МФО работает в режиме, где банк обычно проигрывает: решение по заявке нужно выдать за 3–7 минут, поток — сотни обращений в сутки с пиками в конце месяца, а средний чек невелик. Каждое лишнее действие оператора и каждая ошибка в документах съедают маржу. ИИ-приёмная закрывает это противоречие: принимает заявку в любом канале, читает документы, считает риск и передаёт человеку только те кейсы, где действительно нужно его решение.

Что меняется на входе

Классическая схема — анкета на сайте, потом звонок оператора и ручная загрузка сканов — рассыпается на объёме. ИИ-приёмная строится как единый слой: чат или голосовой бот на сайте, в Telegram и WhatsApp, мобильное SDK, а также входящие письма и сканы от партнёров. Диалог ведёт LLM, которая уточняет цель займа, доход, занятость, наличие действующих обязательств и сразу подсвечивает противоречия в ответах.

Важная деталь: бот не «продаёт», а собирает данные и проверяет их на связность. Если клиент указал доход 40 000 ₽ и действующую нагрузку 35 000 ₽, это фиксируется как признак, а не как повод для отказа — решение принимает скоринговая модель.

Проверка документов: OCR плюс правила

Сканы паспорта, СНИЛС, справок, выписок и квитанций обрабатывает vision-OCR, обученный на реальных российских документах: он вытягивает MRZ, серию и номер, прописку, разворот с регистрацией. Дальше включаются правила и сверки — контрольная сумма СНИЛС, ИНН, сверка ФИО и даты рождения между документами, проверка фото на переклейку, анализ метаданных и шрифтов PDF, поиск следов редактирования.

Отдельный слой — биометрия: селфи-верификация с проверкой liveness и сравнением с фото в паспорте. Это отсекает значительную часть попыток оформления займа по чужим документам, что для МФО критично: стоимость фрода здесь выше, чем в банковском сегменте, из-за короткого срока займа.

Скоринг: модель вместо одной анкеты

Скоринг в МФО — это не только балл бюро. Рабочая модель собирается из нескольких групп признаков: данные НБКИ, ОКБ и «Скоринг Бюро», поведение клиента на форме (скорость заполнения, правки, копипаст), признаки устройства и канала, история в собственной CRM, повторные обращения. Градиентный бустинг на этих данных обычно даёт заметный прирост к rule-based-логике, особенно на «тонких» клиентах без кредитной истории.

Поверх модели полезен слой RAG по внутренним регламентам и продуктовой линейке: он объясняет оператору, почему заявка попала в серую зону, и подсказывает допустимые условия. Это снижает разброс решений между сменами и упрощает разбор жалоб.

Российская специфика

С 2025 года приёмная обязана учитывать макропруденциальные лимиты ЦБ, проверять самозапрет на займы через Госуслуги и укладываться в период охлаждения — 4 часа для небольших сумм и 48 часов для крупных. Технически это означает, что часть проверок идёт асинхронно, а решение разбивается на два этапа: предварительное одобрение и финальное подтверждение. ИИ-приёмная должна вести клиента через это окно: напоминания, статус, дозапрос документов.

Второй момент — 152-ФЗ. Персональные данные и сканы документов разумно держать в локальном контуре, на приватной LLM, развёрнутой на своих серверах, без передачи в зарубежные API. Интеграции — с CRM, 1С, АБС, телефонией и антифрод-системой.

Как внедрять: пилот за 4–6 недель

Начните с аудита процесса и метрик: время до решения, доля ручных проверок, доля ложных отказов, уровень фрода, стоимость обработки заявки. Затем разметьте исторические заявки, обучите baseline-модель и прогоните её в offline-режиме на отложенной выборке. Дальше — shadow-mode 2–4 недели, когда ИИ считает, но не влияет на решение, и только потом постепенное включение с лимитом по сумме и продуктовой линии. Обязательны логирование каждого решения и объяснимость — это нужно и внутреннему контролю, и проверкам.

Как мы можем помочь

Мы проектируем и внедряем ИИ-приёмные для финансовых организаций: приватные LLM в вашем контуре, OCR документов, скоринговые модели, RAG по регламентам и интеграции с CRM, 1С и антифродом. Начинаем с пилота на ваших данных и доводим до продакшена с понятными метриками. Обсудить проект