Лизинговый рынок России переживает структурный перелом. Компании среднего сегмента оказались между двух давлений: маржа сжимается, а клиенты ожидают скорости и точности крупных федеральных игроков.
ИИ-решения позволяют закрыть этот разрыв — не за счёт многомиллионных бюджетов на собственную разработку, а через точечное внедрение в 3–5 процессах, где отдача измерима в течение первого квартала.
В этом материале разберём конкретные точки применения, экономику внедрения и регуляторные ограничения, которые необходимо учитывать в 2026 году.

Контекст: почему именно сейчас

Количество новых договоров лизинга в России снизилось на 30,3% в 2025 году и составило 326 тыс. штук. Рынок лизинга столкнулся с резким спадом: объём нового бизнеса упал на 47,7%, прибыль — более чем в три раза. Управляющий директор «Альфа-Лизинга» Максим Агаджанов охарактеризовал 2025 год как самый сложный для отечественного лизингового рынка за всю историю его существования.
При этом согласно прогнозу «Эксперт РА», объём нового бизнеса в 2026 году вырастет на 15–20%, до 2,28 трлн рублей. Реализация отложенного спроса на фоне поступательного снижения ключевой ставки послужит драйвером рынка лизинга в 2026 году.
Это означает: компании, которые сумеют обрабатывать входящий поток быстрее и точнее конкурентов, заберут непропорционально большую долю восстанавливающегося рынка. Тот, кто по-прежнему обрабатывает заявку трое суток и оценивает риски вручную, столкнётся с оттоком в пользу тех, кто отвечает за часы.
Российские лизинговые компании активно внедряют системы на базе искусственного интеллекта, считая ИИ не быстрым трендом, а стратегическим активом. В среднесрочной перспективе лидеры отрасли фокусируются на трёх направлениях: интеллектуальная скоринговая и риск-аналитика, гиперперсонализация сервиса и автоматизация операционных процессов.
Для среднего лизингового бизнеса это и вызов, и возможность: у вас нет штата из 50 Data Scientists, как у федеральных игроков, но и решение можно внедрить точечно, без перестройки всей ИТ-инфраструктуры.

Точка 1. Риск-менеджмент: ML-скоринг лизингополучателя

Классическая проблема среднего лизингодателя — скоринг, построенный на экспертной оценке аналитика, базовой проверке по СПАРК и «чутье» коммерческого директора. Это работает, но даёт два системных сбоя: медленное принятие решений (от суток до недели) и нестабильное качество портфеля.
Скоринг — это оценка рисков, основанная на численных статистических методах. Выработать такую модель могут только компании, имеющие в своём портфеле значительное количество договоров. Однако в 2026 году ситуация изменилась: современные ML-модели умеют обучаться на датасетах от нескольких тысяч сделок, а при грамотном feature engineering — даже на меньших объёмах. Лидеры отрасли, такие как «Европлан», уже внедряют российские ML-модели в ключевые бизнес-процессы, включая computer vision для распознавания и анализа клиентских документов.

Что может дать ML-скоринг средней компании:
Сокращение времени принятия решения по заявке с 24–72 часов до 2–4 часов. Модель агрегирует данные из открытых источников (ЕГРЮЛ, арбитражные дела, финансовая отчётность), формирует риск-профиль и выдаёт рекомендацию аналитику. Финальное решение остаётся за человеком — это принципиально. Никакая модель не заменяет эксперта; она усиливает его, убирая рутину и снижая вероятность пропуска значимого негативного фактора.
По нашему опыту в MOFL.TECH, внедрение ML-скоринга в контур риск-менеджмента снижает долю дефолтных сделок на 15–25% при одновременном увеличении скорости обработки в 3–5 раз. Ключевое условие: качественно подготовленные исторические данные и правильно подобранные признаки.

