Стартап zypl.ai появился в 2021 году — его основал предприниматель из Таджикистана Азизджон Азими. Компания разрабатывает технологии, которые помогают банкам и микрофинансовым организациям снижать кредитные риски. Модель стартапа умеет определять, кто вернет деньги, а кому лучше их не выдавать. Сегодня zypl.ai работает в 20 странах, в том числе в Казахстане, сотрудничает с 60 финансовыми организациями. Последняя подтвержденная оценка компании — $40 млн.

Для совместного проекта Digital Business и Astana Hub «100 стартап-историй Центральной Азии» вице-президент по продукту zypl.ai Шухрат Халилбеков рассказал, как из AI-академии в Душанбе вырос международный финтех-стартап и зачем банкам нужны синтетические данные. Поговорили также о том, как алгоритмы компании с точностью до 98% определяют надежных заемщиков.

• Читать этот текст на казахском
• Читать этот текст на английском
• Читать этот текст на таджикском

«В ИТ привела любовь к Dota 2»

— Расскажите о себе: где вы выросли и как пришли в ИТ?

— Родился в Худжанде – это город на севере Таджикистана. В 18 лет поступил в российский университет «Высшая школа экономики». Учился на экономиста, но на 2-м курсе взял дополнительную ИТ-специальность. Можно сказать, к ней меня привела любовь к Dota 2. Однажды в университете презентовали новую специализацию по Data Science — показывали визуализации на примере этой игры: графы связей между предметами, транзакции между игроками. На меня это произвело сильное впечатление. Так начал изучать науку о данных.

— Где работали до прихода в zypl.ai?

— После университета пошел работать аудитором в Ernst & Young. Позже попал в Oliver Wyman — консалтинговую компанию, где был внутренний мини-стартап, занимающийся скорингом малого и среднего бизнеса на основе открытых данных. Там впервые серьезно столкнулся с машинным обучением в финансах: строили модели, которые по налоговому идентификатору юридического лица могли оценить риски и выдать прогноз платежеспособности компании.

Сменил еще несколько компаний, а потом начал задумываться о собственном деле. Примерно тогда же познакомился с Азизджоном Азими. Как-то он выложил сторис, что ищет в zypl.ai руководителя по продукту — человека, который разбирается в бизнесе и технологиях, чтобы руководить командой продуктов и разработки.

Посмотрел и подумал: «Вроде идеально подхожу». Написал Азизджону, предложил созвониться, мы поговорили. Так и присоединился к команде.

— Чем занималась компания тогда?

— На тот момент стартапу было 2 года. Идея zypl.ai появилась у Азизджона еще во время учебы в Стэнфорде — тогда он сформулировал концепцию платформы для оценки кредитных рисков с помощью искусственного интеллекта. Вернувшись в Таджикистан, Азизджон понял, что в стране не хватает специалистов, способных реализовать такую идею. Тогда он создал AI-академию, чтобы обучить инженеров и дата-сайентистов. Академия существует до сих пор, а из ее выпускников выросла первая команда zypl.ai.

Тогда фокусировались на технологиях для скоринга — оценки кредитоспособности потенциальных клиентов банков. Например, когда человек подает заявку на кредит в приложении, система анализирует данные и за секунды решает, одобрить или отказать. Мы создавали эти технологии – алгоритмы, которые обрабатывают данные и выдают решение.

«Снижаем долю невозвращенных кредитов на 30%»

— Что изменилось с вашим приходом в zypl.ai?

— Когда присоединился к команде, структура была «стартаперской» — без четких процессов и распределения ролей. Даже стек технологий у всех отличался: каждый работал, на чем ему было удобно. Первое, что сделал, — навел порядок: выстроил команду по направлениям, прописал зоны ответственности, ввел продуктовый roadmap (документ или визуальная схема, где указано, что и когда команда собирается делать — прим. Digital Business).

Это позволило перейти от хаотичных решений к системной разработке и сосредоточиться на ключевых продуктах — в первую очередь на zGAN, нашей технологии генерации синтетических данных, и платформе Lucid, которая позволяет нетехническим специалистам строить и обучать ML-модели.

— Объясните простыми словами, зачем нужен zGAN?

— Представьте небольшой банк. Каждый день сотрудникам нужно решать, кому выдать кредит, а кому отказать. Делать это вручную или по простым правилам вроде «если доход меньше тысячи долларов — отказ» — неточно и рискованно. Поэтому банки используют модели машинного обучения — алгоритмы, которые анализируют сотни признаков и прогнозируют, вернет ли человек кредит.

