ПРИКЛАДНЫЕ КЕЙСЫ ИСПОЛЬЗОВАНИЯ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ (LLM) ДЛЯ АВТОМАТИЗАЦИИ КОМПЛАЕНС-ПРОЦЕССОВ В КРЕДИТНОЙ ОРГАНИЗАЦИИ
DOI:
https://doi.org/10.56584/1560-8816-2026-1-99-104Ключевые слова:
комплаенс-риски, большие языковые модели, автоматизация процессов, кредитная организация, искусственный интеллект, экономическая безопасность, финансовый мониторинг, ПОД/ФТ/ЭД/ФРОМУАннотация
Цифровизация финансового сектора приводит к экспоненциальному росту объема неструктурированных данных, что создает серьезные операционные вызовы для системы управления комплаенс-рисками. Традиционные методы автоматизации не справляются с семантическим анализом сложных документов, вызывая рост издержек и нагрузку на сотрудников. Целью статьи является рассмотрение практико-ориентированной методологии безопасного внедрения больших языковых моделей в комплаенс-процессы кредитной организации. На основе анализа международного опыта и системных рисков предложен архитектурный каркас, базирующийся на принципах изолированного контура, обязательного человеческого контроля и контекстной специализации моделей. Результаты показывают, что интеграция LLM-моделей в форме ИИ-агентов позволяет автоматизировать значительную часть рутинных операций, создавая технологический фундамент для проактивного управления рисками и усиления экономической безопасности.
Библиографические ссылки
1. Аренков И.А., Салихова Я.Ю., Сайфутдинов А.А. Цифровая трансформация: направления исследований и цифровые риски // Креативная экономика. – 2021. – Т. 15, № 7.– С. 2757-2776.
2. Бабукин Г.М. Цифровизация и искусственный интеллект в банках: шаг в будущее // Chronos: экономические науки. – 2021. – Т. 6, № 1(29). – С. 6-9.
3. Банк России: официальный сайт. Управление данными на финансовом рынке. – Обновляется в течение суток. – Текст: электронный. – URL: https://cbr.ru/develop/data_management_fm/
4. Воронина Е.В. Использование искусственного интеллекта для автоматизации бизнес-процессов // Естественно-гуманитарные исследования. – 2025. – № 2(58). – С. 667-672.
5. Городецкая О.Ю., Гобарева Я.Л. Ключевые тренды применения искусственного интеллекта в банковской сфере // Финансовые рынки и банки – 2022. – № 12. – С. 34-43.
6. Ильин А.В. Прикладной искусственный интеллект как фактор развития системы финансового мониторинга // Учет и статистика. – 2023. – № 3(20). – С.58-66.
7. Мамедов М.А. Трансформация деятельности крупнейших российских коммерческих банков в цифровые экосистемы // Теоретическая и прикладная экономика. – 2022. – № 3. – С. 1-23.
8. Махмудова И.Н. Процессная аналитика в системе комплаенс-контроля // Вестник Самарского университета. Экономика и управление. – 2025. – Т. 16, № 1. – С. 63–73.
9. Одинцов В.О. Инструменты управления рисками цифровизации бизнес-процессов кредитной организации при обеспечении экономической безопасности // Экономика, предпринимательство и право. – 2024. – Т. 14, № 4. – С. 1597-1606.
10. Johnson A. Compliance is Difficult to Scale / Fintech Takes. – 2023. – Текст: электронный. – URL: https://fintechtakes.com/articles/2023-03-27/compliance-is-difficult-to-scale/
11. Australian Government, AUSTRAC. Official website. AUSTRAC and Westpac agree to proposed $1.3bn penalty – 2020. – Текст: электронный. – URL: https://www.austrac.gov.au/news-and-media/media-release/austrac-and-westpac-agree-penalty
12. Deutsche Bank, Deutsche Bank invests in Kodex AI – 2023. – Текст: электронный. – URL: https://www.db.com/news/detail/20231011-deutsche-bank-invests-in-kodex-ai?language_id=1
13. Naga Krishna Mahesh Pulikonda, Real-Time Regulatory Intelligence Framework: LLM-powered compliance automation for financial services // World Journal of Advanced Engineering Technology and Sciences. – 2025. – No 15(02). – P. 3106–3115. – Текст электронный. – DOI: https://doi.org/10.30574/wjaets.2025.15.2.0784 – URL: https://wjaets.com/content/real-time-regulatory-intelligence-framework-llm-powered-compliance-automation-financial
14. Stuart Clarke, Case Study: How HSBC Reduced False Positives by 60% and Boosted AML Precision with AI. – 2025. – Текст: электронный. – URL: https://aiinx.ai/blog/case-study-how-hsbc-reduced-false-positives-by-60-and-boosted-aml-precision-with-ai/