Business Insider собрал данные о том, как JPMorgan, Citi, Goldman Sachs и другие крупнейшие банки Уолл-стрит внедряют искусственный интеллект. Новость важна не только для финансистов: когда даже самые осторожные и зарегулированные компании делают ставку на ИИ для бизнеса, это уже не «модный эксперимент», а новый стандарт работы.
Для малого и среднего бизнеса здесь есть очень практичный вывод. Банки смотрят не только на красивые демо, но и на то, как ИИ ускоряет команды, снижает ручную нагрузку и помогает перестраивать процессы — от разработки до клиентского сервиса.
Что показала новость с Уолл-стрит
По данным Business Insider, крупнейшие банки уже не относятся к ИИ как к лабораторной новинке. Бюджеты растут, внутренние инструменты выкатывают на десятки и сотни тысяч сотрудников, а руководители все чаще говорят не о будущем, а о текущем эффекте.
Если коротко, рынок сдвинулся сразу в трех направлениях: больше контроля за использованием моделей, больше прикладных кейсов и больше интереса к агентной автоматизации как следующему шагу.
| Банк | Что известно из новости | Ключевые цифры |
|---|---|---|
| JPMorgan Chase | Следит за использованием GitHub Copilot, перестраивает управление под бизнес-задачи ИИ, развернул собственную genAI-платформу | ~$20 млрд техбюджет в год, $2 млрд инвестиций в ИИ, почти 1000 кейсов, более 200 000 сотрудников на платформе |
| Goldman Sachs | Развивает внутреннего ИИ-помощника и работает с Anthropic над агентами для внутренних функций | $6 млрд техрасходов, CEO хотел бы выйти минимум на $8 млрд |
| Citigroup | Сделал ставку на вовлечение сотрудников, обучил ИИ-кураторов, масштабирует агентов | $12 млрд техбюджет, 4000 AI stewards, почти 90% сотрудников используют ИИ-инструменты |
| Wells Fargo | Использует модель «hub and spoke», считает агентов центральными для самых сильных кейсов | До 35% роста продуктивности инженеров, запущен «AI teammate» для консультантов |
| Bank of America | Встроил ИИ в разные линии бизнеса, от клиентов до внутренних команд | $13 млрд техбюджет, 300+ одобренных AI/ML-кейсов, 34 fully deployed genAI-кейса, 3,2 млрд взаимодействий с Erica |
| Morgan Stanley | Давно работает с OpenAI, применяет ИИ для консультантов, разработчиков и лидогенерации | 280 000+ часов, сэкономленных DevGen.AI, 72% стажеров часто используют ChatGPT |
Даже по этому срезу видно главное: банки уже не спорят, «будет ли ИИ полезен». Теперь они обсуждают темп внедрения, стоимость, безопасность и то, какие процессы переводить на новый уровень в первую очередь.
Главный сдвиг: от экспериментов к агентной автоматизации
Самая интересная часть новости — не сами размеры бюджетов. Важнее то, что компании уходят от идеи «поставим одну нейросеть и посмотрим» к системной перестройке процессов, где ИИ-агенты закрывают конкретные задачи.
JPMorgan говорит почти о тысяче кейсов — от защиты от мошенничества до маркетинга и заметок. Goldman работает над агентами для учета сделок и онбординга клиентов. Citi уже масштабирует агентов, а Wells Fargo прямо называет их центральными для части самых результативных сценариев.
Главный инсайт простой: ценность дает не сама модель, а ее встраивание в ежедневный процесс — там, где раньше у людей уходили часы на рутину.
Для предпринимателя это очень приземленный вывод. Если ИИ остается «интересной игрушкой», эффекта мало. Если он принимает входящие обращения, готовит черновики, распределяет заявки и подсказывает сотруднику следующий шаг, тогда автоматизация начинает работать как бизнес-инструмент.
Почему банки так много внимания уделяют контролю
Вторая важная линия новости — это контроль внедрения. JPMorgan отслеживает, насколько активно инженеры используют GitHub Copilot. Goldman больше смотрит на скорость команд, чем на поведение отдельных людей. Citi не уходит в микроконтроль каждого клика, но измеряет «крупные вещи» и подталкивает сотрудников выбирать самую недорогую модель под задачу.
Общий смысл один: ИИ становится частью операционной модели. Поэтому рядом с удобством всегда идут правила доступа, сценарии применения и измеримый результат, а не просто ощущение, что «стало современно».
- Нужно понимать, где именно ИИ экономит время команде.
- Важно заранее определить, какие задачи можно отдать машине без риска для качества сервиса.
- Имеет смысл мерить не «вау-эффект», а влияние на процесс: скорость ответа, загрузку сотрудников, количество обработанных запросов.
Для МСБ это особенно важно, потому что лишних бюджетов обычно нет. Гораздо полезнее один понятный сценарий с метрикой, чем несколько разрозненных пилотов без владельца и без результата.
Что из этого может взять малый и средний бизнес уже сейчас
Малому бизнесу не нужен бюджет JPMorgan, чтобы повторить саму логику. Начинать стоит с участков, где много повторов и потерь на «человеческую память»: первая линия продаж, ответы на типовые вопросы, квалификация лида, подготовка объявлений и внутренних заметок.
Именно здесь хорошо работают ИИ-сотрудники: они не заменяют владельца или сильного менеджера, а снимают однообразную нагрузку. В российской реальности это особенно заметно в каналах, где обращения идут весь день — например, через Авито, Telegram, MAX или виджет на сайте.
Если нужен старт без собственной команды разработки, можно смотреть на практичные локальные инструменты вроде BotB2B. Это российская платформа, где доступны первая линия для Авито/Telegram/MAX/виджета, ИИ-маркетолог для Авито, ИИ-директолог, а также нейросети и MCP-серверы без программиста и с оплатой в рублях.
- Сначала выберите один поток входящих обращений.
- Потом зафиксируйте, что именно должен делать ИИ: отвечать, квалифицировать, передавать менеджеру, собирать данные.
- И только после этого расширяйте сценарий на соседние процессы.
Такой подход очень похож на то, что делают банки: не «ставим ИИ везде», а постепенно собираем рабочую систему вокруг реальных задач бизнеса.
Что это значит для вашего бизнеса
Новость с Уолл-стрит важна не потому, что у банков огромные бюджеты. Она важна потому, что даже самые осторожные компании уже считают агентную автоматизацию следующим этапом развития, а не побочным экспериментом ИТ-отдела.
- Если у вас много рутинных обращений, откладывать ИИ для бизнеса уже невыгодно: рынок быстро превращает это в норму.
- Начинать лучше не с «большой цифровой трансформации», а с одного канала и одного повторяющегося процесса.
- Смотрите не на модные названия моделей, а на то, снимает ли решение реальную нагрузку с команды и ускоряет ли обслуживание клиента.
Проще говоря, урок банков такой: выигрывают не те, кто громче всех говорит про ИИ, а те, кто раньше других превращает его в ежедневную рабочую практику. Для малого и среднего бизнеса это хорошая новость — войти в этот подход можно без многомиллиардных затрат, если выбирать прикладные сценарии и удобные инструменты.