Межа, за якою рішення все одно ухвалює людина

За 25 років у комплаєнсі я щоразу бачу одне й те саме: система може зробити багато, але момент істини завжди виглядає як одна людина перед рішенням.

Де насправді проходить межа, за якою рішення все одно ухвалює людина?

Межа проходить там, де з’являються право, репутація та особиста відповідальність, а не там, де закінчуються технічні можливості. Іншими словами, як тільки рішення може стати предметом спору з регулятором, інвестором чи судом — останнє слово не можна віддавати лише машині.

AI і правила можуть чудово відсіювати «білий шум» — дрібні операції, типові профілі ризику, стандартні перевірки. Але питання «приймаємо/відхиляємо» щодо складного клієнта, сумнівної структури власності або транскордонної операції із санкційними юрисдикціями — це вже площина людського судження.

Саме тому навіть у високорозвинених системах фінансового моніторингу на критичних порогах завжди стоїть людина, яка бере на себе рішення й повинна потім його пояснити.

Чому автоматизація комплаєнсу обіцяє все, а у критичний момент не рятує?

Тому що більшість систем будують під «контроль процесу», а не під «якість рішення і здатність його захистити». Вони чудово рапортують про кількість скринінгів, звітів і спрацювань, але не відповідають на запитання: хто конкретно взяв на себе цей ризик і чому.

Класичний приклад — історії масових онлайн-шахрайств, описані OCCRP на прикладі Південної Азії OCCRP, 2026. Технічних сигналів там достатньо: транзакції, IP, платіжні сервіси. Але відсутність ефективної правової рамки і чітко визначеної відповідальності призводить до парадоксу: тисяча затриманих, нуль вироків.

У бізнесі це виглядає м’якше, але суть та сама: система сигналізує, юрист або комплаєнс-офіцер хвилюється, а далі все «розчиняється» у неформальних погодженнях без фіксації, хто сказав «йдемо далі».

Які рішення принципово не можна віддавати AI чи «чорній скриньці»?

Не можна віддавати машині рішення, що створюють значний правовий чи санкційний ризик, або мають ознаки конфлікту інтересів. Це стосується клієнтів, угод і структур, які можуть опинитися в центрі розслідування чи медійного скандалу.

Розслідування OCCRP щодо банків, пов’язаних із кібершахрайськими схемами в Камбоджі, показує, як недооцінка таких ризиків відгукується роками OCCRP, 2026. Формально банки проходили за процедурами, але той факт, що через них йшли гроші сумнівних проєктів, тепер стає предметом міжнародної уваги.

До категорії «тільки людина» я б віднесла:

1. Схвалення клієнтів або контрагентів із санкційних чи високоризикових юрисдикцій.
2. Операції з нетиповою економічною суттю (сума, маршрут, незвичайні умови).
3. Будь-яке відхилення від стандартної політики з формулюванням «виняток».
4. Випадки, де є ризик конфлікту інтересів посадових осіб.

Чому кейси онлайн-шахрайств і трудової експлуатації — це про межу між машиною та людиною?

Тому що вони демонструють: даних і сигналів достатньо, але рішень — ні. У випадку онлайн-шахрайств у Шрі-Ланці поліція затримує сотні людей, проте за відсутності ефективної правової рамки та узгоджених рішень правоохоронців і судів ніхто реально не несе відповідальності OCCRP, 2026.

У Європі, навпаки, акцент останніх років — на скоординованих діях щодо трудової експлуатації, де дані з різних країн і органів зводять в один операційний контур Europol, 2026. Там теж працюють алгоритми й аналітика, але ключ — у тому, що хтось бере на себе рішення: розпочати операцію, арештувати, захищати постраждалих.

Для бізнесу висновок простий: навіть ідеальні дані й антифрод-системи не замінять відповідальних людей із мандатом діяти, коли ситуація виходить за межі «типового кейсу».

Як українське «оцифрувати все» змінює очікування до рішень у комплаєнсі?

Цифровізація не скасовує людське рішення, вона лише робить його видимим і перевірним заднім числом. Закон № 4833-IX про цифровізацію примусового виконання рішень, який нещодавно набрав чинності, саме про це: детальний цифровий профіль боржника, автоматизація кроків, менше «ручного режиму» ЛІГА:ЗАКОН, 2026.

Але разом із цим кожна дія державного виконавця фіксується — хто, коли, на підставі якого документа. У приватному секторі тенденція та сама: чим більш оцифровані процеси, тим важче заховати «сіру зону» неформальних рішень.

Для компаній це означає: якщо ви запускаєте AI чи складну аналітику, доведеться паралельно будувати систему, яка чітко фіксує: де закінчився алгоритм і де конкретна посадова особа взяла на себе рішення.

Що зміни НБУ щодо арештованих депозитів говорять про роль людини в автоматизованих процесах?

