В целом, российский трек в развитии дистанционного банковского обслуживания совпадает с глобальным — используются решения на основе нейросетей, но специалитет связан с расширением продуктовых линеек, активным внедрением биометрии и кибербезопасности. Приоритеты крупнейших игроков в последний год заметно различались, что видно по релизам их цифровых продуктов. Комбинации этих тенденций появляются у других участников сектора, и становится заметно, чего ждать пользователям и финансовой сфере в приложениях в ближайшие несколько лет.

Биометрия: привилегии и возможности

Украсть ПИН-код гораздо проще, чем воспроизвести параметры лица клиента, поэтому растет интерес к биометрии. Она снижает количество действий, необходимых для получения услуги. Оценив перспективность инноваций, крупные банки стали экспериментировать с технологией еще в 2020 году.

Сбер сначала запустил оплату улыбкой, сделав технологию более массовой, затем предложил своим премиальным клиентам, подключившим функцию «распознавание лица», в 15 раз увеличить лимит переводов без визита в отделение. Этот шаг крупнейшего игрока на российском FinTech-рынке отражает очередной виток технологической эволюции. Впрочем, и другие крупные банки регулярно предлагают клиентам, которые предоставили свои данные в Единую биометрическую систему (ЕБС), престижные продукты и возможности.

Сегодня в России биометрические технологии распространены шире, чем в США или Европе. Отечественные пользователи охотнее делятся данными в обмен на привилегии и удобство. В США и ЕС более строгие правила регулирования сбора биометрии и нет государственной поддержки таких проектов.

Сейчас массовый сбор биометрии зависит от технических различий смартфонов. На iPhone его упрощают встроенные датчики. На Android (среднего и низкого ценового сегмента), где есть только камера, качество данных остается невысоким даже с использованием компьютерного зрения и нейросетей. Поэтому внедрить биометрию в мобильном банкинге быстро не получается.

Экосистемы и супераппы — удержание или усложнение?

Чем больше разных типов продуктов, тем больше точек взаимодействия с пользователем. Логика развития витрины в приложении: мобильный бан — главная «точка продаж», а чем больше функций клиент использует регулярно, тем выше его лояльность и, конечно, доходность для финансовой организации. Например, Т-Банк последовательно развивает модель экосистемы. В приложении появились разделы «Дом», «Авто», «Путешествия».

Тренд продажи вещей внутри приложения пришел к нам из Азии, фактически банки заходят на территорию маркетплейсов, конкурируя с ними. В Китае он прижился, в нашем «ЯндексGO» или Ozon — тоже (но для них банковские продукты вторичны).

Многие банки движутся в направлении экосистем и маркетплейсов, но в приоритете у пользователей банковского приложения остаются простота и удобство. Их оценивают по базовым функциям, которые используют регулярно. Также клиенты обращают внимание на возможности, которых нет у других банков, — бесшовный опыт, автозаполнение форм вместо ввода вручную, точность считывания QR-кодов и т.д.

В то же время для реализации политики супераппов нужны большие ресурсы, поэтому часть банков может перейти к сокращению функций внутри приложений в пользу основных суперсервисов.

Разработки: тренд — бюрократизация

Рост числа продуктов, которые банк предлагает через приложение, усложняет разработку. Непринципиально, идет ли речь о новом типе кредитной карты, о продаже товаров или билетов в кино — требуется сопоставимый объем работы.

При разработке продуктов приходится внедрять дополнительные процессы контроля, регламентации и согласования. Это снижает частоту релизов и приводит к «бюрократизации» процессов. По наиболее крупным изменениям сроки доходят до года, что негативно влияет на развитие приложений. Кроме того, часть необходимых изменений направлена на устранение неполадок и реализацию функций, определенных регулятором.

ИИ-агенты vs чат-боты: перспективы

В банках используются сценарные боты с элементами распознавания по заданным ключевым словам. Когда клиент пишет «Хочу открыть вклад», бот воспроизводит заготовленный блок информации и ожидает следующих ключей для продолжения диалога. Примитивные варианты ботов — сейчас обязательное решение. Они разгружают первую и вторую линии поддержки, обрабатывают типичные обращения, но не способны решить проблему клиентов самостоятельно, чем вызывают раздражение.

