Кейс AI в финансах: автоматизация обработки заявок в МФО

Микрофинансовая организация (МФО), федеральный масштаб, 15 региональных офисов, ~3 500 заявок в неделю. За 8 недель внедрили AI-агентов для автоматизации приёма, классификации и предварительной оценки заявок на микрозаймы. Итог: -52% время обработки заявки, -28% ошибки классификации, +15% доля одобренных заявок (за счёт корректной маршрутизации). Данные анонимизированы и агрегированы (152-ФЗ).

1) Клиент и исходная ситуация

Профиль. Микрофинансовая компания (МФК), входит в реестр ЦБ РФ. 15 региональных офисов, онлайн-платформа, мобильное приложение. Продукты: микрозаймы до 1 млн руб. на срок до 12 месяцев для физических лиц и ИП. Объём: ~3 500 заявок в неделю, 60 кредитных аналитиков.

Боли:

• Долгая обработка заявок. Среднее время от подачи заявки до решения --- 47 минут. Клиенты ожидают ответ «за 15 минут» (обещание на сайте), но реальное время в пиковые часы --- до 2 часов.
• Ошибки классификации. Аналитики вручную определяют тип продукта, категорию риска и необходимые документы. Ошибка классификации приводит к запросу лишних документов (клиент уходит) или к недостаточной проверке (рост просрочки).
• Неоднородность решений. Разные аналитики по-разному оценивают одинаковые заявки. Скоринговая модель даёт балл, но интерпретация и решение --- на усмотрение аналитика.
• Потеря заявок. ~12% заявок «зависали» в очереди более 2 часов; часть клиентов уходила к конкурентам.

Базовые метрики (4 недели до пилота):

Цель пилота (8 недель). Сократить TAT до ≤25 мин, снизить ошибки классификации до ≤13%, повысить пропускную способность без наращивания штата, не ухудшив качество портфеля (просрочка).

2) KPI и дизайн эксперимента

Целевые метрики:

• TAT (Time to Approval/Decline, медиана): ≤ 25 мин.
• Ошибки классификации: ≤ 13%.
• Доля одобренных заявок: ≥ 58% (за счёт корректной маршрутизации, а не снижения требований).
• Заявки «зависшие» >2ч: ≤ 5%.
• Просрочка 30+ (контроль): не выше 8.5% (не ухудшить качество портфеля).

Дизайн. A/B-тест: группа A --- стандартный процесс (аналитик без AI), группа B --- аналитик + AI-агент. Распределение инцидентное, выравнивание по каналам (онлайн/офлайн), регионам и времени суток. Еженедельный отчёт по метрикам.

3) AI в финансах: автоматизация обработки заявок

Компоненты

• Агент-классификатор. Автоматически определяет тип продукта (краткосрочный/долгосрочный, физлицо/ИП), категорию риска (низкий/средний/высокий) и необходимый набор документов. На входе --- анкетные данные, скоринговый балл, данные из БКИ.
• RAG-база знаний. Кредитная политика, регламенты андеррайтинга, критерии одобрения/отказа, шаблоны решений, FAQ по продуктам --- в векторном индексе с гибридным поиском. Агент генерирует рекомендацию с цитатами из регламента.
• Агент-ассистент аналитика. Формирует черновик решения: краткое резюме заявки, выявленные риски, рекомендация (одобрить/отказать/запросить документы) со ссылками на пункты кредитной политики. Аналитик проверяет и утверждает.
• Маршрутизатор. Распределяет заявки по аналитикам на основе: категории риска, специализации аналитика (ИП, крупные суммы, повторные клиенты), загрузки.
• Интеграция. Скоринговая система (API), БКИ (API), внутренняя CRM, АБС (автоматизированная банковская система).

Архитектура

Поток обработки заявки (с AI)

1. Приём заявки (0--1 мин). Клиент заполняет анкету (сайт/приложение/офис). Данные поступают в систему.
2. Автоклассификация (1--2 мин). Агент-классификатор анализирует анкету, запрашивает скоринг и БКИ, определяет: тип продукта, категорию риска, набор документов, рекомендуемый лимит.
3. Маршрутизация (мгновенно). Заявка направляется подходящему аналитику с учётом специализации и загрузки.
4. Черновик решения (2--5 мин). Агент-ассистент генерирует резюме: ключевые факторы (доход, долговая нагрузка, кредитная история), выявленные риски, рекомендация с цитатами из кредитной политики.
5. Проверка аналитиком (5--15 мин). Аналитик видит структурированный черновик, проверяет ключевые параметры, утверждает или корректирует решение.
6. Оформление (автоматически). При одобрении --- документы формируются в АБС, клиент получает уведомление.