Но чтобы такая модель работала, ей нужно много качественных данных. У маленьких банков их просто нет — клиентов мало, историй погашений тоже. Как раз решаем эту проблему: наш инструмент помогает добавить недостающие данные, сгенерировать их синтетически, чтобы модель обучалась так, будто у банка информации в разы больше. Благодаря этому она точнее определяет, кто, скорее всего, вернет кредит, а кто — нет.

— А для больших банков какая ценность? В данных у них недостатка нет.

— Суть в том, что синтетические данные можно не просто использовать при их нехватке, а смешивать с реальными, чтобы сделать модель более устойчивой. zGAN способен генерировать аномальные данные, имитируя возможные, но еще не случившиеся макроэкономические сценарии — например, резкие скачки инфляции или обвал на сырьевых рынках. Речь о так называемых «черных лебедях».

Сразу скажу: мы не предсказываем конкретные случаи вроде пандемии COVID-19. Скорее создаем похожие ситуации, чтобы модель понимала, что такие отклонения возможны, и умела на них реагировать.

Если завтра случится экономический спад, падение валюты или всплеск безработицы, модель не начнет массово ошибаться в скоринге, потому что она уже «видела» похожие сценарии в обучении.

В обычных моделях точность может «скакать» от месяца к месяцу: то 95%, то 70%. Модель с синтетическими стресс-сценариями ведет себя стабильно — и это важно для регуляторов.

— Второй ваш крупный продукт — Lucid. Какую проблему он решает?

— Сотрудник банка или микрофинансовой организации может загрузить данные на платформу, выбрать задачу — скажем, скоринг или антифрод — и Lucid построит модель, проверит метрики и визуализирует результат. После этого пользователь может протестировать ее на реальных данных, сравнить с текущими показателями и при необходимости — внедрить в свои бизнес-процессы.

Фактически, это no-code инструмент, который дает возможность использовать ИИ не только крупным компаниям с собственными ML-командами, но и небольшим организациям, где таких ресурсов просто нет.

— А как измеряется эффективность ваших продуктов?

— По ключевым метрикам. В скоринге — это non-performing loan rate (доля проблемных кредитов). Если она снижается — значит, модель работает. В антифроде — количество выявленных мошеннических кейсов и минимизация ложноположительных срабатываний.

В среднем снижаем долю невозвращенных кредитов на 30%, и это дает ощутимый экономический эффект. Когда банк выдает кредит, он обязан держать часть суммы в резерве — это своего рода подушка безопасности на случай невозвратов. А такие замороженные деньги — упущенная прибыль.

Как правило, уровень просадки (разницы между прогнозом и реальным результатом) — меньше 2%, обычно около 1,5%. В некоторых регионах показатель даже лучше.

«Первая реакция была: AI? Скоринг? Идите, пожалуйста, отсюда»

— Поговорим о клиентах: сколько их и в каких странах?

— Присутствуем более чем в 20 странах. География обширная: Ближний Восток, Африка, Юго-Восточная Азия, США, Латинская Америка. В Казахстане, например, у нас уже есть несколько партнеров среди микрофинансовых организаций и один крупный банк, с которым завершаем подписание договора.

Работаем примерно с 60 организациями, включая банки и микрофинансовые компании. С помощью технологий zypl.ai банки по всему миру уже выдали кредиты на сумму свыше $400 млн.

Недавно появился интересный кейс в новой для нас отрасли — коммодити-трейдинге. Клиенты — компании, занимающиеся торговлей сырьевыми товарами (зерном, нефтью, металлом). Проще говоря, они покупают не сами товары, а ценные бумаги, обеспеченные этими активами. Для них разработали модели, которые помогают оценивать риски по сделкам на основе исторических и синтетических данных.

— Как вы находите клиентов, учитывая, что банки традиционно осторожно относятся к новым технологиям?

— В банковской сфере никто не любит рисковать, поэтому первые 2 года были самыми трудными. Когда ребята впервые рассказывали банкам в Таджикистане про скоринг и машинное обучение, реакция была примерно такая: «AI? Скоринг? Вы о чем вообще? Идите, пожалуйста, отсюда».

Первые два клиента согласились работать с нами только после многомесячных переговоров. Но когда они через полгода увидели реальные результаты — что портфель вырос, а риски снизились, — отношение к нам в индустрии изменилось. Продукт стал активно распространяться в регионе.

