банков все более жестким регуляторным требованиям в данной области [6, c. 575].

Перспективы развития ИИ в банковской сфере связаны с дальнейшим совершенствованием и масштабированием существующих кейсов применения, а также с освоением новых направлений и задач. По мере накопления данных, развития вычислительных мощностей и алгоритмов машинного обучения ИИ-системы будут становиться все более точными, надежными и автономными. Это позволит доверять искусственному интеллекту выполнение все большего числа функций, вплоть до полной автоматизации таких процессов как скоринг заемщиков, андеррайтинг, выдача кредитов, инвестиционное консультирование.

Ожидается также расширение сфер применения ИИ в банках. Перспективным направлением является использование компьютерного зрения и обработки естественного языка для автоматизации взаимодействия с клиентами в физических отделениях банка. ИИ-системы смогут распознавать клиентов по лицу и голосу, понимать их вопросы и запросы, давать рекомендации в режиме диалога, оформлять продукты и услуги. Это позволит повысить качество и скорость обслуживания, персонализировать клиентский опыт прямо в отделении банка.

Еще одной многообещающей областью является клиентская аналитика на основе ИИ. По мере развития технологий обработки больших данных банки смогут строить все более полные и точные профили клиентов, учитывающие разнообразную информацию об их предпочтениях, поведении, образе жизни. На основе этих данных ИИ-модели смогут предлагать продукты и услуги не только исходя из текущих потребностей клиента, но и предвосхищая его будущие запросы, формируя персонализированные предложения в упреждающем режиме.

Таким образом, искусственный интеллект уже стал неотъемлемой частью технологического ландшафта современного банка и критически важным фактором развития банковского бизнеса. Лидеры отрасли, такие как Сбербанк, активно инвестируют в разработку собственных ИИ-решений, создают специализированные подразделения и даже исследовательские институты, фокусирующиеся на данной области. По оценкам самих банков, использование ИИ позволяет кратно повышать эффективность бизнес-процессов, качество клиентского сервиса и финансовые результаты деятельности. В то же время работа с ИИ требует от банков развития компетенций по сбору и управлению данными, привлечения редких и дорогих специалистов, создания гибкой ИТ-инфраструктуры. Это делает искусственный интеллект одновременно и возможностью для получения конкурентных преимуществ, и серьезным вызовом для организаций финансового сектора.

Искусственный интеллект (ИИ) находит все более широкое применение в банковской сфере, помогая финансовым организациям повышать эффективность своей деятельности, улучшать клиентский сервис и создавать инновационные продукты и услуги. Рассмотрим подробнее ключевые направления использования ИИ в банках и оценим их эффективность.

Одной из основных областей применения ИИ в банковской сфере является автоматизация процессов обслуживания клиентов. Банки внедряют чат-ботов и виртуальных ассистентов на базе ИИ для консультирования клиентов, помощи в решении типовых вопросов и проведении несложных операций. Например, российский банк ВТБ использует чат-бота в своем мобильном приложении, который может предоставлять информацию о продуктах и услугах, помогать с оформлением заявок, напоминать о предстоящих платежах. По данным банка, использование чат-бота позволило на 20% сократить нагрузку на колл-центр, при этом доля успешно решенных ботом обращений превышает 80%. Аналогичные результаты демонстрируют и другие банки - в среднем внедрение ИИ-ассистентов приводит к снижению нагрузки на контактные центры на 15-30% при сохранении высокого уровня удовлетворенности клиентов [4, c. 39].

Другим важным направлением является персонализация банковских предложений и коммуникаций на основе анализа клиентских данных с помощью технологий машинного обучения. ИИ-модели позволяют сегментировать клиентскую базу по различным признакам, выявлять типовые паттерны поведения и потребности различных клиентских групп. На основе этого банки могут формировать индивидуальные предложения продуктов и услуг, адаптировать контент и каналы коммуникаций под профиль конкретного клиента. Один из ярких примеров эффективного использования ИИ для персонализации - кампании по удержанию клиентов Сбербанка. С помощью прогнозной аналитики на базе машинного обучения банк научился выявлять клиентов с высокой вероятностью оттока на ранней стадии и формировать для них персональные предложения. В результате эффективность кампаний удержания увеличилась в 5 раз.