Точка 2. Продажи: речевая аналитика и ИИ-ассистенты

Лизинговый менеджер — дорогой ресурс. Его время стоит компании от 150 до 300 тыс. рублей в месяц с учётом всех затрат. При этом значительная часть рабочего дня уходит на рутину: квалификацию входящих обращений, заполнение CRM, подготовку типовых коммерческих предложений.
Речевая аналитика позволяет решить несколько задач одновременно. Система на базе ИИ распознаёт речь, выделяет проблемные диалоги и автоматически оценивает качество звонков.В контексте лизинга это означает: вы видите, какой менеджер «сливает» заявки на этапе обсуждения аванса; кто не отрабатывает возражение про высокую ставку удорожания; где клиент упомянул конкурента и на каких условиях.
Вторая компонента — ИИ-ассистенты менеджеров. Это не чат-бот на сайте (хотя и он полезен для первичной квалификации). Это система, интегрированная с CRM, которая в режиме реального времени подсказывает менеджеру: рекомендуемый размер аванса, историю взаимодействия с клиентом, варианты графика платежей под конкретный предмет лизинга. По сути — цифровой «второй пилот», который хранит весь контекст сделки и не забывает перезвонить.
В MOFL.TECH мы реализуем это через связку промпт-инжиниринга (создание ролевых ИИ-двойников менеджера) и интеграции с Bitrix24 / 1С. Результат, который мы наблюдаем у клиентов: рост конверсии из обращения в сделку на 10–20%, сокращение времени на подготовку КП с 2–3 часов до 15–30 минут.

Точка 3. Операционка: автоматизация документооборота и юридической проверки

Договор лизинга, акт приёма-передачи, дополнительные соглашения, документы по предмету лизинга — объём документации на одну сделку может достигать 30–50 страниц. Юридический департамент тратит на проверку комплекта от 2 до 8 часов.
Современные ИИ-решения обеспечивают точность извлечения данных из документов 85–95% и скорость обработки в 10–50 раз быстрее человека. В лизинговом контексте это применимо к автоматическому извлечению ключевых условий из входящих документов (ИНН, реквизиты, суммы, сроки), проверке договоров на соответствие внутренним шаблонам и генерации типовых договоров по параметрам сделки.
Не менее важна проверка контрагента на этапе юридического одобрения. ИИ-агент может за секунды собрать и структурировать данные из десятков открытых источников: арбитражные дела, исполнительные производства, изменения в ЕГРЮЛ, аффилированность. Та работа, которую юрист выполняет за полдня, система делает за минуты — и с меньшим риском пропустить важную деталь.

Экономика внедрения: ROI для средней лизинговой компании

Приведу ориентировочный расчёт для компании с портфелем 500–2 000 действующих договоров и штатом 50–150 человек.
Пилотный проект (PoC) на одном направлении (например, речевая аналитика отдела продаж) обходится в 500 тыс. — 1,5 млн рублей и занимает 4–8 недель. Это стоимость с учётом настройки, интеграции и первичного обучения команды.
Если компания экономит хотя бы 1 ставку аналитика (150 тыс./мес.) и повышает конверсию на 10% при среднем размере сделки 5 млн рублей, дополнительная выручка за квартал при 100 входящих заявках в месяц — сопоставима с годовыми затратами на внедрение. Срок окупаемости — 3–6 месяцев.
Для комплексного внедрения (скоринг + речевая аналитика + автоматизация документооборота) бюджет составляет 3–7 млн рублей, срок — 3–6 месяцев. При этом компании не нужно нанимать штат Data Scientists: MOFL.TECH работает как технологический партнёр, который берёт на себя разработку, настройку и поддержку, а команда клиента работает с привычными интерфейсами.

Риски и Compliance: то, о чём нельзя забывать

Любое внедрение ИИ в лизинговой компании сопряжено с обработкой персональных данных лизингополучателей. С середины 2025 года в закон 152-ФЗ внесены масштабные изменения: расширен перечень операторов, введены новые правила получения согласий, ужесточены защита и локализация данных, повышены штрафы.

