Технический директор финтеха обычно приходит с одним вопросом: мы хотим ИИ, но не хотим проблем с регулятором, с данными клиентов и с собственной командой безопасности. Консультант по искусственному интеллекту в такой ситуации не пишет модель за вас. Он помогает принять восемь решений в правильном порядке, пока код ещё не написан и ошибка стоит час разговора, а не квартал переделки.

Коротко. ИИ-консультант для CTO финтеха сортирует сценарии по риску, сравнивает облачные и локальные модели по региону данных и условиям договора, описывает, что уходит в запрос к модели, а что нет, и составляет план проверки качества. Мы в Lytvynov Production делаем это в трёх форматах: fractional AI CTO за 2 500 или 4 500 USD в месяц, технический аудит за 3 500 USD и AI Sprint за 10 000 USD на 4 недели. Антон Литвинов, основатель компании, работает именно как fractional CTO для команд, которые строят продукты с ИИ.

Сразу о границах. Мы не юристы и не заменяем ваш комплаенс: всё о требованиях регуляторов ниже это ориентиры из первичных документов со ссылками, а не юридическая консультация. И мы не публикуем ИИ-проектов для банков: клиентов, которых у нас нет, мы не выдумываем. Что у нас есть, написано в разделе об опыте.

Восемь решений, с которыми приходит CTO финтеха

Порядок важен. Каждое следующее решение опирается на предыдущее, поэтому консультация обычно идёт именно так.

Какой сценарий брать первым

В финтехе чаще всего встречаются четыре сценария: поддержка клиентов, разбор документов для KYC, объяснение антифрод-срабатываний для аналитика и внутренний ассистент по регламентам. Отличаются они ценой ошибки. Ошибка ассистента по регламентам стоит минуту времени сотрудника. Ошибка в разборе паспортных данных может стоить отказа клиенту или, хуже, пропущенного риска. Поэтому первым берём сценарий, где результат проверяет человек, а данные не выходят из вашего контура. Скоринг и блокировку операций оставляем на второй этап.

Облачная или своя модель

Облачная модель (OpenAI, Claude, Gemini, чаще всего через Azure, Amazon Bedrock или Google Cloud) даёт лучшее качество и запускается за дни. Своя модель (Llama, Mistral, Qwen на ваших серверах) даёт полный контроль над данными, но требует GPU, команды для сопровождения и, как правило, даёт более низкое качество на сложных задачах. Правило, которое мы применяем: если в запросе нет персональных и банковских данных, берём облачную модель. Если есть, сначала спрашиваем, можно ли их убрать, и только потом решаем между облаком с нулевым хранением и локальной моделью. Сравнение облачных вариантов ниже в таблице.

Где лежат данные и что летит в запрос

Это решение весомее выбора модели. Модель может быть с нулевым хранением, а приложение всё равно отправляет туда полную карточку клиента, потому что так проще писать код. Мы описываем для каждого сценария, какие именно поля нужны, маскируем остальное и храним собственный журнал запросов в вашем контуре. Принцип минимизации данных прямо назван среди принципов дискуссионного документа НБУ: использовать только те данные, которые необходимы и релевантны для цели.

Как объяснять решения модели

Для моделей, которые оценивают клиентов, используют методы вроде SHAP и LIME: они показывают, какие признаки больше всего повлияли на результат. Это уместно для классических моделей на табличных данных, например скоринга или антифрода. Для языковой модели, которая отвечает на вопросы, объяснение выглядит иначе: ответ со ссылкой на документ, из которого он взят, и возможностью проверить. Выбирая метод, мы смотрим, касается ли решение клиента или только сотрудника.

Сценарий Что нужно показать Как это делаем
Внутренний ассистент по регламентам Откуда взят ответ Ссылка на документ и фрагмент, оценка от сотрудника
Чат-бот поддержки Что сказано клиенту и когда передано человеку Полный журнал разговора, маркировка ответа как сгенерированного ИИ
Антифрод-срабатывание для аналитика Почему система подняла флаг Влияние признаков по SHAP или похожему методу, окончательное решение за человеком
Кредитный скоринг Почему клиент получил такую оценку Объяснение для клиента, пересмотр по запросу, валидация на предвзятость и документация модели

Чем выше в таблице, тем легче. Чем ниже, тем больше работы и больше требований, в том числе по AI Act, о которых ниже.