Таблица 1. Эффективность использования ИИ-ассистентов в банках.

ИИ также активно применяется банками для повышения эффективности управления рисками и противодействия мошенничеству. Интеллектуальные системы мониторинга транзакций в режиме реального времени анализируют огромные массивы данных, выявляют аномальное и подозрительное поведение, идентифицируют потенциальные случаи фрода. Технологии машинного обучения позволяют непрерывно адаптировать модели выявления мошеннических операций, учитывать новые схемы и сценарии. По оценкам экспертов, использование ИИ для противодействия мошенничеству позволяет банкам предотвращать от 80 до 95% потенциальных потерь. При этом значительно сокращается объем ручной работы сотрудников по разбору подозрительных транзакций, что дает экономию до 50% трудозатрат [4, c. 40].

Алгоритмы машинного обучения также помогают банкам принимать более взвешенные решения по управлению кредитными рисками. ИИ-модели оценки кредитоспособности и вероятности дефолта позволяют учитывать не только традиционные финансовые показатели, но и альтернативные источники данных - характер активности клиента в соцсетях, история поисковых запросов, данные геолокации и т.д. Это дает возможность более точно оценивать риски, принимать обоснованные решения по выдаче кредитов, снижая уровень просрочки и потерь. Компания FICO, один из лидеров в области применения ИИ для управления рисками, приводит следующие оценки эффективности ИИ-моделей принятия кредитных решений: сокращение дефолтности на 25-50% в зависимости от сегмента заемщиков, рост доходности кредитного портфеля на 5-15 базисных пункта [7, c. 309].

В инвестиционно-банковском бизнесе искусственный интеллект может использоваться для автоматизации и повышения качества аналитических функций, поддержки принятия инвестиционных и трейдинговых решений. Обучаясь на исторических данных и используя современные техники анализа неструктурированной информации, ИИ способен строить точные прогнозы динамики рынков, выявлять неочевидные закономерности и сигналы. Автоматические торговые системы на базе ИИ позволяют учитывать в реальном времени огромное количество рыночных факторов, быстро адаптировать торговые стратегии, эффективно управлять позициями. Согласно результатам исследования компании «Autonomous», активное использование ИИ в трейдинге и управлении активами способно генерировать дополнительную прибыль в размере 15-50 базисных пунктов в годовом выражении [7, c. 309].

Таблица 2. Эффективность применения ИИ в различных областях банковской деятельности.

В последние годы наблюдается также активное внедрение ИИ-технологий для оптимизации операционной деятельности банков - автоматизации документооборота, разбора неструктурированных данных, поддержки внутренних бизнес-процессов. Например, Альфа-Банк использует ИИ для распознавания и обработки клиентских документов. Внедренная технология позволила на 60-80% повысить скорость обработки документов, на 70% сократить операционные расходы и в 3-4 раза снизить число ошибок по сравнению с ручным вводом. Оптимизация процессов на основе предиктивной аналитики и методов Process Mining дает банкам возможность увеличить производительность бэк-офиса на 25-40%, одновременно снижая операционные издержки и повышая качество процессов [9, c. 186].

Таким образом, потенциал искусственного интеллекта для повышения эффективности и трансформации различных аспектов банковской деятельности огромен. По оценке компании McKinsey, комплексное внедрение решений на базе ИИ позволит банкам увеличить доходы на 10-15% и оптимизировать расходы на 20-25%. Многие банки уже сегодня рассматривают искусственный интеллект как стратегическое направление и инвестируют значительные средства в его развитие. Лидерами рынка являются крупнейшие американские и китайские банки, которые направляют на ИИ-проекты до 20% ИТ-бюджетов. В России одним из пионеров в области внедрения ИИ является Сбербанк, который в 2020 г. инвестировал в разработку ИИ-решений более 20 млрд руб. [3, c. 1281].

Вместе с тем практическое использование ИИ в банках сталкивается с рядом проблем и ограничений. Полноценное применение технологий машинного обучения требует больших объемов качественных данных, которые есть далеко не у всех игроков. Банки вынуждены инвестировать в развитие дата-инфраструктуры, системы управления данными, привлекать высококвалифицированных специалистов. Многие ИИ-модели обладают свойством «черного ящика» и их результаты не всегда легко интерпретировать, что вызывает вопросы у регуляторов. Существуют также этические аспекты и риски, связанные с применением ИИ, - необходимость контролировать справедливость и непредвзятость алгоритмических решений, обеспечивать безопасность и конфиденциальность данных. Все это формирует высокие требования к внутренним процессам и политикам банков при работе с искусственным интеллектом.