Вони показують, що навіть добре налаштована банківська «машина» не може автоматично продовжувати зобов’язання, якщо змінюється юридичний контекст. НБУ заборонив банкам автоматично пролонгувати арештовані депозити: тепер пролонгація неможлива без зняття арешту чи нових дій клієнта ЛІГА:ЗАКОН, 2026.

Для комплаєнсу це пряма ілюстрація межі автоматизації:

• Раніше система могла «по інерції» продовжувати депозити за типовими правилами.
• Тепер правовий статус коштів (арешт) блокує автоматичне рішення.

І хтось у банку має ухвалити людське рішення: чи є підстави змінити статус коштів, чи потрібно інформувати клієнта, як це коректно відобразити в договорах та внутрішніх політиках.

Як зрозуміти, які рішення у вашій компанії вже «пливуть» без людини?

Почати варто з простої інвентаризації: подивитися, які дії виконуються автоматично, без ручного підтвердження, особливо щодо грошей, клієнтів і зобов’язань. Часто виявляється, що «так історично склалося», а ніхто з керівництва навіть не знає, де саме алгоритм уже став «тихим рішенням» компанії.

Корисно задати собі три запитання:

1. Які операції проходять без жодного людського погодження понад певну суму?
2. Де ми дозволили системі «схвалювати за замовчуванням», якщо немає червоного прапорця?
3. Чи є у нас регламент, який прямо говорить: «У цих випадках рішення завжди приймає людина, навіть якщо система не проти»?

Відповіді, як правило, змушують переглянути ліміти, винятки та роль комплаєнсу в автоматизованих процесах.

Які типи рішень у комплаєнсі варто автоматизувати, а які — ні?

Автоматизувати варто все, що повторюється, має чіткі правила і не тягне за собою незворотні наслідки для клієнта чи компанії. Не варто передавати машині рішення, які можуть стати предметом спору в суді, привернути увагу регулятора або істотно змінити правовий статус контрагента.

Умовно це можна звести до простої таблиці.

Якщо дивитеся в бік глибшої автоматизації, доречно паралельно перечитати, як ви зараз працюєте з даними та моделями: тут можуть стати в пригоді внутрішні дискусії навколо тем, подібних до /blog/yakist-danyh-yak-golovne-obmezhennya-komplaens-analityky або /blog/poyasnyuvanist-modeli-chomu-regulyator-pytaie-chomu-same-tak.

Як формалізувати «людську межу» в політиках і процедурах, щоб не ламати бізнес?

Формалізувати — означає не заборонити все, а чітко описати, де бізнес готовий жити з автоматичним рішенням, а де потрібен людський погляд. Це можна зробити без паралічу операцій.

Практичний підхід:

1. Класифікуйте рішення. Розбийте їх на групи: масові операційні, ризикові, стратегічні.
2. Призначте рівень контролю. Для кожної групи пропишіть: автоматично / автоматично з вибірковою перевіркою / тільки ручне рішення.
3. Визначте ролі. Хто саме приймає ручні рішення: лінійний менеджер, комплаєнс, правління.
4. Опишіть ескалацію. За яких умов кейс піднімається рівнем вище.
5. Зробіть це видимим. Включіть ці правила в політики, навчання та внутрішні системи.

Ключовий момент — не намагатися виписати все до останньої дрібниці. Важливіше мати зрозумілий принцип і точки обов’язкової людської участі, ніж «ідеальну» інструкцію на 200 сторінок, яку ніхто не читає.

Який мінімальний набір документованості потрібен, щоб захистити людське рішення в разі перевірки?

Мінімальний набір — це не «папка з політиками», а зв’язка: правила + конкретні рішення + логіка цих рішень. Регулятор чи інвестор зазвичай хоче бачити, що ваші рішення не були випадковими.

Базовий чекліст виглядає так:

1. Політика. Є документ, де описано принципи прийняття ризикових рішень (у тому числі щодо автоматизації).
2. Процедура. Є покроковий опис, як саме аналізується кейс і хто його погоджує.
3. Рішення. У системі або файлі зафіксовано: хто, коли, в якій ролі прийняв рішення.
4. Обґрунтування. Є коротка нотатка, чому рішення таке, а не інше (посилання на норми, політику, факти).
5. Перегляд. Є механізм перегляду рішень (наприклад, раз на рік — вибірковий рев’ю).

Саме така «зв’язка» дає змогу не лише пройти формальну перевірку, а й розібратися, що відбувалося в компанії у стресових моментах. Якщо вам знайомі теми з розділів /blog/yak-ne-pobuduvaty-systemu-yaku-nihto-ne-rozumiie або /blog/vnutrishnie-rozsliduvannya-pershi-dvadtsyat-chotyry-godyny, ви відчуєте, наскільки критичною є ця документованість у кризі.