Журнал и аудит

Для каждого вызова модели пишем: кто и когда обратился, какая версия модели и инструкции ответила, какие поля ушли в запрос (с масками), что вернулось и что сделал человек. Это нужно не только регулятору. Когда после обновления модели поведение изменилось, только журнал показывает, когда именно. Журнал должен жить у вас, а не только у поставщика.

Как оценивать качество

Собираем набор реальных примеров, обычно от 30 до 100, с правильными ответами от ваших специалистов и прогоняем модель перед каждым изменением. Для финтеха добавляем отдельные проверки: не раскрывает ли модель лишнего, не выполняет ли инструкций, спрятанных в тексте документа, одинаково ли работает для разных групп клиентов. Дискуссионный документ НБУ ожидает, что участники рынка будут рассматривать тестирование и валидацию моделей как минимум раз в квартал, а также проверку в нестандартных условиях: при сбоях и неполноте данных, при масштабировании.

Сколько это стоит

Составляющих четыре: разработка, токены модели, облако или серверы, сопровождение. Разработку фиксируем: AI Sprint 10 000 USD. Токены зависят от объёма, и мы показываем расчёт на ваших реальных запросах, а не на общих цифрах. Облако для небольшого сервиса редко становится главной статьёй, а вот сопровождение, то есть обновления моделей, проверка качества и поддержка интеграций, стоит закладывать в бюджет с первого дня.

Кто в команде

Для первого сценария обычно хватает одного бэкенд-разработчика, человека со стороны продукта, который знает процесс, и представителя комплаенса или безопасности, который видит описание системы до запуска. ML-инженер нужен, когда вы обучаете или дообучаете собственные модели. Для чат-бота или ассистента на готовой модели он часто лишний. Если такой команды нет, её роль на старте выполняет консультант, а дальше мы помогаем нанять нужных людей, не оставляя вас с компанией, от которой невозможно уйти.

Какие облачные модели подходят для данных клиентов

Таблица собрана из официальных документов поставщиков и проверена 19.11.2026. Условия меняются, поэтому перед решением откройте первоисточник. Цены в таблицу мы не выносим сознательно: у всех вариантов оплата идёт за токены или за вычислительные ресурсы, а тарифы меняются чаще, чем условия о данных. Последний столбец это наша инженерная оценка, а не вывод регулятора.

Вариант Регион данных Договор об обработке данных Оплата Пригодность для персональных данных (наша оценка) Источник
OpenAI API Есть отдельная страница о data residency, регионы смотрите там Подписывается в учётной записи За токены Для обезличенных данных да. Для персональных нужны нулевое хранение по отдельному одобрению и юридическая оценка. Логи до 30 дней developers.openai.com
Claude API (Anthropic) Уточняйте в условиях вашего тарифа Входит в коммерческие условия За токены Аналогично: по умолчанию не обучается на ваших данных, удаление в течение 30 дней, нулевое хранение по соглашению privacy.claude.com
Gemini через Google Cloud (Vertex AI) Региональный эндпоинт держит кэш в выбранном регионе, глобальный может обслуживать из любого Условия Google Cloud За токены Приемлемо, если вы уже в Google Cloud и выбрали региональный эндпоинт docs.cloud.google.com
Azure OpenAI (Microsoft Foundry) География ресурса, DataZone для ЕС обрабатывает данные в пределах ЕС Microsoft Products and Services DPA За токены Кратчайший путь, если вы уже на Azure и имеете там договоры learn.microsoft.com
Amazon Bedrock Регион AWS, который вы выбрали Условия AWS, отдельная страница о GDPR За токены Аналогично Azure: для тех, кто уже в AWS aws.amazon.com/bedrock/faqs
Локальная модель (Llama, Mistral, Qwen через vLLM) Ваш дата-центр или облако Не нужен, но проверьте лицензию модели За оборудование и сопровождение Наивысший контроль над данными, наивысшие затраты на сопровождение vLLM

Все пять облачных вариантов при бизнес-использовании по умолчанию не обучаются на ваших данных. Отличается то, что происходит после запроса: сколько дней журналы лежат у поставщика, кто может их прочитать и в каком регионе обрабатывается запрос. Подробнее об этом, о маскировании и о 15-пунктном чек-листе мы писали в гайде о конфиденциальных данных и ИИ.