Следующий уровень развития — ИИ-агенты на базе больших языковых моделей (LLM). Интеграция LLM — один из главных фокусов для крупных банков: они дешевле и проще голосового ассистента, опираются на контекстную генерацию ответов, вместо заготовленных скриптов используют промты, формируют уникальные фразы, похожие на речь человека. Если клиенту неинтересен кредит, агент перестраивается и предлагает инвестиции, вклады, ценные бумаги.

Массовое внедрение ИИ-агентов пока ограничивается дороговизной вычислительных ресурсов, необходимых для качественного и стабильного решения сложных пользовательских запросов.

Нерегламентированное использование ИИ-моделей или нейросетей приводит к снижению качества обслуживания в банковских приложениях, один из ключевых запросов — «Позови человека». Также регуляторы рассматривают жалобы на решения, которые принимает ИИ, — например, отказы в кредитах. Такое решение сильно влияет на качество жизни людей, и его точно не должен принимать алгоритм.

«Полуготовая» персонализация

Пока персонализация на основе данных — прерогатива крупных банков, но в ближайшие несколько лет к этому придут все. Не менее важным, чем общение с ИИ-ассистентом, остается развитие пушей, баннеров и маркетинговых инструментов в приложениях.

Эффективной показала себя обработка данных с помощью машинного обучения. Подход един для всех участников рынка, но каждый банк разрабатывает собственные инфраструктуру и решения. Прогрессу способствуют открытые API-экосистемы и агрегаторы сервисов, готовые модули для платежей, скоринга, AML-проверок, бухгалтерии или PFM (управления личными финансами клиентов) через платформы крупных банков и специализированных провайдеров. Срок от понимания потребности до вывода продукта сокращается в десятки раз. В то же время персонализация предложений экономит до 30% маркетинговых инвестиций, информацию о продуктах видят только те, кто действительно готовы их использовать.

Цифровые двойники в основе безопасности

Дальнейшее развитие приложений зависит от изменения взаимодействия пользователя и мобильного устройства.

Новым ключевым элементом безопасности банкинга могут стать цифровые двойники. Виртуальные копии систем позволяют моделировать кибератаки (DDoS, SQL-инъекции) без риска для реальных сервисов.

Двойники конкретных пользователей на основе внешности, голоса, речевых и поведенческих паттернов, интегрированные с ИИ и реальными данными, помогут изолировать людей от кибермошенников, переключая внимание на себя. Кроме того, цифровой двойник синхронизирует визуальные и голосовые биометрические параметры, что затрудняет фишинг, подделку и атаки с применением deepfake-технологий. Банки смогут моделировать типичное поведение клиента в приложениях, выявлять подозрительные операции, отличные от типичных для пользователя запросов, и блокировать их до подтверждения. Некоторые финансовые организации уже тестируют такую технологию, в перспективе она позволит перейти от реагирования к предугадыванию, снижая финансовые потери от кибератак на 50–60%.

Ключевое условие успеха — интеграция двойников с BigData-платформами и системами мониторинга в реальном времени.

Глобальные тренды — для лидеров

Интерес западных Big Tech-компаний постепенно смещается в сторону голосовых ассистентов и расширенной реальности. В презентациях Google I/O ключевой темой стали ИИ-помощники и их интеграция в повседневные задачи. Аналогично запуск Apple Vision Pro развивает интерес к AR и XR как к новым каналам пользовательского опыта. Модель потребления поколений Z и альфа также показывает: голосовые ассистенты могут стать новым стандартом UX и будут востребованы как личные консультанты. В ближайшие несколько лет российские банки будут активно внедрять голосовых ассистентов, делая их стандартом в мобильных приложениях. Дополненная реальность станет массовой технологией чуть позже, когда появятся доступные устройства и востребованные сценарии. Лидерами внедрения останутся крупнейшие банки и динамичные финтех-компании, а массовый рынок подтянется вслед за ними. Сохранится и главный тренд: ориентация на удобство и экономию пользовательского времени, вопрос лишь в том, сколько лет у компаний уйдет на внедрение подобных технологий.