# Как банк с миллионами клиентов внедрил генеративный ИИ и не сломал compliance
Каноническая страница: https://plainews.ru/posts/itau-generative-ai-bank-implementation-guide
Опубликовано: 2026-10-18T07:02:15.356Z

Itaú запустил ia.i и платформу IARA для всей клиентской базы. Разбираем архитектуру, governance и шаги, которые можно повторить в своём продукте.
Itaú — один из крупнейших банков Латинской Америки — запустил генеративный ИИ сразу на двух уровнях: для клиентов через интерфейс ia.i и для сотрудников через платформу управления IARA. Это не пилот на тысяче пользователей, а промышленное внедрение в одном из самых зарегулированных секторов Бразилии. Разбираем, как устроена архитектура и что из этого применимо в вашем продукте.

## Зачем вообще читать про банковский ИИ, если ты не банк

Финтех — это предельный случай продуктовых ограничений: персональные данные, финансовый регулятор, нулевая терпимость к галлюцинациям модели в ответе про остаток на счёте. Если паттерн работает здесь, он сработает в медицине, юридических сервисах, корпоративных инструментах.

Для разработчика и продуктолога кейс Itaú — это шпаргалка по трём вопросам: как разделить клиентский и внутренний контур ИИ, как выстроить governance (управление рисками модели) без бюрократического паралича и как масштабировать LLM-фичи на всю базу, а не держать их в вечном бета-режиме.

## Два контура: клиент и сотрудник — разные задачи, разная архитектура

Itaú разделил внедрение на два независимых слоя.

**ia.i** — conversational interface (разговорный интерфейс) для клиентов. Пользователь задаёт вопросы о продуктах, операциях, условиях — и получает ответ на естественном языке вместо навигации по меню. Ключевое требование: ответ должен быть верифицируемым, потому что любая ошибка — это потенциальная жалоба регулятору.

**IARA** — внутренняя governance-платформа для сотрудников и команд, которые разрабатывают ИИ-продукты внутри банка. Это не чат-бот, а инфраструктурный слой: контроль доступа к моделям, логирование, аудит решений, управление промптами и версиями.

Разделение принципиально. Клиентский контур оптимизирован под UX и точность ответа. Внутренний — под скорость разработки и соответствие политикам. Смешивать их в одну систему — типичная ошибка при первом внедрении LLM в регулируемой среде.

## Как выглядит AI First как стратегия, а не как слоган

«AI First» у Itaú — это не маркетинг, а принцип приоритизации: новые продуктовые решения сначала проверяются на возможность реализации через ИИ, и только потом рассматриваются классические подходы. На практике это означает несколько вещей.

Во-первых, ИИ-компетенции распределены по командам, а не сосредоточены в одном «центре ИИ». Каждая продуктовая команда имеет доступ к инструментам через IARA и несёт ответственность за качество своих моделей.

Во-вторых, governance встроен в процесс разработки, а не добавляется постфактум. Это снимает классический конфликт между скоростью и compliance: команда не может задеплоить модель в прод, не пройдя через чеклист платформы.

В-третьих, стратегия распространяется на всю клиентскую базу сразу, а не на отдельный сегмент. Это требует горизонтальной масштабируемости с первого дня — нельзя сначала «попробовать на молодых пользователях», а потом разобраться с остальными.

## Что внутри IARA: governance без бюрократии

IARA решает проблему, с которой сталкивается любая компания, масштабирующая LLM: как дать командам свободу экспериментировать и одновременно не потерять контроль над тем, что модели говорят клиентам или обрабатывают внутри.

Платформа закрывает несколько задач одновременно:

| Задача | Что делает IARA |
| --- | --- |
| Контроль доступа | Разграничение, какие команды работают с какими моделями |
| Аудит | Логирование запросов и ответов для регуляторной отчётности |
| Управление промптами | Версионирование и согласование системных промптов |
| Оценка качества | Метрики точности и безопасности ответов до выхода в прод |

> **К сведению.** Governance-платформа — это не «надзорный орган», который тормозит разработку. В кейсе Itaú IARA работает как внутренний SDK: команды подключаются к ней так же, как к любому другому сервису.

