ШІ у Credit Agricole: час обробки документів скоротився у 7 разів
Український банківський сектор традиційно є локомотивом автоматизації, але впровадження штучного інтелекту в консервативні банківські процеси (Back-office та AML) – це виклик особливої складності.
У межах спецпроєкту «100 AI-кейсів українського бізнесу» ми розповідаємо, як Credit Agricole замінив рутинну роботу фахівців власними моделями машинного навчання.
Будь-який великий банк щодня стикається з двома критичними викликами:
-
1
Лавина документів: тисячі сканів та електронних форм, які потрібно класифікувати, перевірити на автентичність та вручну перенести дані у внутрішні системи. Це створює ризик «людського фактора» та сповільнює сервіс.
-
2
Комплаєнс-контроль: перевірка призначень платежів на предмет згадок санкційних осіб чи компаній. Враховуючи варіативність написання назв та імен, звичайний пошук за ключовими словами видає або забагато помилкових спрацювань, або пропускає приховані ризики.
Для вирішення цих задач Credit Agricole обрав шлях власної розробки, створивши два цільові інструменти на базі AI.
Підписуйтеся на наші соцмережі
Кейс №1: AI Document Intelligence – інтелект замість клавіатури
У 2025 році банк впровадив рішення для інтелектуальної обробки документів. Система побудована на базі моделей комп’ютерного зору (Computer Vision) та NLP (обробка природної мови).
Як це працює: Система автоматично «читає» документ, визначає його тип, витягує ключові дані та, що найважливіше, перевіряє їхню коректність. Якщо дані збігаються, вони автоматично передаються у внутрішні системи банку без участі людини.
Результати:
- Швидкість: час опрацювання пакетів документів скоротився у 7 разів;
- Пропускна здатність: обсяг обробленої інформації зріс без розширення штату бек-офісу;
- Якість: кількість помилок при введенні даних зведена до мінімуму;
- Економіка: співробітники перейшли від механічного набору тексту до експертної роботи з більшою доданою вартістю.
Кейс №2: AI-скринінг платежів – санкційний контроль у реальному часі
Другим важливим впровадженням став інструмент аналізу тексту призначень платежів. Це класичне завдання для Named Entity Recognition (NER) – розпізнавання іменованих сутностей. Простими словами: це здатність алгоритму «читати» текст і автоматично знаходити в ньому специфічні об’єкти (сутності), класифікуючи їх за категоріями.
Технологічна складова: Модель аналізує вільний текст, який вказує клієнт у призначенні платежу. Вона вміє:
- Виділяти назви компаній та імена осіб серед іншого тексту;
- Нормалізувати варіанти написання (наприклад, враховувати друкарські помилки або різні транслітерації);
- Звіряти результати з актуальними санкційними реєстрами в межах AML-процедур.
Результати:
- Клієнтський досвід: платежі проходять швидше, оскільки система миттєво «пропускає» чисті транзакції;
- Точність: значно знижено кількість помилкових зупинок платежів (False Positives), які раніше доводилося розбирати вручну;
- Безпека: мінімізація регуляторних ризиків завдяки глибшому та точнішому аналізу кожної транзакції.
Чому власна розробка?
У Credit Agricole наголошують, що використання власних AI-продуктів замість готових рішень дозволило максимально адаптувати моделі під специфіку української мови, локальні формати документів та унікальні вимоги внутрішнього фінмоніторингу.
Висновок для бізнесу: Приклад Credit Agricole доводить, що AI в банку – це не про «хайп», а про математично вимірювану ефективність. Коли технологія вивільняє час фахівців у 7 разів, вона перестає бути витратою і стає потужним активом для масштабування.
Маєте крутий кейс впровадження ШІ у вашій компанії? Розкажіть про нього нам – пишіть на advert@d-e.group.