После первых успехов выработали понятный и прозрачный подход к новым клиентам. Не пытаемся убедить их презентациями, а предлагаем проверить все на практике. Говорим: «Не верьте нашим словам. Давайте проведем тест модели на ваших исторических данных. Сейчас у вас default rate (доля невозвращенных кредитов) 7%. Мы даем гарантию, что с помощью нашего алгоритма вы снизите уровень дефолтов на 30%». Банк присылает старые, уже обработанные заявки — те, где заранее известно, кто вернул кредит, а кто нет. Прогоняем эти данные через нашу модель и сравниваем предсказания с реальными результатами. После теста там видят, насколько точнее стали прогнозы, и принимают решение: работать с нами или нет.

— С помощью чего зарабатывает zypl.ai?

— У нас три основных формата монетизации.

Первый — по запросу. Когда в систему поступает заявка на кредит, мы ее обрабатываем, и за каждый запрос берем фиксированную плату. Стоимость зависит от объема портфеля: чем больше заявок, тем ниже цена за единицу.

Второй — фиксированная подписка. Финансовая организация платит определенную сумму в месяц или за год, без ограничений по количеству запросов. Стоимость также зависит от масштаба клиента: для небольших компаний делаем скидки, чтобы снизить нагрузку на бюджет.

Третий — success fee-based (оплата за достигнутый результат). Это новая модель, которую внедрили в этом году. Клиент покрывает только операционные расходы, а через определенный период — обычно раз в полгода — вместе анализируем результаты. Если достигнуты заранее оговоренные KPI, получаем процент от сэкономленных средств.

«До точки безубыточности остается совсем немного — планируем выйти на нее к концу этого года»

— Компания уже прибыльна или все еще на пути к этому?

— У нас очень хороший ARR, то есть годовой регулярный доход. До точки безубыточности остается совсем немного — планируем выйти на нее к концу этого года или в первом квартале следующего. Возможно, даже начнем получать прибыль.

— Сколько в проект вложено денег — собственных и венчурных?

— Компания всегда развивалась только на внешнем финансировании. Общий объем привлеченных средств — около $9,4 млн, если учитывать последний раунд на $6,3 млн по оценке $40 млн, где лид-инвестором был европейский холдинг Prosus Ventures.

— На какие цели открывали раунд в 2025-м?

— На самом деле, на момент сделки с Prosus Ventures у нас на счетах уже были собственные средства — компания могла спокойно существовать еще несколько лет без новых инвестиций. Плюс имелась стабильная выручка. Но мы понимали, что для выхода на новый уровень нужны не столько деньги, сколько репутация и связи. Когда ты приходишь к потенциальным партнерам и говоришь, что в числе твоих инвесторов Prosus Ventures, реакция совсем другая. Люди сразу понимают, что это не случайный стартап, а серьезная компания.

Тем не менее, деньги пригодились — на две основные цели. Первая — экспансия. Для нее нужны сильные сейлзы и партнерские команды. До недавнего времени у нас продажами занимались топ-менеджеры и продуктовая команда, а руководили Азизджон, я, Михир Моди (наш VP of Strategy) и операционный директор. Каждый курировал несколькой направлений. Азизджон и Михир фокусировались на международных и крупных сделках, я — с продуктовой части во всех регионах вместе с командой продукта. Сейчас наняли первого VP of Business Development — человека с большим опытом работы в кредитных бюро по всему миру. Под него формируем полноценную международную команду продаж.

Вторая цель — R&D. У нас есть несколько технологических идей, которые требуют очень высокой экспертизы. И мы не можем закрыть их силами локальных специалистов. Таких инженеров мало, и они дорого стоят.

— Что у компании в ближайших планах?

— Масштабироваться и развивать продукт. Будем внедрять новые модели искусственного интеллекта и осваивать смежные направления, например, гарантированное кредитование.

В краткосрочной перспективе фокусируемся на привлечении инвестиций. Собираемся завершить раунд Series A в первой половине 2026-го года. В долгосрочном плане рассматриваем выход на IPO. Но пока сосредоточены на росте, запуске новых продуктов и укреплении позиций на ключевых рынках.

Digital Business пен Astana Hub-тың бірлескен «Орталық Азияның 100 стартап тарихы» жобасы аясында zypl.ai компаниясының өнім жөніндегі вице-президенті Шухрат Халилбеков Душанбеде құрылған AI академиясы қалай халықаралық финтех-стартапқа айналғанын және банктерге синтетикалық деректер не үшін қажет екенін айтып берді. Компания алгоритмдері сенімді қарыз алушыларды 98% дәлдікпен қалай анықтайтыны туралы да сөйлестік.

