Индия за последнее десятилетие создала одну из самых развитых цифровых государственных инфраструктур для финансовых операций. Однако следующее десятилетие будет определяться не просто оцифровкой выдачи кредитов, а внедрением интеллектуального подхода к кредитованию. Искусственный интеллект обладает потенциалом коренным образом изменить критерии получения кредита, методы оценки рисков и скорость, с которой финансовые возможности достигают миллионов индийцев.
Это выходит за рамки простой автоматизации. ИИ меняет экономику кредитования, снижая затраты на оценку заемщиков. Это позволяет кредиторам ответственно обслуживать сегменты клиентов, которые ранее было сложно оценить.
Кредитная история Индии входит в новую фазу. Более интересный сдвиг заключается в понимании того, кто наконец получит доступ к этой истории. Значительное число достойных кредита индийцев остается вне формальной системы, поскольку традиционные скоринговые модели не располагают достаточным количеством данных для их оценки. Именно эту проблему призвано решить кредитование на основе ИИ.
Традиционный андеррайтинг был разработан для наемных работников в формальной экономике и опирался на такие документы, как расчетные листки, банковские выписки и баллы бюро кредитных историй. Эта система хорошо работает для людей, имеющих кредитную историю, но почти намеренно не подходит для всех остальных, включая самозанятых, работников гиг-экономики и предпринимателей первого поколения.
Андеррайтинг на базе ИИ использует иной подход. Он анализирует альтернативные данные, такие как транзакции цифровых платежей, отчеты по НДС, банковские выписки и платежи за коммунальные услуги, превращая повседневные цифровые следы в динамичные профили риска.
Инфраструктура для поддержки этого перехода уже готова и быстро масштабируется. Рамки Агрегатора счетов Резервного банка Индии обеспечивают безопасный обмен финансовыми данными на основе согласия, что уменьшает требования к документации и сокращает сроки обработки кредитов. По состоянию на декабрь 2025 года экосистема позволила обмениваться данными более чем 2,6 миллиарда финансовых счетов, из которых более 252 миллионов связаны с пользователями, что отражает быстрое внедрение, но при этом оставляет значительный потенциал для дальнейшего проникновения.
Единый интерфейс кредитования делает то же самое для оформления кредитов: к декабрю 2025 года на нем работало 64 кредитора, включая 41 банк и 23 небанковских финансовых компаний (NBFC), по сравнению с 36 годом ранее. Этот интерфейс использует более 136 сервисов данных — от оцифрованных земельных кадастров до спутниковых снимков — в рамках дюжины различных процессов получения кредита.
В сочетании с почти всеобщей инфраструктурой цифровой идентификации и платежей, модели ИИ теперь способны формировать картину финансового поведения заемщика в режиме реального времени. Результаты уже видны в экономике андеррайтинга: решения по кредитам, которые раньше занимали дни, теперь принимаются за минуты. Этот сдвиг отражается в реальной жизни: женщина-предприниматель первого поколения может сделать еще один шаг в развитии своего бизнеса, а работник гиг-экономики может наконец профинансировать подержанный скутер для увеличения своего заработка.
Экспансия кредитования в Индии больше не ограничивается увеличением займов существующими заемщиками; она привлекает совершенно новые категории заемщиков в формальную систему, изменяя финансовые возможности для них.
Участие женщин в формальном кредитовании наглядно демонстрирует этот сдвиг. Согласно совместному отчету TransUnion CIBIL–NITI Aayog (WEP), опубликованному в апреле 2026 года, проникновение кредита среди женщин почти удвоилось между 2017 и 2025 годами, увеличившись с 19% до 36%. Женщины теперь владеют кредитным портфелем в размере 76 лакх крор рупий — 26% от общего объема кредитов в системе, что в 4,8 раза превышает показатель 2017 года.
За этим ростом стоит очень специфический тип заемщика. Женщина, управляющая домашней швейной мастерской или небольшим пищевым бизнесом, часто не имеет имущества для залога и не может предоставить расчетный лист банку. Однако у нее есть постоянный поток чеков UPI от клиентов, отчеты по НДС, если ее бизнес формализован, и послужной список своевременной выплаты небольших займов. Андеррайтинг на основе ИИ способен интерпретировать эту информацию и предоставить кредит на оборотный капитал, который мог бы отклонить традиционный процесс, основанный на чек-листе.
Гиг-работа рассказывает схожую историю, но в гораздо большем масштабе. По данным NITI Aayog и Экономического обзора 2025–26 годов, рабочая сила гиг-экономики в Индии выросла на 55%, с 7,7 миллиона работников в ФГ21 до 12 миллионов в ФГ25. Тем не менее, волатильность доходов удерживала многих работников гиг-экономики вне формальной кредитной системы, поскольку их заработок не похож на фиксированную ежемесячную зарплату, которую предназначены оценивать традиционные модели андеррайтинга.