Для продуктолога важный вывод: governance нужно проектировать как продукт для внутренних пользователей (разработчиков), а не как набор запретов сверху. Иначе команды будут его обходить.

## Пошаговая логика внедрения: что можно повторить

Из кейса Itaú вычленяется воспроизводимая последовательность шагов.

**Шаг 1. Определить контуры.** Клиентский и внутренний ИИ — разные продукты с разными требованиями к точности, латентности и аудиту. Проектируйте их отдельно с самого начала.

**Шаг 2. Начать с governance, а не с фич.** Прежде чем запускать ia.i для клиентов, Itaú выстроил IARA для команд. Это контринтуитивно, но именно это позволило масштабировать без остановок на «а как нам теперь это контролировать».

**Шаг 3. Встроить оценку качества в пайплайн.** Не «проверим перед релизом», а автоматические метрики на каждом этапе: точность, безопасность, соответствие политикам. В регулируемой среде это обязательно, в нерегулируемой — просто хорошая практика.

**Шаг 4. Распределить ответственность по командам.** Центральная платформа задаёт правила, продуктовые команды отвечают за результат своих моделей. Это снимает узкое горлышко «одной ИИ-команды на всю компанию».

**Шаг 5. Масштабировать горизонтально с первого дня.** Архитектура ia.i рассчитана на всю клиентскую базу, а не на MVP-сегмент. Это дороже на старте, но дешевле при росте.

## Где это ломается

Самая частая точка отказа при копировании этого подхода — попытка запустить клиентский интерфейс до того, как готова внутренняя платформа. Команды начинают с ia.i-аналога, быстро получают проблемы с качеством ответов, и тратят следующие полгода на ретрофит governance поверх уже работающей системы.

Вторая проблема — governance как отдел, а не как платформа. Если IARA — это комитет людей, которые согласовывают промпты вручную, скорость разработки падает до нуля. Автоматизация проверок обязательна.

Третья — недооценка языковой специфики. Itaú работает с бразильским португальским, включая финансовый жаргон и региональные особенности. Для российского рынка аналогичная проблема: базовая модель требует дообучения или тщательного промпт-инжиниринга под локальный контекст.

## Что попробовать дальше

Если вы строите LLM-продукт в регулируемой среде, следующие шаги после изучения кейса Itaú:

- Посмотреть на open-source governance-инструменты: MLflow для версионирования моделей, Langfuse для трейсинга LLM-запросов.
- Спроектировать внутренний «чеклист выхода в прод» для LLM-фич — аналог IARA в минимальной форме.
- Протестировать разделение клиентского и внутреннего контуров на уровне системных промптов, прежде чем строить отдельную инфраструктуру.

---

## FAQ

### Что такое ia.i в контексте Itaú?

ia.i — это conversational interface (разговорный интерфейс) банка Itaú для клиентов. Он позволяет задавать вопросы о банковских продуктах и операциях на естественном языке вместо навигации по стандартным меню.

### Что делает платформа IARA?

IARA — внутренняя governance-платформа Itaú для команд, разрабатывающих ИИ-продукты. Она управляет доступом к моделям, ведёт аудит-логи, контролирует версии промптов и оценивает качество ответов до выхода в продакшн.

### Почему governance нужно строить до запуска клиентского интерфейса?

Без governance-платформы команды не могут контролировать качество и безопасность ответов модели в масштабе. В регулируемых секторах (банки, медицина) ретрофит контроля поверх работающей системы значительно дороже и рискованнее, чем проектирование с нуля.

### Применим ли подход Itaú для небанковских продуктов?

Да. Разделение клиентского и внутреннего контуров, встроенная оценка качества и распределённая ответственность команд — универсальные паттерны для любого LLM-продукта с требованиями к точности и безопасности.

### Какие инструменты можно использовать вместо IARA?

Для небольших команд подойдут open-source альтернативы: Langfuse для трейсинга и мониторинга LLM-запросов, MLflow для версионирования моделей и промптов, LangSmith для оценки качества ответов.

## Источники

- OpenAI: How Itaú is building generative AI for its entire customer base