«Мені ІТ саласына Dota 2-ге деген махаббат алып келді»

— Өзіңіз жайлы айтып беріңізші: қай жерде өстіңіз, ІТ-ге қалай келдіңіз?

— Мен Тәжікстанның солтүстігіндегі Худжанд қаласында дүниеге келдім. 18 жасымда Ресейдің «Жоғары экономика мектебі» университетіне оқуға түстім. Мамандығым — экономист. Бірақ екінші курста қосымша ІТ бағытын таңдадым. Бұл салаға келуіме, шын мәнінде, Dota 2 ойыны түрткі болды деуге болады. Бір күні университетте Data Science мамандығын таныстырды. Мысал ретінде сол ойынды алып, заттар арасындағы байланыс графтарын, ойыншылар арасындағы транзакцияларды көрсетіп берді. Сол кезде қатты әсер алдым. Осылайша деректер ғылымын оқуға кірістім.

— zypl.ai-ға келмес бұрын қай жерде жұмыс істедіңіз?

— Университетті бітірген соң Ernst & Young компаниясына аудитор болып жұмысқа тұрдым. Кейін Oliver Wyman консалтинг компаниясына ауыстым. Онда ашық деректер негізінде шағын және орта бизнеске арналған скоринг жүйесін жасаумен айналысатын ішкі шағын стартап болды. Сол жерде алғаш рет қаржы саласындағы машиналық оқытумен тереңірек таныстым, заңды тұлғаның салық идентификаторы бойынша тәуекелдерді бағалап, компанияның төлем қабілетін болжай алатын модельдер құрдық.

Бірнеше басқа компанияда да істедім, бір кезде өз ісім туралы ойлай бастадым. Сол шамада Азизжон Азимимен таныстым. Бір күні ол сторисіне zypl.ai-да өнім жөніндегі жетекші керек екенін жазды, бизнес пен технологияны қатар түсінетін, өнім мен әзірлеу тобын басқаратын адам іздеп жатыр екен.

Оны көріп, «мен бұл орынға сай келетін сияқтымын» деп ойладым. Азизжонға жазып, сөйлесейік дедім. Сөйлестік, сөйтіп кейін командаға қосылдым.

— Ол кезде компания немен айналысып жатқан еді?

— Сол кезде стартаптың құрылғанына екі жылдай болған. zypl.ai идеясы Азизжонның Стэнфордта оқып жүрген кезінде пайда болған, ол сол кезде жасанды интеллект арқылы несие тәуекелін бағалайтын платформа концепциясын ойлап тапқан. Кейін Тәжікстанға оралғанда мұндай жобаны жүзеге асыра алатын мамандардың жоқтығын түсінген. Сол себепті инженерлер мен дата-сайентистерді дайындайтын AI академиясын құрды. Академия әлі де жұмыс істейді, ал оның түлектерінен zypl.ai-дың алғашқы командасы қалыптасты.

Бастапқыда компания банктердің әлеуетті клиенттерінің төлем қабілетін бағалау — скоринг технологиясына басымдық берді. Мысалы, адам қосымша арқылы несиеге өтініш бергенде, жүйе оның деректерін талдап, бірнеше секунд ішінде несиені мақұлдау, не бас тарту туралы шешім шығарады. Біз осындай алгоритмдерді — деректерді өңдеп, шешім шығаратын технологияларды жасаумен айналыстық.

«Қайтарылмаған несиелердің үлесін 30%-ға азайтамыз»

— Сіз келгеннен кейін zypl.ai-да не өзгерді?

— Мен қосылған кезде құрылым кәдімгі стартаптағыдай болатын, яғни нақты процестер мен рөлдер анықталмаған. Тіпті әркім өзіне ыңғайлы технологиялық стекпен жұмыс істейтін. Алдымен, осының бәрін реттедім: команданы бағыттар бойынша бөлдім, жауапкершілік аймақтарын нақтыладым және өнімдік roadmap енгіздім (яғни, команда қандай өнімді қашан әзірлейтінін көрсететін құжат немесе визуалды жоспар — Digital Business еск.).

Бұл қадам жүйесіз әрекеттен арылып, негізгі өнімдерге — ең алдымен, синтетикалық деректерді генерациялайтын zGAN технологиясы мен техникалық білімі жоқ мамандарға ML-модельдер құруға мүмкіндік беретін Lucid платформасына назар аударуға жағдай жасады.

— zGAN не үшін қажет екенін қарапайым тілмен түсіндіріп беріңізші.