За нарушение обязанности уведомить об утечке персональных данных установлен штраф 1–3 млн руб. За утечку данных о 1 000–10 000 физлиц — 3–5 млн руб., о 10 000–100 000 физлиц — 5–10 млн руб., о более чем 100 000 — 10–15 млн руб. За повторную утечку предусмотрены оборотные штрафы — 1–3% годовой выручки, при этом расчётный размер штрафа не может быть меньше 20–25 млн руб. и не должен превышать 500 млн руб.
Не допускается обработка и хранение персональных данных граждан РФ с использованием баз данных, размещённых за пределами РФ. Это означает: все ИИ-решения, которые работают с данными лизингополучателей, должны быть развёрнуты на территории России — либо on-premise, либо в защищённом российском облаке.

Согласно исследованию RAND Corporation, около 80% проектов в области ИИ в мире терпят неудачу. По данным рынка, российские компании тратят на внедрение ИИ более 90 млрд рублей в год, но реально используют его не более 6% организаций. Основные причины провалов — отсутствие чётких метрик, попытка автоматизировать всё сразу и игнорирование необходимости human-in-the-loop.

Именно поэтому я всегда рекомендую клиентам три правила:

• Во-первых, человек остаётся в контуре принятия решений. ИИ рекомендует — сотрудник утверждает. Особенно это критично в скоринге, где ошибка стоит реальных денег.
• Во-вторых, данные не покидают периметр. Мы в MOFL.TECH принципиально проектируем решения с учётом 152-ФЗ и требований ФСТЭК: локализация данных, ролевая модель доступа, шифрование и аудит действий.
• В-третьих, начинайте с пилота, а не с «проекта-трансформации». Один процесс, измеримый результат, масштабирование на основе данных — а не веры.

Дорожная карта: с чего начать

Для компании, которая понимает потенциал ИИ, но не имеет опыта внедрения, рекомендую следующую последовательность.

Шаг 1 (Неделя 1–2). Экспресс-аудит процессов. Совместно с технологическим партнёром определяем 3–5 процессов с наибольшим потенциалом автоматизации. Оцениваем качество данных, текущие ИТ-системы (1С, CRM), нормативные ограничения. Результат — приоритизированный список use-cases с предварительной оценкой ROI.

Шаг 2 (Неделя 3–8). Пилотный проект (PoC). Внедряем решение на одном направлении. Чаще всего это речевая аналитика (быстрый эффект, минимальная интеграция) или автоматизация формирования КП. Измеряем результат по заранее согласованным KPI.

Шаг 3 (Месяц 3–6). Масштабирование. На основе результатов пилота расширяем внедрение на смежные процессы. Интегрируем ИИ-решения в существующую ИТ-архитектуру. Обучаем команду.

Шаг 4 (Постоянно). Мониторинг и доработка. ИИ-модели — не статические продукты. Они требуют регулярной переоценки, дообучения на новых данных, адаптации под меняющиеся рыночные условия и регуляторику.

Вместо заключения

Средний лизинговый бизнес в России находится в уникальной точке. На рынке ожидаются банкротства среди лизинговых компаний среднего уровня. Те, кто выживет и вырастет, сделают это не за счёт удешевления ставок (этот ресурс исчерпан), а за счёт операционного превосходства: быстрее обрабатывать, точнее оценивать, эффективнее продавать.

ИИ — не волшебная таблетка и не замена команды.
Это инструмент, который усиливает сильных. Если вы чувствуете, что ваша компания готова к следующему шагу, начните с аудита: выясните, где именно в вашем лизинговом цикле скрыта наибольшая неэффективность — и сфокусируйте на ней первый пилот.
Обсудить потенциал автоматизации процессов вашей компании и получить экспресс-аудит можно, связавшись с командой MOFL.TECH. Мы работаем как технологический партнёр: от диагностики до запуска в продуктив и дальнейшей поддержки.

Материал подготовлен
Андрей Башин, Директор по ИИ-проектам, MOFL.TECH
при участнии
Консалтингового агентства "Территория лизинга"