Как банки оценивают бизнес через алгоритмы: где ИИ помогает, а где ломает одобрение

Время на прочтение: 12 минут

Заявка на кредит отправлена, документы приложены, обороты есть, контракт подписан. А в ответ — автоматический отказ или «непредварительное одобрение» на сумму, которой не хватает даже на закупку. Знакомо? Мы как кредитные брокеры видим это регулярно: предприниматель уверен, что банк оценит бизнес «по сути», а на деле решение часто начинается с алгоритма.

Самый неприятный момент — конфликт ожиданий. Собственник думает: «У меня живой бизнес, вот реальные продажи». Банк (точнее, модель внутри банка) думает иначе: «У меня цифры, дисциплина, паттерны, и если что-то выбивается — я режу лимит». Этот разрыв и делает тему ИИ в кредитовании такой практичной: выиграет тот, кто понимает механику.

В этой статье разберем, как именно ИИ влияет на одобрение, какие сигналы он «любит», какие — пугают, и что можно подготовить заранее. Если ваша задача шире — разобраться в логике банков и собрать заявку так, чтобы она проходила скоринг и кредитный комитет, посмотрите наш разбор про то, как обычно выстраивают кредитование малого бизнеса — это хороший ориентир по требованиям и формату подачи.

Что предприниматель считает «нормой», а алгоритм — риском

У малого бизнеса масса «обычных» вещей: сезонность, скачки оборота, разовые крупные поступления, оплата поставщикам кусками, смешение личных и бизнес-расходов, эквайринг в одном банке, расчетный счет — в другом. В живом разговоре это объясняется за пять минут. В автоматической оценке объяснять некому.

ИИ (или скоринговая модель с ML-компонентами) смотрит не на историю, а на структуру: повторяемость операций, стабильность маржи, налоговую дисциплину, долю наличных, концентрацию контрагентов, «поведение» счета. И если структура выглядит как «случайные деньги», даже при большом обороте модель может дать низкий балл.

Финансовая механика: какие данные реально кормят скоринг

В большинстве банков оценка заявки устроена ступенчато. Сначала — машинный слой (скоринг/прескоринг), потом — аналитик, потом — кредитный комитет. Чем ниже вы падаете на первом слое, тем меньше шансов, что человек вообще увидит вашу заявку.

Три набора данных, которые ИИ читает в первую очередь

• Транзакции и обороты по счету. Частота поступлений, назначение платежа, структура списаний, просадки, резкие всплески, доля переводов «физикам», повторяемость контрагентов.

• Налоги и отчетность. Не только «сдано/не сдано», но и логика: соответствие оборотов налоговой базе, стабильность начислений, отсутствие «ломаных» периодов.

• Кредитная дисциплина. Действующие обязательства, просрочки, реструктуризации, частота запросов, «перегрев» по лимитам.

Дальше добавляются косвенные блоки: отраслевые коэффициенты (в модели уже зашиты ожидания по марже и сезонности), география, сроки существования бизнеса, зависимость от одного заказчика, признаки «обналичивания». ИИ не рассуждает, он сравнивает с похожими профилями и статистикой дефолтов.

Как думает кредитный комитет, когда часть решения вынес алгоритм

Внутри банка обычно нет спора «человек против машины». Есть распределение ролей. Модель нужна, чтобы быстро отсечь плохое и быстро пропустить типовое хорошее. А кредитный комитет подключается, когда:

• сумма выше «автоматического коридора»;

• есть залог и нужно оценить ликвидность и юридические риски;

• профиль нестандартный — сезонный бизнес, проектные поступления, короткая история;

• есть расхождения между отчетностью и транзакциями.

Ключевой момент: если скоринг поставил низкий балл, комитет чаще будет смотреть на заявку через призму «почему модель ругается». То есть вам нужно заранее подготовить объяснения и документы так, чтобы они закрывали именно «машинные» претензии, а не только человеческие.

Где ИИ реально помогает предпринимателю

Есть и хорошая сторона. Мы видим, как автоматизация ускоряет одобрения, если бизнес «читаемый». Особенно в оборотных продуктах, когда банку важны быстрые деньги и повторяемая модель погашения.

• Скорость. По ряду программ решение приходит за часы, потому что основная проверка проходит по потокам и дисциплине.

• Более честный подход к «молодым» компаниям. Если у бизнеса короткая отчетная история, но сильный транзакционный профиль, алгоритм иногда одобряет там, где «старый» аналитик не рискнул бы.