— Мысалы, шағын банк бар делік. Күн сайын қызметкерлерге кімге несие беріп, кімге бас тарту керектігін шешуге тура келеді. Мұны қолмен немесе қарапайым ережелермен, мысалы, «егер табысы $1000-нан аз болса — бас тарту» қағидатымен істеу дәл емес, әрі қауіпті. Сондықтан банктер жүздеген көрсеткішті талдап, адамның несиені қайтара ала ма, жоқ па, соны болжайтын машиналық оқыту модельдерін пайдаланады.

Бірақ мұндай модельдің дұрыс жұмыс істеуі үшін көп, әрі сапалы деректер қажет. Ал шағын банктерде ондай деректер жоқ: клиент аз, несиелердің тарихы да жеткіліксіз. Біз осы мәселені шешеміз: біздің құрал жетіспейтін деректерді синтетикалық түрде толықтырып, модельді банк көп деректерге ие секілді етіп үйретуге мүмкіндік береді. Соның арқасында модель кім несиені қайтарады, ал кім қайтара алмауы мүмкін екенін дәлірек анықтайды.

— Ал ірі банктерге ше? Оларда деректер жетіспеу проблемасы жоқ қой.

— Иә, бірақ синтетикалық деректер тек жетіспейтінді толықтыру үшін емес, шынайы деректермен араластырып қолдануға да болады, бұл модельдің тұрақтылығын арттырады. zGAN сирек кездесетін немесе әлі болмаған макроэкономикалық сценарийлерді, мысалы, инфляцияның күрт өсуі немесе шикізат нарығының құлдырауы сияқты жағдайларды имитациялайтын «аномалды» деректерді де жасай алады.

Бірден айтайын, біз нақты жағдайларды, мысалы COVID-19 сияқты оқиғаларды болжай алмаймыз, бірақ соған ұқсас сценарийлерді жасап, модельге осындай ауытқулар болуы мүмкін екенін және оларға қалай жауап беру керектігін үйретеміз.

Егер ертең экономикалық құлдырау, валютаның әлсіреуі немесе жұмыссыздық белең алса, модель скорингте қателікке көп ұрынбайды, өйткені ол осындай жағдайларды оқыту кезінде «көріп» үйренген.

Кәдімгі модельдердің дәлдігі ай сайын өзгеріп тұруы мүмкін: бірде 95%, бірде 70%. Ал синтетикалық стресс-сценарийлермен үйретілген модельдің нәтижесі тұрақты, бұл реттеушілер үшін өте маңызды.

— Екінші ірі өніміңіз — Lucid. Ол қандай мәселені шешеді?

— Банк немесе микроқаржы ұйымының қызметкері платформаға өз деректерін жүктейді, мысалы, скоринг немесе алаяқтықты анықтау (антифрод) тапсырмасын таңдайды. Lucid автоматты түрде модель құрып, оның метрикасын тексереді және нәтижені визуалдайды. Содан кейін пайдаланушы оны нақты деректерде сынап, қазіргі көрсеткіштермен салыстырып, қажет болса бизнес-процестеріне енгізе алады.

Бұл — код жазуды қажет етпейтін құрал, яғни ЖИ-технологияларын өз ML-мамандары жоқ шағын ұйымдар да қолдана алады.

— Ал өнімдеріңіздің тиімділігі қалай өлшенеді?

— Негізгі метрикалар арқылы. Скорингте бұл — non-performing loan rate (проблемалық несиелердің үлесі). Егер бұл көрсеткіш төмендесе, модель дұрыс жұмыс істейді деген сөз. Ал антифродта — анықталған алаяқтық жағдайларының саны және жалған оң нәтижелердің азаюы.

Біздің шешімдер орта есеппен қайтарылмаған несиелердің үлесін 30%-ға төмендетеді. Бұл банктерге елеулі экономикалық пайда әкеледі. Себебі несие берген кезде банк белгілі бір соманы резервте ұстайды, яғни, қайтарылмай қалу қаупіне қарсы «қауіпсіздік жастығы». Ал ондай «тоңазытылған» ақша — бұл жіберіп алған пайда.

Әдетте болжам мен нақты нәтиже арасындағы айырма — 2%-дан төмен, көбіне шамамен 1,5% болады. Кейбір өңірлерде бұл көрсеткіш одан да жақсы.

«Алғашқы реакция: AI? Скоринг? Өтінеміз, кетіңіздерші»

— Клиенттеріңіз туралы айтайықшы: олардың саны қанша және қай елдерден?

