SvayaИИ-платформаПлатформаПримерыПродуктыВнедрение

Примеры автоматизаций / Ответ по кредитной заявке с объяснением, почему именно такой

Ответ по кредитной заявке с объяснением, почему именно такой

Как сейчас

Заявка проходит скоринг, проверку доходов и стоп-факторы

  • на выходе нередко стоит «отказ»
  • без причины, которую можно показать клиенту и регулятору
На входеКредитная заявка с данными заемщикав примере все данные вымышленные
На выходеПредлагаемый ответ и объяснение числами из заявки
  • одобрить
  • одобрить со снижением суммы
  • отказать
  • что сыграло в плюс
  • что сыграло в минус
Ответ по заявке
вступает в силу только после подтверждения человеком

Как платформа делает этот ответ

Каждый запуск идет одним и тем же конвейером обработки. Наружу уходит только обезличенный текст.

Вопрос или документобычными словами
Права доступакаждый видит только свое
Поиск по вашим документамна ваших серверах
граница ваших серверовМаскирование персональных данныхсомнение означает маскирование
Языковая модельвидит только обезличенный текст
Проверка ответаопора на найденные данные
Ответ и журналвидно, на чем основан ответ
1

Что подали на вход

Заявка на потребительский кредит № 4471 от 14.08.2026.

Запрошено: 900 000 руб. на 36 месяцев.

Заемщик: ⟦NAME:1⟧, 41 год, телефон ⟦PHONE:1⟧.

Занятость: по трудовому договору, стаж на текущем месте 4 года.

Доход подтвержденный: 118 000 руб. в месяц.

Действующие обязательства: ипотека, платеж 31 000 руб. в месяц.

Кредитная история: две ссуды закрыты без просрочек, текущих просрочек нет.

Запросы в другие банки за последний месяц: 3.

Внутренний порог долговой нагрузки банка: 40 процентов дохода.

2

Как платформа это обработала

  • Персональные данныеперсональных данных во входе не обнаружено
  • Ответила модельGigaChat-Max
  • Весь запуск3,9 с
  • Расход на запрос560 токенов
Каждому запуску задано правило
  • отвечать только по входным данным и ничего не додумывать
  • когда ответа нет, прямо сказать «в ваших данных этого нет»
В рабочей версии модель сменная
  • GigaChat
  • YandexGPT
  • иностранные модели
  • своя модель на ваших серверах
Как устроена платформа
3

Что получилось

Ответ модели дословно.

Проект решения: Одобрить

Сумма кредита: 900 000 рублей
Срок кредита: 36 месяцев

Положительные факторы

  • Подтвержденный доход составляет 118 000 рублей ежемесячно.
  • Текущие кредитные обязательства ограничиваются одной ипотекой с ежемесячным платежом 31 000 рублей.
  • Кредитная история положительная: закрытые кредиты погашены своевременно, текущие просрочки отсутствуют.

Негативные факторы

  • За последние 30 дней заемщиком были сделаны запросы о предоставлении кредитов в три других банка.

Расчет долговой нагрузки:
Ежемесячный платеж по запрашиваемому кредиту составит примерно 25 000 рублей. С учетом ипотеки общая долговая нагрузка будет равна около 56 000 рублей в месяц, что соответствует примерно 47% от подтвержденного дохода. Это превышает внутренний порог долговой нагрузки банка, установленный на уровне 40%.

Решение не является окончательным и требует подтверждения уполномоченным сотрудником банка.

Запись реального запуска на синтетических данных

Запись реального запуска на синтетических данных. Маршрут: ответ по кредитной заявке, агентский шаг с обращением к антифрод-источнику. Запуск на стенде 2 сентября 2026 года, на входе придуманная заявка на потребительский кредит из набора демонстрационного банка. Запись привязана к версии 1.0.0 технического решения и вычитана перед выпуском (вычитана выпускающим перед слиянием).

Итог запуска на момент записи: остановлен на точке подтверждения и ждет решения кредитного контролера; до остановки запуск занял 26,1 с. Исхода точки в записи нет, потому что человек решение еще не принял.

№ШагПроходОбращений к системамОтметкиДлительностьСтатус
1Получение заявки из системы банка35 мсвыполнен
2Получение документа заявителя33 мсвыполнен
3Разбор документа моделью зрения29 мсвыполнен
4Запрос кредитной истории в бюро54 мсвыполнен
5Оценка риска моделью классического машинного обучения25 мсвыполнен
6Проверка признаков мошенничества моделью классического машинного обучения25 мсвыполнен
7Донабор сведений по антифрод-источникам, агентский шаг16,5 свыполнен
8Донабор сведений по антифрод-источникам, агентский шаг1 из 514,2 свыполнен
9Донабор сведений по антифрод-источникам, агентский шаг2 из 52,3 свыполнен
10Проект решения языковой моделью19,2 свыполнен

Чего в записи нет: содержания запросов к модели и ее ответов, имен систем и служебных имен шагов, порогов проверок. Время каждого шага измерено платформой, а не оценено.

Как эта автоматизация собрана на платформе

Снимок экрана редактора платформы, в котором собран маршрут этого примера.

Маршрут в редакторе платформы. Шаги по порядку: Получить заявку, Собрать данные заявителя для бюро, Получить анкету, Разобрать анкету, Запросить кредитную историю, Собрать показатели для скоринга, Посчитать скоринг, Первично проверить на мошенничество, Отметить, что признаков мошенничества нет, Собрать запрос на донабор, Проверить по антифрод-источникам, Подготовить проект решения по заявке, Подтвердить решение по заявке, Зафиксировать ответ контролера, Принять итог «одобрено», Принять итог «отказано», Зарегистрировать одобрение с суммой и ставкой, Зарегистрировать итог в банковской системе, Обновить статус заявки в канале, Передать на ручной разбор, Разобрать сбой регистрации.

Что происходит с вашими данными

На серверах вашей компании

  • Документы, поиск и указатель остаются на ваших серверах
  • Замена и возврат персональных данных, таблица замен не покидает ваши серверы
  • Журнал действий со сцепкой контрольных сумм

Рабочая версия ставится на серверах вашей компании или в вашем облаке.

Внешняя языковая модель

  • Получает только обезличенный текст
  • Персональных данных не видит

Со своей моделью на ваших серверах данные никуда не уходят.

Обсудить пилот