Когда говорят об искусственном интеллекте в финансовом секторе, чаще всего вспоминают чат-ботов, скоринг, антифрод или цифровых помощников для сотрудников. Но один из самых заметных эффектов ИИ сегодня возникает в менее публичной, хотя и куда более прикладной зоне — в работе с документами.

Документы по-прежнему сопровождают почти каждое важное действие клиента: оформление кредита, открытие счета, страховой случай, лизинговую сделку, проверку контрагента. Заявления, выписки, справки, анкеты, договоры и доверенности приходят в разном формате и разного качества. Даже в полностью цифровом процессе именно на этом этапе все нередко начинает замедляться: файл нужно открыть, разобраться, проверить, перенести данные в систему, а затем передать дальше по цепочке.

Долгое время компьютерное зрение решало здесь одну, в сущности, техническую задачу: переводило скан или фотографию в текст. Для современного банка этого недостаточно. Сегодня важно не просто распознать символы на странице, а понять, что именно поступило, какие сведения в документе значимы, можно ли на них опираться и какой шаг должен последовать дальше.

В этом и состоит главное изменение: компьютерное зрение перестает быть вспомогательной функцией и становится частью самого бизнес-процесса.

Документ больше не должен ждать сотрудника

Еще недавно путь любого документа выглядел вполне привычно. Клиент отправлял файл, сотрудник открывал его вручную, переносил нужные данные в систему, сверял реквизиты и передавал заявку дальше. Если документ оказывался неполным, плохо читаемым или данные в нем расходились с уже известной информацией, процесс останавливался.

Теперь логика меняется. Как только документ поступает в банк, система сама должна определить его тип, извлечь ключевые сведения, сверить их с внутренними данными, проверить комплектность и либо запустить следующий этап, либо передать кейс специалисту — но уже с понятным указанием, где именно возникла проблема.

Для банка это не просто автоматизация одной операции. Это сокращение самого дорогого ресурса в любом процессе — времени ожидания между действиями людей и систем.

Особенно заметен эффект в сложных сценариях. В одной кредитной заявке могут одновременно оказаться выписка по счету, финансовая отчетность, паспорт, договор, письмо клиента и несколько справок. Для человека это набор файлов, который нужно последовательно разбирать. Для интеллектуальной системы — поток связанных объектов, где нужно понять, что именно поступило, отделить один документ от другого, извлечь суммы и даты, сопоставить их с уже известной информацией и показать специалисту только то, что действительно требует внимания.

В ряде случаев этого уже достаточно, чтобы начать анализ заявки, не дожидаясь полного комплекта документов.

Недостаточно распознать текст — нужно понять смысл

Обычное OCR отвечает на базовый вопрос: какие символы находятся на странице. Банковскому процессу этого мало. Важно определить, что перед системой — справка о доходах, платежное поручение, доверенность или договор, где именно находятся нужные условия, какая дата относится к подписанию, а какая — к сроку действия, и нет ли противоречий между документом и данными, которые уже есть у банка.

Поэтому зрелое решение строится не на одной технологии, а на их сочетании. Компьютерное зрение работает с самим изображением: страницами, таблицами, подписями, печатями, рукописными фрагментами, качеством скана. Языковые модели помогают понять структуру нестандартного документа и извлечь из него значимые для процесса сведения. Правила и интеграции с внутренними системами проверяют, можно ли использовать эти данные в реальной операции.

Только такая связка дает прикладной результат. Иначе даже очень точное распознавание останется отдельным окном, из которого сотруднику все равно придется вручную переносить данные в рабочую систему.

От OCR-сервиса — к агенту-распознавателю

В Совкомбанке эту функцию называют агентом-распознавателем. Разница здесь принципиальная. Речь идет уже не о сервисе, который просто возвращает текст из файла, а о полноценном участнике операционного контура.

Такой агент принимает документ, проверяет его качество, определяет тип, извлекает реквизиты, сверяет их с правилами и внутренними данными, а затем направляет результат либо в нужную систему, либо специалисту. Если все в порядке, процесс идет дальше без лишней паузы. Если данных не хватает, документ плохо читается или система видит противоречие, она не пытается угадывать ответ, а фиксирует неуверенность и сразу показывает, что именно требует проверки.

Для финансовой организации это критически важный момент. Ошибка в названии файла может оказаться безобидной. Ошибка в сумме, сроке договора, реквизитах клиента или признаке подписи — уже нет. Поэтому надежность здесь определяется не только качеством извлечения данных, но и способностью системы вовремя остановиться там, где цена ошибки слишком высока.

По сути, зрелость такого решения измеряется не тем, насколько убедительно оно ведет себя в простых случаях, а тем, насколько корректно оно работает в сложных.