— Қазір біз 20-дан астам елде жұмыс істейміз. Географиямыз кең: Таяу Шығыс, Африка, Оңтүстік-Шығыс Азия, АҚШ, Латын Америкасы. Мысалы, Қазақстанда бірнеше микрокаржы ұйымымен серіктестігіміз бар және бір ірі банкпен келісімшартқа қол қоюды аяқтап жатырмыз.

Біз банктер мен микроқаржы компаниялары сияқты 60 шақты ұйыммен жұмыс істейміз. zypl.ai технологиясының көмегімен әлем бойынша банктер $400 миллионнан астам сомаға несие берді.

Жақында біз үшін жаңа сала — шикізат саудасы (коммодити-трейдинг) бойынша қызықты жоба пайда болды. Клиенттеріміз — астық, мұнай, металл сияқты шикізат тауарларын саудалайтын компаниялар. Былайша айтқанда, олар тауардың өзін емес, сол активтермен қамтамасыз етілген бағалы қағаздарды сатып алады. Біз олар үшін тарихи және синтетикалық деректерге сүйене отырып, мәмілелердің тәуекелін бағалайтын модельдер әзірледік.

— Клиенттерді қалай табасыздар? Банктер әдетте жаңа технологияларға сақтықпен қарайды ғой.

— Иә, банктік салада ешкім тәуекелге баруды ұнатпайды, сондықтан алғашқы екі жыл қиын болды. Жігіттер Тәжікстан банктеріне алғаш рет скоринг пен машиналық оқыту жайлы айтып бастағанда, олардың реакциясы шамамен мынадай еді: «AI? Скоринг? Не айтып тұрсыздар өзі? Өтінеміз, кетіңіздерші» дейтін.

Алғашқы екі клиентпен келісімге келу үшін бірнеше ай бойы келіссөздер жүргіздік. Бірақ жарты жылдан соң олар нақты нәтижелерді: несие портфелі өсіп, тәуекелдер азайғанын көргенде, бізге деген көзқарасы өзгерді. Өніміміз өңірде тез тарай бастады.

Алғашқы жетістіктен кейін біз жаңа клиенттермен жұмыс істеудің ашық әрі түсінікті тәсілін қалыптастырдық. Қазір ешкімді презентациямен иландыруға тырыспаймыз, бәрін іс жүзінде тексеруді ұсынамыз. Біз оларға: «Біздің сөзімізге сенбеңіздер. Одан да сіздердің тарихи деректеріңізде тест жасап көрейік. Қазір сіздерде дефолт деңгейі (несие қайтарылмау үлесі) 7%. Біздің алгоритм оны 30%-ға төмендететініне кепілдік береміз» дейміз. Банк бізге бұрынғы, яғни қай клиенттің несиені қайтарғаны немесе қайтармағаны белгілі ескі өтінімдерді жібереді. Біз оларды өз моделіміз арқылы өткізіп, болжамдарды нақты нәтижелермен салыстырамыз. Тесттен кейін банктер өз көзімен болжамдардың қаншалықты дәлірек болғанын көреді де, бізбен жұмыс істеу-істемеу туралы шешім қабылдайды.

— zypl.ai қалай табыс табады?

— Біздің үш негізгі монетизация форматы бар.

Біріншісі — сұраныс бойынша төлем. Жүйеге несиеге өтінім түскен сайын, біз оны өңдейміз және әрбір өтінім үшін белгіленген ақы аламыз. Баға портфель көлеміне байланысты: өтінім көп болған сайын, бір өтінімге шаққандағы құны төмендейді.

Екіншісі — тұрақты жазылым. Қаржы ұйымы ай сайын немесе жыл сайын белгілі бір соманы төлейді, ал өтінімдер санына шектеу қойылмайды. Баға клиенттің көлеміне қарай өзгереді: шағын компаниялар үшін бюджетке түсетін салмақты азайту мақсатында жеңілдіктер жасаймыз.

Үшіншісі — success fee-based ( нәтижеге қарай ақы төлеу). Бұл — біз биыл енгізген жаңа модель. Клиент тек операциялық шығындарды өтейді, ал белгілі бір мерзімнен кейін, әдетте жарты жылда бір рет біз нәтижелерді бірге талдаймыз. Егер алдын ала келісілген көрсеткіштерге (KPI) қол жеткізсек, біз үнемделген қаражаттың белгілі бір пайызын аламыз.

«Табыстылық шегіне жетуге аз қалды, жыл соңына дейін шығамыз деп жоспарлап отырмыз»

— Компания қазір табысқа шықты ма, әлде әлі жолда ма?