Итак, искусственный интеллект становится одним из ключевых факторов конкурентоспособности современного банка. Те организации, которые смогут эффективно интегрировать ИИ в свои бизнес-модели и процессы, получат значительные преимущества в скорости и качестве обслуживания клиентов, управлении рисками, снижении издержек. Очевидно, что роль ИИ в банковской индустрии в ближайшие годы будет только возрастать, стимулируя дальнейшую цифровизацию и трансформацию отрасли.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Бабукин, Г. М. Цифровизация и искусственный интеллект в банках: шаг в будущее / Г. М. Бабукин // Chronos: экономические науки. – 2021. – Т. 6, № 1(29). – С. 6-9. – EDN JNOJZE.
2. Багреева, Е. Г. Искусственный интеллект как противодействие мошенничеству в банковской сфере / Е. Г. Багреева, Н. Э. Исмаилов, Л. М. Бобылева // Евразийская адвокатура. – 2022. – № 2(57). – С. 90-95. – DOI 10.52068/2304-9839_2022_57_2_90. – EDN NWQJVS.
3. Барашкова, М. Д. Перспективы внедрения технологий искусственного интеллекта в банковской сфере / М. Д. Барашкова // Инновации. Наука. Образование. – 2022. – № 50. – С. 1280-1288. – EDN FSVOFF.
4. Григорьева, А. Ю. Использование ИИ в банковской сфере РФ / А. Ю. Григорьева, И. А. Сажнов // Экономическое образование: новые возможности: Сборник трудов VI Международной научно-практической конференции, Москва, 23 ноября 2022 года. – Москва: Российский экономический университет имени Г.В. Плеханова, 2023. – С. 39-50. – EDN FZGHVV.
5. До, Т. К. Применение искусственного интеллекта в управлении лояльностью клиентов в банках / Т. К. До // Информация и инновации. – 2023. – Т. 18, № 2. – С. 56-64. – DOI 10.31432/1994-2443-2023-18-2-56-64. – EDN ZLDLPP.
6. Еприцкий, Я. В. Использование инструментов ИИ и машинного обучения в банковской сфере РФ для целей ПОД/ФТ: перспективы и сдерживающие факторы / Я. В. Еприцкий, Д. С. Лукаш // Новая экономика, бизнес и общество : Материалы Апрельской научно-практической конференции молодых учёных, Владивосток, 23 марта – 16 2023 года / Отв. редакторы А.А. Волков, Е.А. Тюрина, М.В. Усова. – Владивосток: Дальневосточный федеральный университет, 2023. – С. 575-579. – EDN CZGDHZ.
7. Козлов, И. А. Современные вызовы использования технологий, основанных на искусственном интеллекте в банковской сфере / И. А. Козлов // Глобальный научный потенциал. – 2023. – № 4(145). – С. 309-311. – EDN LXKWXR.
8. Кочкин, Т. Н. Применение искусственного интеллекта в банковской сфере на примере Сбербанка / Т. Н. Кочкин // Молодой ученый. – 2022. – № 4(399). – С. 108-109. – EDN CBUEMS.
9. Трусова, А. Ю. Методология внедрения машинного обучения в банковской сфере / А. Ю. Трусова, А. И. Ильина // Вестник Самарского университета. Экономика и управление. – 2023. – Т. 14, № 4. – С. 186-201. – DOI 10.18287/2542-0461-2023-14-4-186-201. – EDN VQARQU.
10. "DEVELOPMENT OF ARTIFICIAL INTELLIGENCE IN THE BANKING SECTOR: OPPORTUNITIES AND CHALLENGES"
11. Abstract: The article is devoted to the analysis of key areas of application of artificial intelligence (AI) in the banking sector and the assessment of the effectiveness of the implementation of AI solutions. Such areas of AI use as automation of customer service, personalization of banking offers, risk management, fraud prevention, trading and asset management, optimization of internal processes are considered. Specific examples and quantitative estimates of the effect of the use of AI in various areas of banking are given, based on the experience of Russian and foreign banks, as well as data from research and consulting companies. There is a significant potential for AI to increase revenues and optimize expenses of banks, strengthen their competitive positions. At the same time, the problems and limitations associated with the introduction of AI in banks are highlighted, such as the need for investments in data and infrastructure, issues of interpretability of models, and ethical aspects. The conclusion is made about the growing role of artificial intelligence as one of the key factors in the transformation and development of the banking industry.
12. Keywords: artificial intelligence, banking, efficiency and automation, risk management, chatbots, AI assistant.
13. Artificial intelligence (AI) is currently one of the most promising and dynamically developing technologies that are used in various sectors of the economy, including the banking sector. Banks are actively implementing AI-based solutions to improve the efficiency of their operations, improve customer experience and ensure competitive advantages in the context of digitalization of financial services.
14. The current state of AI application in banks is characterized by a wide range of technologies used and tasks solved with their help. One of the key directions is to increase the customer orientation of banking services by personalizing offers and improving the quality of service. AI systems analyze large amounts of customer data (transaction data, history of interaction with the bank, external sources of information) and on their basis form individual offers of products and services that best meet the needs and preferences of each specific customer [5, p. 56]. This allows banks to increase the relevance of their offers, increase sales conversion and strengthen customer loyalty.
15. Another common area of AI application in banks is automation of customer support and communications. AI-based virtual assistants and chatbots are able to process typical client requests, advise on products and services, and help solve common problems. This allows you to relieve the staff of the bank's call centers and offices, ensure round-the-clock availability of support, and reduce customer service time. More advanced conversational AI interfaces have the ability to maintain a contextual dialogue with the user, recognize emotions and adapt the communication model, which makes interaction more natural and comfortable for the client.