Те самые данные, которые банки исторически игнорировали — ежедневный доход, записи о завершении поездок или доставок и история транзакций — являются именно тем, что предназначено для анализа моделями ИИ. На практике это позволяет курьеру профинансировать скутер, который удваивает количество его ежедневных поездок, или таксисту рефинансировать старый автокредит по лучшей ставке, поскольку доходы от платформы признаются доказательством способности к погашению, а не просто банковским балансом.
География также меняется в аналогичном направлении. Спрос на кредиты больше не сосредоточен в мегаполисах Индии. Небольшие города и полугородские рынки впервые открываются для формального кредитования, часто через приложения на местных языках и процессы с минимальным количеством документов, которые обеспечиваются электронным KYC на основе Aadhaar и потоками согласия Агрегатора счетов. Для заемщика, впервые обращающегося в городе Тир III, это может означать разницу между неделями посещения банков и бумажной волокиты и получением решения о выдаче кредита на смартфоне в течение нескольких минут, основываясь на данных, которыми заемщик уже решил поделиться.
В совокупности, это именно те сегменты, где андеррайтинг на основе ИИ имеет наибольший потенциал. Заемщики, впервые обращающиеся за кредитом, могут иметь мало формальной документации, но они становятся все более богатыми на цифровые поведенческие данные. Исследования в области финтех-кредитования в других местах дали этому когорте название — невидимые праймы (invisible primes) — заемщики, которые действительно заслуживают кредита, но не попадают в рейтинг традиционных моделей, основанных на бюро.
ИИ не просто ускоряет обработку заявок; он делает ранее невидимых заемщиков видимыми для кредитной системы. Делая это, он открывает двери, которые были закрыты ранее, будь то первый кредит, более крупный заем или финансирование на более справедливых условиях, чем могло бы быть иначе.
Андеррайтинг является наиболее очевидным сценарием использования, но это далеко не единственный. Основное руководство RBI по KYC рассматривает процесс идентификации клиента на основе видео (V-CIP) как юридически эквивалентный личному взаимодействию, при условии соблюдения установленных стандартов. Эта структура требует, чтобы системы V-CIP включали технологии обнаружения подделки/живости лица и сопоставления лиц, и прямо разрешает и поощряет использование ИИ для повышения надежности этих проверок.
Тот же уровень ИИ применяется для борьбы с мошенничеством с документами: технология оптического распознавания символов и криминалистические модели изображений обнаруживают измененные сканы PAN или Aadhaar, поддельные расчетные листки и синтетические личности, созданные для прохождения проверки одной базы данных, но не перекрестной.
Поскольку попытки KYC на основе дипфейков участились, этот уровень обнаружения стал столь же важен для безопасного кредитования, как и сама модель кредитного скоринга.
Роль ИИ не заканчивается на выдаче средств. Системы раннего предупреждения теперь отслеживают паттерны транзакций, отчеты по НДС и поведение по погашению живого заемщика на предмет признаков стресса — снижение остатков на счете, неудачные платежи, внезапное падение оборота — задолго до того, как кредит традиционно будет помечен как рискованный. Индийские банки и NBFC уже используют такие системы в работе.
Преимущество очевидно: кредитор, который видит нарастающий стресс, имеет возможность реструктурировать кредит или ужесточить кредитную линию до того, как он станет безнадежным долгом (NPA), вместо того чтобы обнаружить проблему только тогда, когда счет становится проблемным.
На другом конце жизненного цикла кредита ИИ меняет процесс взыскания задолженности. Вместо того чтобы связываться с каждым просроченным заемщиком одним и тем же звонком или SMS, кредиторы используют модели, которые прогнозируют, какой заемщик, скорее всего, заплатит при мягком напоминании, кому нужен телефонный звонок, а кого следует передать агенту по взысканию — подбирая метод и время контакта под заемщика, а не работая по статичному списку.
При правильном исполнении это также более справедливо по отношению к заемщикам: человек, пропустивший платеж из-за поздней оплаты от клиента, будет рассматриваться иначе, чем тот, кто пропал без вести.
Те же данные, которые определяют одобрение кредита, все чаще определяют его стоимость. Ценообразование на основе риска — взимание более низкой ставки с менее рискованного заемщика, а не применение фиксированной ставки ко всей категории продуктов — всегда было теорией кредитования; ИИ делает это практичным в масштабах миллионов мелких кредитов, поскольку он может ценообразовывать каждый файл индивидуально, а не сортировать заемщиков в несколько широких групп.
Следующий этап развития ИИ в кредитовании выйдет за рамки поддержки принятия решений и перейдет к автономной оркестровке рабочих процессов. Агенты ИИ будут все чаще заниматься сбором документов, проверкой личности, сравнением политик кредиторов, подготовкой заявок, координацией одобрений, общением с клиентами и обновлением внутренних систем, в то время как люди будут фокусироваться на исключениях и надзоре. Для кредиторов это обещает снижение операционных расходов, ускорение сроков и более стабильный клиентский опыт.
Кредитование на основе ИИ — это не отдельная, футуристическая глава в истории роста кредитования Индии. Оно стремительно становится механизмом, посредством которого будет реализована следующая фаза роста.