— Бізде жылдық тұрақты табыс көрсеткіші (ARR) өте жақсы. Табыстылық шегіне жетуге аз қалды, биылғы жылдың соңына дейін немесе келесі жылдың бірінші тоқсанында соған жетеміз деп жоспарлап отырмыз. Тіпті пайда таба бастауымыз да мүмкін.

— Жобаға қанша қаражат салынды? Қаншасы өз ақшаңыз, қаншасы венчурлық қордан?

— Компания әрдайым сыртқы инвестициялар есебінен дамып келеді. Жалпы тартылған қаражат көлемі — шамамен $9,4 миллион. Соңғы $6,3 млн раунд болғанда $40 млн-ға бағаландық, онда негізгі инвестор — еуропалық холдинг Prosus Ventures болды.

— 2025 жылғы раунд қандай мақсатта ашылды?

— Шын айтқанда, Prosus Ventures-пен мәміле жасаған сәтте компанияның есепшоттарында өз қаражатымыз жеткілікті еді, жаңа инвестициясыз-ақ бірнеше жыл бойы жұмыс істей алатындай жағдайда болдық. Тұрақты табыс та бар болатын. Бірақ біз жаңа деңгейге шығу үшін ақшадан да маңызды нәрсе — бедел мен байланыс керек екенін түсіндік. Әлеуетті серіктестермен сөйлесіп, инвесторларың арасында Prosus Ventures бар екенін айтсаң, олардың реакциясы бірден өзгереді. Олар мұндай стартаптың жай компания емес, сенімді әрі ірі ойыншы екенін түсінеді.

Дегенмен, қаржы кәдеге асты, екі негізгі бағытқа жұмсалды. Біріншісі — экспансия. Ол үшін мықты сату және серіктес командалар қажет. Бұған дейін сатумен топ-менеджерлер мен өнім командасы айналысты, ал басқаруды Азизжон, мен, біздің стратегия жөніндегі вице-президентіміз Михир Моди және операциялық директор өз мойнына алғанбыз. Әрқайсымыз бірнеше бағытты қадағаладық. Азизжон мен Михир халықаралық және ірі келісімдерге назар аударды, мен барлық өңірлердегі өнім бағытын командамен бірге жүргіздім. Қазір біз бірінші бизнес-даму жөніндегі вице-президентті (VP of Business Development) жалдадық, ол әлемнің түрлі елдеріндегі кредиттік бюроларда үлкен тәжірибесі бар маман. Енді оның айналасына толыққанды халықаралық сату командасын құрып жатырмыз.

Екіншісі — R&D, ғылыми-зерттеу және тәжірибе жұмыстары. Бізде жоғары деңгейлі техникалық сараптаманы қажет ететін бірнеше технологиялық идея бар. Мұндай бағыттарды жергілікті мамандардың күшімен іске асыру мүмкін емес, өйткені ондай инженерлер аз әрі еңбекақысы жоғары.

— Компанияның жақын уақыттағы жоспары қандай?

— Масштабты ұлғайтып, өнімді дамытамыз. Жасанды интеллекттің жаңа модельдерін енгізіп, кепілдендірілген несиелеу сияқты іргелес бағыттарды да игереміз.

Қысқа мерзімде басты назар — инвестиция тарту. 2026 жылдың бірінші жартысында Series A раундын аяқтауды жоспарлап отырмыз. Ұзақ мерзімде IPO-ға шығу мүмкіндігін қарастырып жатырмыз. Бірақ қазір негізгі басымдық — өсу, жаңа өнімдерді іске қосу және басты нарықтардағы позициямызды нығайту.

A Tajik entrepreneur founded an AI startup serving the banking sector. It’s already valued at $40 million

The startup zypl.ai was founded in 2021 by Tajik entrepreneur Azizjon Azimi. The company develops technologies that help banks and microfinance institutions reduce credit risk. Their model can predict who is likely to repay a loan and who shouldn’t be approved. Today, zypl.ai operates in 20 countries, including Kazakhstan, and partners with 60 financial institutions. The latest confirmed valuation of the company is $40 million.

As part of the joint project by Digital Business and Astana Hub, “100 Startup Stories of Central Asia,” Shukhrat Khalilbekov, Vice President of Product at zypl.ai, shared how an AI academy in Dushanbe evolved into an international fintech startup and why synthetic data is essential for banks. We also talked about how the company’s algorithms can identify reliable borrowers with up to 98% accuracy.

«I got into IT thanks to my love for Dota 2»

— Tell us about yourself. Where did you grow up, and how did you get into IT?