16. AI is actively used by banks to optimize internal business processes and make management decisions. Intelligent systems take over the execution of routine operations such as document processing, data reconciliation, error detection and inconsistencies. Machine learning allows you to build predictive models and find non-obvious patterns in data, which allows banks to manage risks more effectively, identify fraud cases, assess the creditworthiness of borrowers, and predict demand for products and services. AI models based on the analysis of historical data and scenario modeling can offer optimal solutions on issues such as pricing, segmentation of the customer base, placement of ATMs and branches, etc. [2, p. 97].
17. An important area of AI use in banks is countering money laundering and terrorist financing (AML/CFT). Intelligent monitoring systems are able to analyze large volumes of transactions in real time, identify suspicious transactions and patterns of customer behavior, and identify connections between various entities. This helps to detect and prevent cases of ML/FT in a timely manner, and ensure that banks comply with increasingly stringent regulatory requirements in this area [6, p. 575].
18. The prospects for the development of AI in the banking sector are related to the further improvement and scaling of existing application cases, as well as the development of new directions and tasks. With the accumulation of data, the development of computing power and machine learning algorithms, AI systems will become more accurate, reliable and autonomous. This will allow artificial intelligence to be trusted to perform an increasing number of functions, up to the full automation of processes such as scoring borrowers, underwriting, issuing loans, and investment consulting.
19. It is also expected to expand the scope of AI applications in banks. A promising area is the use of computer vision and natural language processing to automate customer interaction in physical branches of the bank. AI systems will be able to recognize customers by face and voice, understand their questions and requests, make recommendations in dialogue mode, and design products and services. This will improve the quality and speed of service, personalize the customer experience right at the bank branch.
20. Another promising area is AI-based customer analytics. With the development of big data processing technologies, banks will be able to build more and more complete and accurate customer profiles that take into account a variety of information about their preferences, behavior, and lifestyle. Based on this data, AI models will be able to offer products and services not only based on the current needs of the client, but also anticipating his future requests, forming personalized offers in a proactive mode.
21. Thus, artificial intelligence has already become an integral part of the technological landscape of a modern bank and a critically important factor in the development of banking business. Industry leaders such as Sberbank are actively investing in the development of their own AI solutions, creating specialized departments and even research institutes focusing on this area. According to the banks themselves, the use of AI allows for a multiple increase in the efficiency of business processes, the quality of customer service and financial performance. At the same time, working with AI requires banks to develop competencies in data collection and management, attract rare and expensive specialists, and create a flexible IT infrastructure. This makes artificial intelligence both an opportunity to gain competitive advantages and a serious challenge for financial sector organizations.
22. Artificial intelligence (AI) is increasingly being used in the banking sector, helping financial institutions improve their performance, improve customer service and create innovative products and services. Let's take a closer look at the key areas of AI use in banks and evaluate their effectiveness.
23. One of the main applications of AI in the banking sector is the automation of customer service processes. Banks are introducing chatbots and AI-based virtual assistants to advise clients, help them solve typical issues and conduct simple operations. For example, the Russian VTB Bank uses a chatbot in its mobile application, which can provide information about products and services, help with processing applications, and remind about upcoming payments. According to the bank, the use of a chatbot has reduced the load on the call center by 20%, while the proportion of successfully resolved bot requests exceeds 80%. Other banks demonstrate similar results - on average, the introduction of AI assistants reduces the load on contact centers by 15-30% while maintaining a high level of customer satisfaction [4, p. 39].
24. Another important area is the personalization of banking offers and communications based on the analysis of customer data using machine learning technologies. AI models allow you to segment the customer base according to various criteria, identify typical patterns of behavior and needs of various client groups. Based on this, banks can form individual offers of products and services, adapt content and communication channels to the profile of a particular client. One of the most striking examples of the effective use of AI for personalization is Sberbank's customer retention campaigns. With the help of predictive analytics based on machine learning, the bank has learned to identify customers with a high probability of outflow at an early stage and form personal offers for them. As a result, the effectiveness of retention campaigns has increased 5-fold.
25. Table 1. Efficiency of using AI assistants in banks.

