Аналитики Gartner отмечают, что главная трудность внедрения ИИ — не недоступность моделей, а их интеграция в реальные бизнес-процессы с учетом требований безопасности, регуляторики и устаревших ИТ-систем. По оценкам компании, к 2027 году до 60% организаций могут столкнуться с критическими сбоями моделей и нормативными несоответствиями, если не выстроят управление данными и связку между бизнес-стратегией и ИТ-архитектурой.

В стране внедрение искусственного интеллекта уже регулируется Законом Республики Узбекистан №ЗРУ-1115 от 21 января 2026 года «О внесении дополнений и изменений в некоторые законодательные акты Республики Узбекистан в связи с регулированием отношений, возникающих при применении искусственного интеллекта». Согласно изменениям, организации обязаны соблюдать требования по защите персональных данных и информационной безопасности при использовании технологий искусственного интеллекта. Это означает, что любые AI-инструменты должны работать в контролируемой инфраструктуре, обеспечивающей прозрачность решений, аудит действий и безопасность данных.

Резидент IT Park Uzbekistan компания HiveTech предлагает такой подход — low-code платформу Hive Platform, в которой искусственный интеллект становится встроенной частью операционной деятельности банка. На платформе созданы масштабируемые отказоустойчивые банковские приложения, которые работают в крупных банках. Hive Platform объединяет LLM и ML-модели, AI-агентов, анализ больших данных и бизнес-логику в едином контуре управления.

Управляемый AI вместо разрозненных пилотов

На рынке каждые несколько месяцев появляются новые модели искусственного интеллекта, и зависимость от одного поставщика становится стратегическим риском. Hive Platform строит архитектуру, где модель можно заменить без перестройки процессов и интерфейсов. Это позволяет банкам адаптироваться к изменению стоимости вычислений, внутренним политикам безопасности или требованиям локализации данных.

Платформа связывает аналитические модели, операционные процессы, каналы взаимодействия с клиентами и корпоративные данные. Разные большие языковые модели, модели машинного обучения, внешние AI-сервисы и внутренние базы знаний работают в единой архитектуре безопасно и полностью контролируемо — ключевое условие для финансовых организаций.

Особое внимание уделяется подготовке данных. Платформа обеспечивает сбор, очистку и структурирование информации из внутренних систем банка, после чего подключается механизм RAG и использования корпоративной базы знаний. В результате AI принимает решения с учетом внутренних регламентов, исторических данных и бизнес-правил, работая в контексте бизнеса, а не как изолированный инструмент.

«Для банка критично не просто внедрить модель, а встроить её в управляемую архитектуру процессов. AI banklar uchun faqat innovatsiya emas — bu operatsion samaradorlik», — отмечает эксперт HiveTech.

Кредитование и взыскание: где AI уже дает экономику

Наибольший эффект банки получают в процессах, напрямую влияющих на прибыль. Например, при продаже кредитов модели машинного обучения формируют персональные предложения на основе поведения клиента, истории операций и жизненного цикла продуктов. В практических кейсах отправки релевантных предложений в оптимальный момент через предпочтительный канал связи конверсия кампаний увеличивалась примерно на 25–40%. При этом стоимость одного контакта снижалась за счет автоматизации всей цепочки коммуникаций.

Во взыскании задолженности AI используется для сегментации портфеля и выбора оптимальной стратегии взаимодействия. Модели прогнозируют вероятность добровольного погашения, риск перехода в более глубокую просрочку и чувствительность к различным каналам коммуникации. В одном из проектов часть клиентов с высокой вероятностью самостоятельного возврата в ближайшие дни была исключена из активного обзвона. Это позволило сократить нагрузку на контакт-центр более чем на треть без ухудшения показателей возврата. Параллельно ресурсы были перераспределены на более сложные кейсы, где риск дефолта выше.

Low-code как ускоритель внедрения AI

В условиях кадрового дефицита банки заинтересованы в сокращении зависимости от внешних подрядчиков. Low-code архитектура Hive Platform позволяет создавать и дорабатывать системы силами внутренних специалистов после короткого обучения. При этом AI-инструменты платформы помогают ускорить разработку, тестирование и настройку бизнес-процессов силами джунов без привлечения senior-разработчиков и техподдержки. По оценкам проектов, производительность джунов возрастает примерно на треть, что позволяет в масштабах крупного банка экономить более 1,5 млрд сум в год на IT-команду. 

Hive Platform также развивает мультиагентные сценарии, когда несколько AI-агентов совместно решают сложную задачу и проверяют результаты друг друга. Такой подход повышает надежность решений и снижает риск ошибок.

Искусственный интеллект уже становится ключевым инструментом повышения эффективности банков, однако конкурентное преимущество получают не те, кто просто внедряет модели, а те, кто интегрирует их в управляемую архитектуру бизнеса. Платформенный подход позволяет внедрять AI масштабно, безопасно и с измеримым экономическим эффектом.

«Искусственный интеллект в банковской отрасли становится фактором конкурентоспособности только тогда, когда он встроен в управляемую архитектуру и работает в рамках требований безопасности и контроля. Платформенный подход позволяет масштабировать ИИ без потери управляемости и с понятной экономикой внедрения», — заключает HiveTech.

Свяжитесь с нами —https://hivetech.uz/.