Покроковий план: як за 30 днів окреслити межу між машиною й людиною у своєму комплаєнсі?

Нижче — реалістичний план, який можна пройти невеликою командою без революції в бізнесі.

1. Тиждень 1: Інвентаризація рішень.
2. Зберіть представників бізнесу, ризиків, ІТ та комплаєнсу.
3. Складіть список ключових процесів: onboarding клієнтів, платежі, кредитування, великі угоди, закупівлі, робота з проблемними активами.
4. Для кожного процесу позначте: які кроки робить система автоматично, а де вже зараз є ручні погодження.

1. Тиждень 2: Карта ризиків рішень.
2. Визначте, які автоматизовані кроки можуть створити серйозні правові, санкційні чи репутаційні наслідки.
3. Для цих кроків задайте запитання: чи справді ми готові, щоб машина вирішувала це без людини?
4. Сформуйте список «точок обов’язкового людського рішення».

1. Тиждень 3: Правила й ролі.
2. Для кожної такої точки запишіть: хто приймає рішення, у якій ролі, з якими лімітами.
3. Узгодьте з керівництвом, на якому рівні приймаються найризиковіші рішення.
4. Додайте механізм ескалації: коли й кому передається складний кейс.

1. Тиждень 4: Вбудовування й навчання.
2. Внесіть зміни у внутрішні політики й процедури.
3. З ІТ-командою налаштуйте в системах поля для фіксації людського рішення (ПІБ, роль, дата, коротке обґрунтування).
4. Проведіть точкове навчання для тих, хто буде приймати ці рішення, із розбором реальних сценаріїв.

Після такого циклу у вас з’являється не ідеальна, але вже чітка лінія: де закінчуються можливості алгоритму і де починається ваша особиста зона відповідальності як керівника.

FAQ

Чи можна взагалі покладатися на автоматичні рішення в комплаєнсі?

Так, але тільки там, де правила прості, наслідки обмежені, а ви контролюєте якість даних. Масовий санкційний скринінг, типові транзакції, базові тригери — це природна зона для автоматизації.

Щойно рішення впливає на права клієнта, можливість судового спору чи репутацію компанії, воно має проходити через людину з мандатом і відповідальністю.

Як пояснити раді директорів, що «AI не все вирішить», не звучачи як гальмо прогресу?

Показати не технічні обмеження, а регуляторні й правові. Наприклад, зміну правил НБУ щодо арештованих депозитів ЛІГА:ЗАКОН, 2026 — це кейс, де автоматичні дії банків стали несумісними з новою правовою реальністю.

Аргумент простий: AI — це підсилювач рішень, а не їхній замінник. Чим складніший ландшафт регулювання й санкцій, тим дорожче коштують помилки там, де не було людського контролю.

Чи може регулятор вимагати пояснень саме людського рішення, якщо в нас є «модель, що так порахувала»?

Так, може — і зазвичай буде. Регулятора цікавить не тільки результат, а й процес: хто, в якій ролі й на підставі чого прийняв рішення.

Посилання на «модель так показала» не знімає персональної відповідальності посадових осіб, які затвердили політику, ліміти й схему прийняття рішень.

Що робити, якщо ми вже маємо багато «чорних скриньок» у процесах і ніхто не пам’ятає, як вони налаштовувались?

Почати з ревізії найбільш критичних точок: великі транзакції, високоризикові клієнти, незвичні маршрути коштів. Там, де ви не можете пояснити логіку роботи системи, варто ввести тимчасовий ручний контроль поверх неї.

Паралельно потрібно документувати: хто відповідає за модель, як вона тестується, як вносяться зміни. Без цього у випадку спору ви залишитеся сам на сам із питанням «чому саме так». Тут доречно надихнутися підходами, описаними в матеріалі /blog/poyasnyuvanist-modeli-chomu-regulyator-pytaie-chomu-same-tak.

Чи варто окремо навчати менеджерів «приймати рішення в умовах автоматизації»?

Так, якщо ви серйозно інвестуєте в AI та дані. Менеджери мають розуміти не те, як працює конкретний алгоритм, а де закінчуються його повноваження і починаються їхні.

Таке навчання має включати розбір реальних кейсів, конфліктів інтересів, санкційних ризиків, а також типові помилки довіри до «системи, яка завжди все знає».

---

Автоматизація в комплаєнсі й управлінні ризиками неминуче рухатиметься вперед, і це добре: вона економить час, зменшує рутину та дає більше даних. Але саме тому гостріше постає питання: хто в компанії реально приймає рішення в моменти, коли на кону — не чекбокси у звіті, а відповідальність перед регулятором, інвестором і суспільством. Вартує чесно накреслити для себе цю межу між машиною та людиною до того, як її окреслять за вас результатами перевірки або розслідування.