Итого: 8--23 минуты вместо 47 минут.

4) Пилот: план на 8 недель

• Неделя 1: Аудит процесса обработки заявок. Анализ выборки 1 000 заявок: типы ошибок классификации, причины «зависания», разброс решений по аналитикам. Согласование KPI с риск-менеджментом.
• Неделя 2: Инжест документов: кредитная политика (5 версий за год), регламенты андеррайтинга, матрица полномочий, шаблоны решений --- в RAG-индекс. Настройка интеграции со скорингом и БКИ.
• Неделя 3: Разработка агента-классификатора: обучение на исторических данных (10 000 заявок с разметкой). Тестирование: точность классификации на hold-out выборке.
• Неделя 4: Разработка агента-ассистента: промпты, логика генерации черновика, привязка цитат к пунктам кредитной политики. Закрытый тест с 5 аналитиками.
• Неделя 5: A/B-запуск на 20% заявок. Мониторинг: TAT, ошибки классификации, качество черновиков (оценка аналитиками). Ежедневный разбор отклонений.
• Неделя 6: Расширение до 40% заявок. Тюнинг промптов и порогов классификации. Добавление маршрутизатора.
• Неделя 7: Масштаб до 70% заявок. Контроль метрики просрочки --- сравнение группы A и B. Нагрузочное тестирование.
• Неделя 8: Финальные метрики, расчёт ROI, план масштабирования на 100% заявок. Отчёт для риск-комитета.

5) Результаты (8 недель)

Итоговые KPI

Детали

• Классификация. Агент-классификатор корректно определяет тип продукта в 94% случаев (vs. 82% у аналитиков). Основной выигрыш --- на сложных случаях (ИП, нестандартный доход), где аналитики чаще ошибались.
• Одобрение +15%. Рост доли одобрений --- не за счёт снижения требований, а за счёт корректной маршрутизации: заявки попадают к специализированным аналитикам, которые умеют работать с нестандартными случаями. Ранее такие заявки отклонялись «на автомате».
• Просрочка не выросла. Контрольная метрика 30+ дней: 8.1% в группе B vs. 8.4% в группе A. Качество портфеля не пострадало; риск-комитет утвердил масштабирование.
• Аналитики. 85% аналитиков оценили черновики как «полезные» или «очень полезные». Основная ценность --- структурированное резюме с цитатами из кредитной политики, которое экономит время на поиск регламентов.

ROI (8 недель, оценка)

• Экономия на обработке: (680 - 410) руб. x 3 500 заявок/нед. x 8 нед. = 7 560 000 руб.
• Прирост дохода от одобрений: +8% одобрений x 3 500 x 8 нед. x 15 000 руб. средний заём x 0.25 маржа = 8 400 000 руб.
• Снижение потерь от «зависших» заявок: восстановлено ~287 заявок/нед. x 15 000 руб. x 0.52 (доля одобрения) x 0.25 x 8 = 4 472 400 руб.
• Итого эффект: 20 432 400 руб.
• Стоимость пилота: разработка + интеграция + инфра + LLM = 1 800 000 руб.
• ROI: (20 432 400 - 1 800 000) / 1 800 000 = 10.4x (~1 040%).
• Окупаемость: ~5 дней.

Примечание: эффекты рассчитаны на агрегированных данных; цифры обезличены, методология и формулы доступны в «ROI чат-ботов за 8 недель».

6) Что сработало лучше всего

• Черновик с цитатами. Аналитик видит не просто «одобрить/отказать», а структурированное обоснование со ссылками на конкретные пункты кредитной политики. Это ускоряет проверку и стандартизирует решения.
• Автоклассификация ИП. Заявки от ИП --- самая сложная категория (нестандартный доход, несколько видов деятельности). Агент-классификатор выучил паттерны и снизил ошибки с 31% до 12% для этого сегмента.
• Маршрутизация по специализации. Распределение заявок с учётом экспертизы аналитика (ИП, крупные суммы, повторные клиенты) дало основной прирост одобрений --- сложные заявки перестали отклоняться «по умолчанию».
• Контроль просрочки в A/B. Параллельный мониторинг просрочки в группах A и B позволил риск-комитету утвердить масштабирование с уверенностью.