Что написано в документах регуляторов

Ниже только то, что мы прочитали в первичных документах и проверили 19.11.2026. Это ориентиры для разговора с вашим юристом.

НБУ: дискуссионный документ об ИИ

Национальный банк опубликовал дискуссионный документ об этичном и ответственном использовании ИИ участниками рынка финансовых услуг (файл на bank.gov.ua, датирован 24.03.2026). Это консультативный документ, а не обязательная норма: по его собственной формулировке, он направлен на дальнейшее формирование политики, в частности Белой книги. Что в нём важно для CTO.

Специального закона об ИИ в Украине нет, и документ прямо это признаёт: использование ИИ регулируется опосредованно, через требования к управлению рисками, защите прав потребителей и информационной безопасности. По опросу НБУ в ноябре 2025 года, в котором участвовали 208 участников рынка, 64% сообщили об использовании решений на ИИ или машинном обучении, и 23% из них об активном использовании.

Принципов десять. Для технического директора полезнее всего такие: риск-ориентированный подход (классифицировать системы ИИ по уровням риска самостоятельно), минимизация данных, чёткие договорные условия с поставщиками, запрещающие несанкционированное использование данных или обучение моделей, надзор человека, когда результат может иметь правовые или финансовые последствия, и права клиентов: знать, когда ИИ существенно влияет на решение, получать объяснение и требовать пересмотра. Отдельно документ советует иметь процедуры остановки или вывода системы из эксплуатации и оценивать критичность поставщиков ИИ, включая возможность их замены.

Предложения и замечания НБУ просит присылать на [email protected].

НБУ: постановление об облачных вычислениях

Постановление Правления НБУ от 25.08.2025 № 99 утвердило Положение о порядке применения технологии облачных вычислений. Оно вступило в силу 1 ноября 2025 года, текст опубликован на сайте НБУ. Требования распространяются на банки, поставщиков финансовых услуг, операторов платёжных систем и других, кто пользуется облачными услугами. Что из него следует для ИИ.

Учреждение может пользоваться облаком в форматах IaaS, PaaS, SaaS и SECaaS, самостоятельно выбирая поставщика, в частной, публичной, коллективной или гибридной модели. Запрещено привлекать поставщиков, которые являются резидентами государства-агрессора, имеют таких бенефициаров или обрабатывают данные в центрах обработки данных на территории государства-агрессора или временно оккупированной территории, а также подсанкционных. Запрет действует и для цепочки услуг через партнёров поставщика. Договор должен содержать, в частности, ежегодное предоставление сертификатов соответствия стандартам информационной безопасности, условия возврата и безопасного удаления данных, уведомление о смене партнёров поставщика и право учреждения расторгнуть договор в одностороннем порядке, если такая смена повышает риски. Учреждения, которые уже пользовались облаком, имели шесть месяцев с момента вступления в силу, чтобы передать НБУ информацию о действующем договоре и привести его в соответствие.

Для ИИ это означает простую вещь: когда вы подключаете OpenAI, Claude или Gemini к продукту регулируемого учреждения, поставщик модели это облачная услуга, и договор с ним должны проверить на эти пункты. Подходит ли именно ваш договор, решает комплаенс. Наша задача, чтобы архитектура позволяла заменить поставщика без переписывания продукта.

EU AI Act и GDPR

Если у вас есть клиенты в ЕС, действует AI Act. Для финтеха главное: ИИ-системы для оценки кредитоспособности физических лиц относятся к высокому риску по приложению III регламента (перечень сфер на AI Act Service Desk). По графику, который действует после Digital Omnibus (Регламент (ЕС) 2026/1744), правила для таких систем применяются с 2 декабря 2027 года, а требования к прозрачности для чат-ботов уже действуют. Чат-бот поддержки, внутренний ассистент или поиск по документам относятся к более лёгким уровням. Полный разбор дат и обязанностей мы сделали в гайде об EU AI Act.