• Гибкость графика. В некоторых случаях банк готов подстроить график под сезонность, потому что модель видит циклы поступлений.

Но эта же автоматизация делает ошибку болезненной: если данные «грязные», отказ можно получить мгновенно и без понятного объяснения.

Где ИИ ломает одобрение: типичные сценарии отказов

В реальной практике чаще всего проблема не в том, что бизнес плохой, а в том, что модель видит рисковый рисунок. Вот самые частые причины, которые мы разбираем с собственниками перед подачей.

Ошибка 1: «красивый оборот» без понятной структуры

Пример: деньги заходят крупными траншами раз в месяц, а потом уходят серией переводов физлицам или на карты. Для предпринимателя это может быть зарплата бригаде или расчеты с субподрядчиками. Для модели это часто выглядит как повышенный комплаенс-риск и нестабильная финансовая дисциплина.

Ошибка 2: отчетность живет отдельно от реальности

Если по бухгалтерии прибыль минимальная, налоговая база «тонкая», а по счету идут заметные обороты — модель и аналитик видят разрыв. Дальше включается логика: «либо доходы не показываем, либо маржа не подтверждается». И даже при залоге банк будет осторожен с лимитом.

Ошибка 3: кассовые разрывы, которые вы считаете сезонностью

Сезонность — нормальная вещь. Но скоринг считает не эмоциями, а коэффициентами. Если просадки длинные, а подушка на счете отсутствует, модель может сделать вывод, что бизнес «едет на авансах» и любое смещение сроков оплаты клиента приведет к просрочке.

Ошибка 4: «один клиент кормит всех»

Концентрация на одном заказчике — классика B2B. Для банка это риск: потеря контракта = падение выручки. В автоматических моделях это выражается в снижении рейтинга даже при идеальных оборотах.

Ограничения и «слепые зоны» алгоритмов, о которых редко говорят

Чтобы трезво оценивать шансы, важно понимать ограничения ИИ. Они не про «плохие технологии», а про реальность данных.

• Качество входных данных. Ошибки в выгрузках, неверные коды операций, «съехавшие» назначения платежей, дубли — и модель уже строит неверную картину.

• Непрозрачность причин отказа. В ответе клиенту часто нет расшифровки, а внутри банка аналитик видит только итоговый балл и несколько флажков.

• Предвзятость к нестандартным моделям. Проектный бизнес, агентские схемы, маркетплейсы, смешанные потоки (оплата, возвраты, удержания) — все это сложнее «читается» автоматикой.

• Запаздывание реальности. Бизнес уже вырос, а отчетность и налоговые периоды еще «не догнали». Алгоритм чаще верит прошлому, чем вашим словам.

Мы всегда проговариваем с собственником: задача не «угадать формулу», а сделать так, чтобы реальные процессы бизнеса были нормально отражены в цифрах и документах. Это и есть подготовка к банковской оценке.

Что будет, если ничего не менять и просто «подаваться везде»

Один из самых дорогих подходов — массовая подача заявок «на удачу». Кажется, что шанс выше, но на практике вы получаете три последствия.

• Перегрев по запросам. Частые запросы и отказы ухудшают восприятие профиля. В ряде моделей это отдельный риск-фактор.

• Потеря времени на исправление. После отказа вы начинаете разбираться, что не так, но часть банков уже поставила внутреннюю отметку, и повторная заявка пройдет сложнее.

• Снижение переговорной позиции. Когда предприниматель приходит «после серии отказов», банк диктует условия жестче: меньше сумма, короче срок, больше требований.

В нашей работе почти всегда выгоднее сначала привести в порядок витрину данных (счет, назначения, отчетность, подтверждение контрактов), а потом точечно идти в те банки, где ваш профиль понятен и укладывается в риск-модель.

Практические кейсы из нашей воронки: где ИИ ускорил и где подставил

Кейс 1: производственная компания, решение за день и нормальный лимит

Небольшое производство, оборот в среднем 9-11 млн руб. в месяц, маржа ровная, платежи поставщикам регулярные. Нужны 12 млн руб. на пополнение оборотки под контракт, срок 24 месяца. По счету четкие назначения, налоговая нагрузка выглядит адекватно, просадок нет. Алгоритм в универсальном банке быстро дал высокий балл, аналитик запросил только контракт и расшифровку себестоимости. В итоге одобрение на 12 млн руб., платеж около 610-640 тыс. руб. в месяц в зависимости от графика. Ключевое — «читабельные» потоки, без сюрпризов.