Основные кредитные показатели указывают на здоровый темп расширения рынка. Глубокая трансформация объясняет, почему. Больше женщин, больше заемщиков, обращающихся за кредитом впервые, и больше самозанятых и работников гиг-экономики входят в формальную кредитную экосистему, потому что кредиторы наконец могут оценить и установить цену риску для людей, которых не могла оценить традиционная система.
Настоящая возможность заключается не просто в том, чтобы сделать кредитование быстрее или эффективнее. Она состоит в переопределении того, кто получает доступ к кредиту в Индии. ИИ может трансформировать кредитование в масштабе только при условии, что оно построено на доверии, с приоритетом конфиденциальности данных, объяснимым принятием решений и сильной регуляторной согласованностью в своей основе. Если индустрия правильно реализует эти фундаментальные принципы, кредитование на основе ИИ не только ускорит рост кредитования Индии, но и приведет миллионы недообслуженных, но достойных кредита индийцев в формальную финансовую систему.
Следующая кредитная революция Индии будет измеряться не скоростью одобрения кредитов, а количеством ранее невидимых заемщиков, которые станут видимыми для формальной финансовой системы. ИИ не просто ускоряет кредитование — он имеет потенциал демократизировать доступ к кредиту, сохраняя при этом доверие и ответственное кредитование в центре внимания.
Автомобильные компании столкнулись с значительными финансовыми потерями из-за американских тарифов. С 2025 года автопроизводители понесли убытки, превышающие 35 миллиардов долларов США. Только шесть крупнейших японских автопроизводителей прогнозируют совокупный ущерб в размере 40 миллиардов долларов к марту 2027 года.
Toyota несет одну из самых больших тарифных нагрузок среди всех производителей, оцениваемую примерно в 9,1 миллиарда долларов за текущий финансовый год. Этот факт указывает на то, что отрасль столкнулась с проблемой затрат, которую внутренняя эффективность не может компенсировать, даже для самой эффективной компании в мире.
В отличие от предыдущих торговых споров, нынешняя проблема не локализована. В 2025 году «Большая тройка» из Детройта получила коллективный удар на сумму 6,5 миллиарда долларов. Кроме того, такие компании, как BMW, Honda, Hyundai-Kia, Mazda, Mercedes-Benz, Nissan, Subaru и Volkswagen, каждая отдельно сталкиваются с расходами, превышающими 1 миллиард доллара. Например, Nissan ожидает расходов на тарифы в размере 3,1 миллиарда долларов в этом году, что стало одной из причин переоборудования их завода в Миссисипи с производства электромобилей обратно на грузовики, что является признанием как экономической ситуации с тарифами, так и замедления спроса на электромобили.
Важным недооцененным аспектом является то, что американские тарифы распространяются не только на готовые автомобили, но и на комплектующие. Это превращает тесно интегрированную сеть поставок между США, Канадой и Мексикой, которую автопроизводители создавали три десятилетия, из актива в потенциальную проблему. При такой модели один автомобиль может пересекать границу несколько раз во время сборки, и каждое такое пересечение становится потенциальным событием, облагаемым пошлинами. Разоблачение такой интеграции требует многолетних, многомиллиардных изменений в том, как отрасль закупает детали, и пока никто полностью не принял на себя эти обязательства из-за неопределенности относительно постоянства тарифов.
Правительства реагируют по-разному, демонстрируя разное понимание своего рычага влияния. Южная Корея предпринимает активные шаги, снижая субсидии на электромобили на 20% в 2026 году, до уровня около 658 миллионов долларов. Это делается для поддержания внутреннего спроса, в то время как Hyundai и Kia вынуждены принимать американские тарифы, которые должны были снизиться до 15%, но формально не были закреплены в документах спустя недели после объявления. Этот разрыв между политическим соглашением и подписанным документом сам по себе является примером того, насколько неопределенностью приходится управлять компаниям даже при наличии «соглашения».
Тем временем ЕС применил противоположную стратегию в отношении Китая, вводя компенсационные пошлины на китайские батарейные электромобили. Эти меры помогли удержать долю китайских электромобилей на рынке ЕС ниже 20%. Однако ЕС также создал лазейку: с февраля китайские производители получили возможность подавать заявления о минимальной цене вместо уплаты пошлин. Первой компанией, воспользовавшейся этим путем, стала совместная компания Volkswagen в Китае. Это представляет собой тарифную стену с согласованным запасным выходом, что говорит о том, что европейские регуляторы больше заинтересованы в контроле над ценой конкуренции, чем в полном блокировании китайских электромобилей.
Совокупность этих факторов показывает, что автопроизводители больше не ждут ясности в вопросах тарифов, поскольку этой ясности не будет. Вместо этого они разрабатывают параллельные стратегии, хеджирование регионального производства, поддержку внутреннего спроса за счет субсидий и установление согласованных ценовых полов. Эти меры направлены на выживание в мире, где торговая политика является переменной, которая меняется быстрее всего и имеет наибольшее значение. Если переход на электромобили должен был стать определяющим вызовом для отрасли в этом десятилетии, то все чаще именно торговая политика диктует фактическую стратегию развития.