7) Что не сработало / ограничения

• Полностью автоматическое решение. Регулятор (ЦБ РФ) и внутренняя политика требуют, чтобы решение по заявке принимал человек. AI --- ассистент, не decision-maker.
• Редкие типы заявок. На заявках с нестандартным залогом или сложной структурой дохода (фриланс + ИП + совместительство) точность классификации ниже --- 78%. Нужна дополнительная разметка.
• Интеграция с АБС. Автоматическое оформление при одобрении потребовало доработки API на стороне АБС (3 недели дополнительно, не входило в пилот).

8) Масштабирование

1. 100% заявок. Масштабирование AI-агентов на весь поток заявок (утверждено риск-комитетом).
2. Мониторинг портфеля. AI-агент для раннего обнаружения рисков: анализ поведения заёмщиков, предиктивные алерты по просрочке.
3. Чат-бот для клиентов. Автоматические ответы на вопросы по статусу заявки, графику платежей, досрочному погашению.
4. Дообучение модели. Ежемесячный фидбек-луп: аналитики отмечают «хорошие» и «плохие» черновики, модель дообучается на новых данных.
5. Расширение продуктовой линейки. Адаптация агентов для новых продуктов (POS-кредитование, кредитные карты).

9) Комплаенс (152-ФЗ, требования ЦБ РФ)

• Все ПДн заёмщиков обезличены в RAG-индексе; в промптах LLM передаются только агрегированные характеристики (категория дохода, скоринговый диапазон), без ФИО, паспортных данных, ИНН.
• Данные из БКИ обрабатываются on-prem и не покидают контролируемый контур.
• Решение по заявке принимает аналитик (человек); AI формирует рекомендацию, но не является decision-maker. Это соответствует требованиям ЦБ РФ к использованию AI в кредитном процессе.
• Ведётся полный аудит-лог: вход → классификация → черновик → решение аналитика → оформление. Каждый шаг с timestamp, ID аналитика, версией модели.
• Доступ к данным --- RBAC/ACL; журнал доступа хранится 5 лет (требование регулятора).
• Проведена DPIA; результаты утверждены DPO и согласованы с юридической службой.

FAQ

Не ухудшится ли качество портфеля при росте одобрений? Контролируем просрочку 30+ параллельно в A/B. За 8 недель просрочка не выросла (8.1% vs. 8.4%). Рост одобрений --- за счёт корректной маршрутизации, а не снижения требований.

Может ли AI полностью заменить аналитика? На текущем этапе --- нет. Регулятор требует, чтобы решение принимал человек. AI сокращает рутину и стандартизирует решения, но финальное слово --- за аналитиком.

Как обеспечивается актуальность кредитной политики в RAG? При обновлении кредитной политики (в среднем раз в квартал) запускается переиндексация. Версии документов фиксируются; в цитатах указывается номер и дата версии.

Сколько стоит масштабирование на 100% заявок? Инфраструктура пилота рассчитана на ~5 000 заявок/нед. Масштабирование до 10 000 заявок/нед. требует дополнительного GPU-сервера (~2.5 млн руб.) и расширения кластера Qdrant.

Хотите автоматизировать обработку заявок в вашей финансовой организации? Мы проведём аудит процессов, спроектируем AI-агентов и запустим пилот за 8 недель. Оставьте заявку или свяжитесь с нами.

Связанные материалы

Методология:

• AI-аудит бизнес-процессов: полный разбор --- как мы диагностировали процессы
• ROI чат-ботов за 8 недель: методика расчёта с шаблоном --- расчёт окупаемости

Технические детали:

• Настройка on-prem AI: архитектура и пошаговый план --- развёртывание на собственной инфраструктуре
• 152-ФЗ и внедрение AI --- полный разбор правовых требований

Другие кейсы:

• Кейс --- Ритейл: AI-консультант для сети магазинов --- автоматизация клиентского сервиса
• Кейс --- Дистрибуция: -41% времени ответа --- AI-агент + CRM
• Кейс --- Сервис: -28% TTR, -32% просрочек SLA --- оптимизация поддержки