Кейс 2: ресторан, сильная выручка, но модель видит хаос

Общепит, оборот 5-7 млн руб. в месяц, эквайринг стабильный, но много переводов на карты и регулярные снятия, часть поставщиков — «по факту» без нормальных назначений. Запрос 8 млн руб. на ремонт и летнюю площадку. Автоматический слой в банке с консервативным риск-подходом порезал лимит до 2,5 млн руб. При разборе выяснилось: модель трактует структуру списаний как повышенный комплаенс-риск и слабую управляемость затрат. После корректировки платежной дисциплины и перераскладки расчетов часть суммы удалось взять через другой банк, но срок подготовки занял несколько недель. Вывод: ИИ не «наказывает ресторан», он наказывает неструктурированные операции.

Кейс 3: услуги B2B, один крупный заказчик и провал по концентрации

Сервисная компания, оборот 4-6 млн руб. в месяц, из них около 75% — один корпоративный клиент. Запрос 10 млн руб. на расширение штата и закупку оборудования, срок 36 месяцев. По финансовой дисциплине все чисто, но скоринг нескольких банков снижал оценку из-за концентрации выручки. Мы усилили пакет: добавили вторые договоры в воронке, письма-намерения, график платежей, показали финансовую модель с планом диверсификации. В банке с сильным залоговым блоком и более гибким анализом удалось согласовать 9 млн руб. под залог оборудования, платеж около 340-370 тыс. руб. в месяц. Здесь ИИ был не врагом, а фильтром: без дополнительного обоснования «один клиент» почти всегда режет лимит.

Как подготовиться к оценке ИИ: короткий чек-лист без магии

Мы не верим в «секретные кнопки». Но есть вещи, которые реально повышают проход по автоматике и упрощают жизнь аналитику.

• Привести в порядок назначения платежей. Чем меньше «прочее» и «перевод», тем лучше читается экономика.

• Развести личное и бизнес. Постоянные операции «на себя» без логики — один из самых токсичных сигналов для скоринга.

• Свести отчетность и транзакции. Не обязательно показывать идеальную прибыль, но разрыв должен быть объясним и документируем.

• Подготовить объяснение сезонности. Не словами, а цифрами: помесячно, с пиками и провалами, с запасом по платежу.

• Подтвердить контракты. Договор, спецификации, акты, счета — все, что делает поступления «понятными».

Сценарии принятия решения: когда подаваться, а когда сначала чинить профиль

В реальности выбор обычно между тремя сценариями. И каждый имеет цену.

• Сценарий А — подаваться сразу. Подходит, если потоки чистые, налоговая дисциплина в порядке, нет резких аномалий. Вы выигрываете скорость, но не оставляете места для объяснений.

• Сценарий Б — 2-6 недель на подготовку. Подходит, если есть «красные флаги» в операциях, разрыв отчетности и счета, высокая доля наличных. Вы теряете время, но повышаете вероятность нормального лимита.

• Сценарий В — структурирование сделки. Когда нужно больше суммы или профиль сложный, часто логичнее думать о залоге, разделении целей (оборотка отдельно, инвестиции отдельно), корректном пакете обоснований. Это дольше, но дает шанс на условия, которые реально тянет бизнес.

Стратегический вывод: не спорьте с ИИ, сделайте бизнес «читаемым»

ИИ в кредитовании — это не будущее, а текущая реальность, просто в разных банках степень автоматизации различается. Для предпринимателя вывод простой: банк все меньше верит словам и все больше верит структуре данных. Вы можете быть прибыльными и сильными, но если финансовая картинка выглядит хаотично, модель будет резать лимит или закрывать дверь.

Если вы хотите пройти этот путь без лишних отказов, лучше начинать не с «подачи», а с диагностики: какие сигналы видит банк, что именно ухудшает скоринг, какие документы и аргументы переводят вашу ситуацию из «непонятно» в «управляемо». В нашей практике это и есть основа нормальной стратегии кредитования малого бизнеса — не угадывать, а готовить профиль так, чтобы он проходил и машину, и человека.

Для оперативной связи вы можете написать напрямую в Telegram @VkreditOnline.

Если удобнее обсудить задачу в WhatsApp, можно написать в WhatsApp.

АВТОР: Михаил КМС по МСБ