Масштаб начинается с повторного использования

Сегодня агент-распознаватель в Совкомбанке работает более чем со 145 типами документов и подключен более чем к 20 бизнес-системам. За последний месяц через него прошло более 300 тысяч документов.

Важны здесь не только цифры, сколько вывод, который за ними стоит. Распознавание документов перестало быть локальным экспериментом для одного продукта или подразделения. Оно становится общей технологической способностью, которую можно использовать в разных процессах и в разных компаниях группы.

У банка, страхового бизнеса, лизинга или брокера разные клиенты, разные продукты и разные регуляторные требования. Но логика работы с документами во многом одна и та же: принять файл, определить его тип, извлечь данные, проверить полноту, найти расхождения и передать результат дальше.

Поэтому не имеет смысла каждый раз строить такую систему заново. Намного эффективнее один раз создать общую платформу — с единым каталогом документов, механизмами распознавания и проверки, журналом действий, контролем доступа и правилами работы с персональными данными, — а затем адаптировать прикладные сценарии под конкретный бизнес.

Так и появляется масштаб: не за счет тиражирования одинаковых решений, а за счет повторного использования общей основы.

Для бизнеса важно успешное действие

Системы распознавания традиционно любят оценивать по точности: какой процент полей извлечен верно. Это важный показатель, но сам по себе он мало что говорит бизнесу. Главный вопрос в другом: стал ли быстрее и надежнее сам процесс.

Куда важнее понять, какая доля документов проходит без ручного ввода, сколько времени занимает путь от поступления файла до следующего действия, как часто система правильно выделяет случаи, где действительно нужен человек, насколько сокращается стоимость обработки одного документа и сколько ошибок или повторных запросов клиенту удается избежать.

Есть и еще один принципиальный параметр — стоимость ошибки. Она разная для разных документов и разных реквизитов. Неверно распознанное поле в архивной бумаге и ошибка в платежных реквизитах — это несопоставимые риски. Именно поэтому качество таких систем нельзя измерять одной усредненной цифрой. Для критичных данных должны действовать более жесткие правила проверки и более низкие пороги автоматического решения.

Такой подход позволяет не выбирать между скоростью и контролем. Он дает возможность автоматизировать массовый и понятный поток, сохраняя участие человека там, где его решение действительно необходимо.

Человек не исчезает, но его роль меняется

Разговоры о полном исчезновении человека из документного процесса звучат эффектно, но в реальной банковской практике не работают. Машина лучше справляется с повторяющимися действиями: читает документы, ищет реквизиты, сопоставляет поля, проверяет комплектность, направляет данные в нужный процесс. Человек по-прежнему нужен в исключениях, спорных ситуациях, нестандартных сценариях и там, где цена ошибки особенно высока.

При этом меняется сама работа специалиста. Вместо механического переноса данных из одного окна в другое он получает уже подготовленный кейс: система собрала документы, выделила ключевые поля, показала расхождения и обозначила точку, где требуется решение.

Это не отмена экспертизы, а ее более точное применение.

Следующий этап — видеть поток целиком

По оценке Совкомбанка, дорожная карта развития агента-распознавателя выполнена примерно на 45%. Уже реализуются подключение систем-источников, классификация документов, извлечение и проверка атрибутов, адаптация процессов. Следующий большой шаг — маршрутизация: когда распознанные данные перестают быть просто результатом обработки и начинают автоматически запускать следующий этап бизнес-процесса.

Дальше система должна работать не с отдельным файлом, а с потоком целиком. Понимать, каких документов не хватает в заявке. Замечать, что новый файл противоречит сведениям, полученным ранее. Подсказывать, какое действие можно начать уже сейчас, а где нужно дождаться ответа клиента или подключить эксперта.

В этой модели документ перестает быть препятствием между клиентом и решением. Он становится событием, понятным системе.

Что это меняет для ИТ-рынка

История с документами в банке важна не только для финансового сектора. Она хорошо показывает, как меняется корпоративный ИИ в целом. Первый этап автоматизации: распознать, классифицировать, извлечь. Второй — встроить эту функцию в реальный операционный контур, где важны скорость, надежность, цена ошибки и возможность масштабирования.

Именно здесь компьютерное зрение переживает новое рождение. Оно больше не ограничивается оцифровкой бумаги. Оно становится частью инфраструктуры принятия решений, который помогает ускорять процессы, снижать объем ручной работы и не терять контроль там, где ошибка обходится особенно дорого.

И это, пожалуй, главный сдвиг. Банк больше не просто читает документы. Он учится работать с ними как с данными, которые сразу включаются в процесс. Для ИТ-рынка это важный сигнал: ценность ИИ сегодня определяется не эффектной демонстрацией технологии, а тем, насколько глубоко она встроена в бизнес и насколько заметно меняет его повседневную механику.