GDPR (Регламент (ЕС) 2016/679) касается вас, если вы предлагаете услуги людям в ЕС или обрабатываете данные по поручению европейской компании. Поставщик модели тогда ваш обработчик, и с ним нужен договор обработки данных. Для Украины действует ещё закон «О защите персональных данных» от 01.06.2010 № 2297-VI (zakon.rada.gov.ua): статья 29 регулирует передачу данных за границу, и этот вопрос задайте юристам до того, как запрос с персональными данными уйдёт на сервер поставщика за пределами Украины.

Как мы работаем с финтех-командами

Формат зависит от того, на каком этапе вы сейчас.

Если ИИ-стратегии ещё нет, а команда не знает, с чего начать, подходит fractional AI CTO: 2 500 USD в месяц в базовом формате или 4 500 USD при более глубоком участии. Мы составляем порядок сценариев, выбираем модели, описываем потоки данных, сидим на разговорах с комплаенсом и помогаем нанять команду. Ориентировочные первые 90 дней и расчёт стоимости описаны в отдельной статье сколько стоит fractional CTO.

Если уже есть план или прототип и хочется независимой оценки, берём технический аудит за 3 500 USD: смотрим архитектуру, поток данных, выбор модели, журнал и тесты, и даём письменный отчёт с рисками и приоритетами. Всё, что мы пишем в отчёте, опирается на факты из вашего кода и документов, а не на предположения.

Если выбор сделан и нужен рабочий результат, берётся AI Sprint: 4 недели, 10 000 USD, один сценарий с измеримой метрикой. Общий обзор услуг: ИИ-консалтинг.

Какие бывают честные причины не обращаться к консультанту. Если у вас уже есть опытный ML-лид, который понимает требования регулятора, консультант для вас лишь ещё один разговор. Если ваш сценарий это скоринг на собственной модели, вам скорее нужен специалист по валидации моделей, а не мы.

Что уже делала наша команда

Об опыте скажем прямо и без прикрас. Банковских ИИ-проектов в нашем портфолио нет. Есть два связанных направления. Первое: платёжная и криптовалютная часть. Для клиента из Бельгии мы сделали цифровую платформу с маркетинговыми исследованиями в игровом формате, конвертацией между фиатными средствами и токеном и защищённым криптокошельком, веб и мобильные приложения на Android и iOS, с поддержкой более 10 языков (кейс). Это не ИИ-проект, но это опыт работы с деньгами, ролями и безопасностью пользователя.

Второе: ИИ в продуктах. Наша команда разработала AI Resume Master, отдельный продукт с ИИ, а для клиентов мы строим агентов и интеграции с моделями. Также мы сделали ERP для американской компании по обслуживанию самолётов, где есть роли, журналы действий и контроль соответствия, и именно такие вещи нужны финтеху вокруг ИИ.

Ошибки, которых проще всего избежать на старте

Первая: начинают с выбора модели. Команда неделю сравнивает бенчмарки, а потом выясняется, что в сценарий нельзя отправлять те поля, без которых он не работает. Порядок должен быть обратный: сначала данные и риск, потом модель.

Вторая: пилот без измеримой цели. «Посмотрим, что получится» в финтехе не работает, потому что любой результат потом придётся объяснять комплаенсу, а объяснять нечем. До начала работы записываем одну метрику и порог: например, сколько из тестовых запросов ассистент закрывает правильно и без опасного действия. Дискуссионный документ НБУ прямо говорит, что применение ИИ не должно быть формальным или экспериментальным, а только обоснованным и проверенным.

Третья: привязка к одному поставщику. Модели меняются быстрее договоров. Если промпты, формат ответов и проверки разбросаны по коду, переход на другую модель становится отдельным проектом. Мы ставим между продуктом и моделью тонкий слой, через который поставщика можно заменить, а набор тестов прогнать на новой модели за день. Это соответствует тому, что НБУ советует в отношении возможности контроля или замены поставщика ИИ.