Indicator	Value
Reduction in the load on contact centers	15-30%
Percentage of customer inquiries successfully resolved by the bot	>80%
Customer satisfaction with chatbot service	75-90%

26. AI is also actively used by banks to improve the effectiveness of risk management and fraud prevention. Intelligent real-time transaction monitoring systems analyze huge amounts of data, identify abnormal and suspicious behavior, and identify potential cases of fraud. Machine learning technologies allow us to continuously adapt models for detecting fraudulent transactions, take into account new schemes and scenarios. According to experts, the use of AI to counter fraud allows banks to prevent from 80 to 95% of potential losses. At the same time, the amount of manual work of employees on the analysis of suspicious transactions is significantly reduced, which saves up to 50% of labor costs [4, p. 40].
27. Machine learning algorithms also help banks make more informed decisions on credit risk management. AI models for assessing creditworthiness and probability of default allow us to take into account not only traditional financial indicators, but also alternative data sources - the nature of client activity in social networks, search query history, geolocation data, etc. This makes it possible to more accurately assess risks, make informed decisions on granting loans, reducing the level of delinquency and losses. FICO, one of the leaders in the field of AI for risk management, provides the following estimates of the effectiveness of AI models for making credit decisions: a reduction in default by 25-50%, depending on the segment of borrowers, an increase in the profitability of the loan portfolio by 5-15 basis points [7, p. 309].
28. In the investment banking business, artificial intelligence can be used to automate and improve the quality of analytical functions, support investment and trading decision-making. By learning from historical data and using modern techniques for analyzing unstructured information, AI is able to make accurate forecasts of market dynamics, identify non-obvious patterns and signals. Automated AI-based trading systems allow you to take into account a huge number of market factors in real time, quickly adapt trading strategies, and effectively manage positions. According to the results of a study by Autonomous, the active use of AI in trading and asset management can generate additional profit in the amount of 15-50 basis points per year [7, p. 309].
29. Table 2. The effectiveness of the use of AI in various areas of banking.

