Управление модельным риском ИИ в 2026 году

Автор: Jonas Mohamed Osman Abdelghafour.

Направление надзорных ожиданий на 2026 год недвусмысленно: внедрение искусственного интеллекта не создаёт исключения из режима управления модельным риском. Оно создаёт дополнительные обязательства. Там, где традиционная кредитная скоринговая карта могла быть документирована на тридцати страницах и провалидирована на стабильной популяции, система ИИ может переобучаться еженедельно, зависеть от сторонней базовой модели, обрабатывать неструктурированный текст и выдавать результаты, которые ни один проверяющий не сможет проследить до конкретного коэффициента. Ничто из этого не меняет базовый вопрос, на который банк должен уметь ответить: кто владеет этой моделью, какое решение она определяет, откуда мы знаем, что она всё ещё работает, и что произойдёт, когда она перестанет работать.

Начинайте с реестра, а не с алгоритма

Большинство сбоев в управлении модельным риском ИИ в банках — это прежде всего сбои реестра. Инструмент, созданный внутри бизнес-подразделения — ассистент для реферирования документов в кредитовании, классификатор триажа в финансовых расследованиях, движок предложений по тарификации в корпоративном кредитовании, — внедряется как «программное обеспечение для повышения производительности» и никогда не попадает в реестр моделей. После этого его никогда не валидируют, никогда не мониторят и никогда не пересматривают, когда поставщик меняет базовую версию модели.

Решение — определение модели на основе существенности, сформулированное так, чтобы охватывать системы, влияющие на суждения, а не только количественные оценщики. Если результат влияет на решение о кредитовании, тарификации, резервировании, капитале или исходе для клиента, он относится к сфере действия — независимо от того, называет ли бизнес это моделью. Далее свою работу выполняет распределение по уровням: высший уровень требует полной независимой валидации, низший — регистрации, ответственного владельца и периодической проверки.

Владение и управление изменениями

Системы ИИ ломают годовой цикл валидации. Модель, чьи веса, промпты, корпус для поиска или версия поставщика могут измениться между заседаниями комитета, требует непрерывного, а не привязанного к календарю управления изменениями. Основная нагрузка приходится на три контроля:

• Фиксация версии и контрольные точки для релизов. Никаких изменений в промышленной эксплуатации — включая незаметное обновление модели поставщиком — без зафиксированной оценки влияния на утверждённое применение.
• Регрессионное тестирование на «золотом» наборе. Замороженный, репрезентативный оценочный набор, прогоняемый при каждом изменении, с пороговыми значениями прохождения, заранее согласованными второй линией.
• Документированные ограничения использования. Утверждение фиксирует, для чего модель может и не может использоваться, а контрольная среда обеспечивает соблюдение этого.

Что действительно должна проверять независимая валидация

Эффективное оспаривание модели ИИ — это не повторное выполнение расчётов. Проверяющие приносят наибольшую пользу, атакуя допущения, которые разработчики не могли протестировать сами: похожа ли обучающая популяция по-прежнему на действующую, защитимо ли происхождение данных, сохраняется ли качество работы по защищённым и коммерчески чувствительным сегментам, деградирует ли модель плавно или катастрофически на границе распределения входных данных, и способен ли человек в контуре реально переопределить результат — или лишь формально его штампует.

Объяснимость заслуживает особого скептицизма. Методы апостериорной атрибуции — полезные диагностические инструменты и слабое доказательство. Отчёт о валидации, опирающийся на график важности признаков без анализа устойчивости этого графика, не доказал, что модель понята.

Риск третьих сторон и концентрации

Очень немногие банки обучают передовые модели самостоятельно. Большинство их потребляют, что превращает модельный риск в риск третьих сторон и концентрации. Если несколько критически важных процессов зависят от одного поставщика, банк создал единую точку отказа, которую его собственное управление моделями не способно увидеть. Договорные права на доказательства, уведомление о существенных изменениях модели, планы выхода и замены, а также документированное представление о том, что произойдёт при прекращении или ухудшении обслуживания, должны входить в оценку риска наряду с показателями качества работы.

Отчётность, которую может использовать совет директоров

Советам директоров не нужно количество моделей. Им нужно знать, какие решения теперь существенно определяются ИИ, какая подверженность стоит за ними, где наблюдается дрейф качества работы, какие замечания просрочены относительно даты устранения, и что руководство будет делать, если ключевая модель или поставщик выйдут из строя. Одна страница, отвечающая на эти пять вопросов, стоит больше, чем приложение на пятьдесят страниц.

Практический контрольный список

• Определяйте модели по влиянию на решения, а не по технике, и распределяйте по уровням значимости.
• Регистрируйте каждую систему ИИ с указанием ответственного владельца до внедрения.
• Пропускайте каждое изменение — включая обновления поставщика — через контрольную точку регрессионного тестирования.
• Валидируйте допущения, происхождение данных, качество работы по сегментам и режимы отказа; относитесь к результатам объяснимости как к диагностике, а не доказательству.
• Отображайте концентрацию по поставщикам и держите наготове рабочий план замены.
• Отчитывайтесь о дрейфе, открытых замечаниях и управленческих действиях в терминах решений.

Конкурентное преимущество в 2026 году — не в сложности модели. Оно в способности быстро и убедительно показать, что сложная модель находится под контролем, — потому что именно управляемые модели регуляторы, аудиторы и поставщики капитала позволят банку реально использовать.

Основные источники: PRA SS1/23 (принципы управления модельным риском для банков); FSB, Sound Practices for the Responsible Adoption of AI, июнь 2026 года; отчёт об оценке рисков EBA, июнь 2026 года.