Четвёртая: журнал, который ведёт только поставщик. Когда нужно показать, что произошло с конкретным обращением клиента три месяца назад, собственный журнал даёт ответ, а запрос в чужой сервис может его не дать.

Пятая: сотрудники с личными аккаунтами. Запрет на ChatGPT без альтернативы не работает. Работает официальный инструмент с правилами, что можно вставлять, а что нет, и с журналом.

С чего начать на этой неделе

Запланируйте разговор на 30 минут с комплаенсом и безопасностью, а не только с разработкой. Составьте список из пяти кандидатов на первый сценарий и поставьте напротив каждого три ответа: есть ли там персональные данные, проверяет ли результат человек, можно ли измерить успех за месяц. Просмотрите договор с вашим облачным поставщиком на пункты постановления № 99. И запишите, кто в компании отвечает за результат ИИ-системы. Если хотите пройти это вместе, напишите нам.

Автор: Антон Литвинов, основатель Lytvynov Production. Материал не является юридической консультацией: требования регуляторов меняются, перед решением сверяйтесь с официальными источниками и консультируйтесь с юристом. Дата обновления: 19.11.2026.

Наши гайды об ИИ и разработке вверху вашего Google?

Добавьте Lytvynov Production как предпочтительный источник, и Google будет показывать наши новые гайды об ИИ-агентах, стоимости MVP и заказной разработке выше в выдаче.

Кейсы

Частые вопросы

Запрета на облачные модели как таковые в документах НБУ мы не нашли. Постановление № 99 от 25.08.2025 разрешает учреждениям пользоваться облачными услугами, но выдвигает условия к договору и запрещает поставщиков, связанных с государством-агрессором. На практике это значит: нужен договор с нужными пунктами, известный регион обработки, запрет обучения на ваших данных и оценка, отправляете ли вы вообще персональные данные. Окончательное решение принимает ваш комплаенс, мы готовим техническую часть.

Действует, если результат работы вашей ИИ-системы используют в ЕС или вы выводите её на рынок ЕС. Кредитный скоринг физических лиц относится к высокому риску по приложению III. По графику, который действует после Digital Omnibus, правила для таких систем применяются с 2 декабря 2027 года. Для внутреннего ассистента или чат-бота поддержки требования заметно легче: главное из них, сообщить человеку, что он общается с ИИ.

Для чат-бота поддержки объяснимость в смысле SHAP или LIME не нужна: нужны журнал разговоров, ссылка на источник ответа и возможность передать разговор человеку. Объяснимость становится обязательной, когда модель влияет на решение по клиенту: скоринг, антифрод, блокировка операции. Дискуссионный документ НБУ отдельно советует оценивать, можно ли сформировать понятное объяснение для клиента в предусмотренных случаях.

В Lytvynov Production fractional AI CTO стоит 2 500 USD в месяц в базовом формате и 4 500 USD при более глубоком участии. Технический аудит ИИ-планов стоит 3 500 USD, AI Sprint с работающим прототипом на 4 недели стоит 10 000 USD, минимальный проект 10 000 USD. Цены фиксируем в письменном предложении после короткого разговора. Расходы на токены модели и облако вы оплачиваете отдельно.

Оба, и это лучше заложить в процесс с самого начала. CTO отвечает за архитектуру, данные и качество, комплаенс и юристы за соответствие требованиям регулятора и договорам. Дискуссионный документ НБУ советует чётко распределять ответственность между разработчиками, поставщиками и пользователями ИИ и вести внутреннюю документацию о работе системы. Консультант готовит для обеих сторон одинаковое описание системы, чтобы не вести два параллельных разговора.

С такого, где ошибка стоит дешевле всего, а данные не выходят из вашего контроля: внутренний ассистент по документации и регламентам, итоги обращений в поддержку, первичный разбор документов с проверкой человеком. Антифрод-объяснения и скоринг мы советуем брать вторым шагом: там выше риск, больше требований и сложнее измерять качество. Первый сценарий должен дать измеримый результат за 4 недели.

Давайте начнем ваш проект
Записаться на звонок