Area of application	Effect of using AI
Fraud prevention	Prevention of 80-95% of losses, 50% reduction in labor costs
Credit risk management	25-50% reduction in defaults, 5-15 bp increase in portfolio profitability
Trading and asset management	Additional annual profit of 15-50 bp
Personalization of communications	3-5 times increase in campaign effectiveness

30. In recent years, there has also been an active introduction of AI technologies to optimize the operational activities of banks - automation of document flow, analysis of unstructured data, and support for internal business processes. For example, Alfa-Bank uses AI to recognize and process client documents. The implemented technology made it possible to increase the speed of document processing by 60-80%, reduce operating costs by 70% and reduce the number of errors by 3-4 times compared to manual input. Process optimization based on predictive analytics and Process Mining methods gives banks the opportunity to increase back office productivity by 25-40%, while reducing transaction costs and improving the quality of processes [9, p. 186].
31. Thus, the potential of artificial intelligence to increase efficiency and transform various aspects of banking is enormous. According to McKinsey, the integrated implementation of AI-based solutions will allow banks to increase revenues by 10-15% and optimize costs by 20-25%. Many banks already consider artificial intelligence as a strategic direction and invest significant funds in its development. The market leaders are the largest American and Chinese banks, which allocate up to 20% of IT budgets to AI projects. In Russia, one of the pioneers in the field of AI implementation is Sberbank, which in 2020 invested more than 20 billion rubles in the development of AI solutions. [3, c. 1281].
32. At the same time, the practical use of AI in banks faces a number of problems and limitations. Full-fledged application of machine learning technologies requires large amounts of high-quality data, which not all players have. Banks are forced to invest in the development of data infrastructure, data management systems, and attract highly qualified specialists. Many AI models have the property of a "black box" and their results are not always easy to interpret, which raises questions from regulators. There are also ethical aspects and risks associated with the use of AI - the need to control the fairness and impartiality of algorithmic decisions, to ensure the security and confidentiality of data. All this creates high demands on the internal processes and policies of banks when working with artificial intelligence.
33. So, artificial intelligence is becoming one of the key factors in the competitiveness of a modern bank. Those organizations that can effectively integrate AI into their business models and processes will gain significant advantages in the speed and quality of customer service, risk management, and cost reduction. It is obvious that the role of AI in the banking industry will only increase in the coming years, stimulating further digitalization and transformation of the industry.
34. REFERENCES
35. Babukin, G. M. (2021). Digitalization and artificial intelligence in banks: a step into the future. Chronos: Economic Sciences, 6(1(29)), 6-9. EDN JNOJZE.
36. Bagreeva, E. G., Ismailov, N. E., & Bobyleva, L. M. (2022). Artificial intelligence as a countermeasure to fraud in the banking sector. Eurasian Advocacy, (2(57)), 90-95. DOI 10.52068/2304-9839_2022_57_2_90. EDN NWQJVS.
37. Barashkova, M. D. (2022). Prospects for the introduction of artificial intelligence technologies in the banking sector. Innovations. Science. Education, (50), 1280-1288. EDN FSVOFF.
38. Grigorieva, A. Yu., & Sazhnov, I. A. (2023). The use of AI in the banking sector of the Russian Federation. In Economic Education: New Opportunities: Proceedings of the VI International Scientific and Practical Conference, Moscow, November 23, 2022 (pp. 39-50). Moscow: Plekhanov Russian University of Economics. EDN FZGHVV.
39. Do, T. K. (2023). Application of artificial intelligence in customer loyalty management in banks. Information and Innovations, 18(2), 56-64. DOI 10.31432/1994-2443-2023-18-2-56-64. EDN ZLDLPP.
40. Epritsky, Ya. V., & Lukash, D. S. (2023). The use of AI and machine learning tools in the banking sector of the Russian Federation for the purposes of AML/CFT: prospects and restraining factors. In A. A. Volkov, E. A. Tyurina, & M. V. Usova (Eds.), New Economy, Business and Society: Proceedings of the April Scientific and Practical Conference of Young Scientists, Vladivostok, March 23 - May 16, 2023 (pp. 575-579). Vladivostok: Far Eastern Federal University. EDN CZGDHZ.
41. Kozlov, I. A. (2023). Modern challenges of using technologies based on artificial intelligence in the banking sector. Global Scientific Potential, (4(145)), 309-311. EDN LXKWXR.
42. Kochkin, T. N. (2022). Application of artificial intelligence in the banking sector on the example of Sberbank. Young Scientist, (4(399)), 108-109. EDN CBUEMS.
43. Trusova, A. Yu., & Ilyina, A. I. (2023). Methodology for the implementation of machine learning in the banking sector. Vestnik of Samara University. Economics and Management, 14(4), 186-201. DOI 10.18287/2542-0461-2023-14-4-186-201. EDN VQARQU.