— I was born in Khujand, a city in northern Tajikistan. At 18, I enrolled at the Higher School of Economics in Russia, majoring in economics. But in my second year, I picked up an additional focus in IT. You could say it was my love for Dota 2 that led me there. One day, the university presented a new Data Science program and used the game as an example, visualizing things like item networks and player transactions. That really stuck with me. That’s when I started diving into data science.

— Where did you work before joining zypl.ai?

— After university, I started out as an auditor at Ernst & Young. Later, I joined Oliver Wyman, a consulting firm that had an internal mini-startup focused on scoring small and medium-sized businesses using open data. That’s where I first got hands-on experience with machine learning in finance. We built models that could assess risk and predict a company’s creditworthiness just from its tax ID number.

I worked at a few more companies after that, and eventually started thinking about launching something of my own. Around that time, I came across Azizjon Azimi. He had posted a story saying he was looking for a Head of Product at zypl.ai, someone who understands both business and tech, and could lead the product and development teams.

I saw the post and thought, “This sounds like a perfect fit for me.” I messaged Azizjon, suggested we jump on a call, and we talked. That’s how I joined the team.

— What was the company working on at that time?

— At that time, the startup was two years old. The idea for zypl.ai came to Azizjon while he was studying at Stanford. That’s when he developed the concept of a platform that uses artificial intelligence to assess credit risk. When he returned to Tajikistan, he realized there weren’t enough specialists in the country to bring that idea to life. So he launched an AI academy to train engineers and data scientists. The academy still exists today, and its graduates became the first team behind zypl.ai.

Back then, the focus was on credit scoring technology, assessing the creditworthiness of potential bank clients. For example, when someone applies for a loan through a mobile app, the system analyzes their data and decides within seconds whether to approve or reject the application. We were building that tech, developing algorithms that process the data and deliver a decision.

«We reduce the share of unpaid loans by 30 percent»

— What changed after you joined zypl.ai?

— When I joined the team, the structure was very much in startup mode. There were no clear processes or role distributions. Even the tech stack varied from person to person — everyone used whatever they were most comfortable with. The first thing I did was bring some order. I organized the team by function, defined areas of responsibility, and introduced a product roadmap (a document or visual plan that lays out what the team is going to build and when — note by Digital Business).

That helped us shift from scattered, ad hoc solutions to a more systematic development process. We were able to focus on our key products, starting with zGAN, our synthetic data generation technology, and Lucid, a platform that lets non-technical users build and train machine learning models.

— Can you explain in simple terms what zGAN is for?

— Imagine a small bank. Every day, employees have to decide who gets approved for a loan and who gets denied. Doing this manually or using simple rules like “if income is under a thousand dollars, then reject” is risky and not very accurate. That’s why banks rely on machine learning models. These are algorithms that can analyze hundreds of factors and predict whether a person is likely to repay the loan.

But for a model like that to work well, it needs a lot of high-quality data. Small banks usually don’t have enough of it, because they don’t have many clients or enough repayment history. That’s exactly the problem we solve. Our tool helps fill in the gaps by generating synthetic data, so the model can train as if the bank had much more information. As a result, it becomes more accurate at predicting who is likely to repay a loan and who is not.

— What about big banks? They don’t seem to have a shortage of data, so where’s the value for them?

— The point is, synthetic data isn’t just useful when you’re short on real data. You can mix it with actual data to make your model more resilient. zGAN can generate rare or extreme cases, simulating macroeconomic scenarios that haven’t happened yet, like sudden spikes in inflation or a collapse in commodity markets. This helps banks prepare for so-called “black swan” events.

Let me clarify right away: we don’t try to predict specific events like the COVID-19 pandemic. It’s more about simulating similar scenarios so the model learns that such deviations can happen and knows how to respond when they do.

If there’s an economic downturn tomorrow, a currency crash, or a spike in unemployment, the model won’t start making a flood of mistakes in credit scoring because it has already “seen” similar scenarios during training.

In regular models, accuracy can fluctuate from month to month — one time it’s 95%, then it drops to 70%. A model trained with synthetic stress scenarios behaves more consistently, and that kind of stability is crucial for regulators.

— Your second major product is Lucid. What problem does it solve?

— A bank or microfinance employee can upload their data to the platform and choose a task, like credit scoring or fraud detection. Lucid then builds the model, checks its metrics, and visualizes the results. After that, the user can test it on real data, compare it with their current performance, and if needed, integrate the new model into their business processes.

Basically, it’s a no-code tool that makes it possible for smaller organizations to use AI, not just large companies with in-house ML teams. It opens the door for businesses that don’t have those kinds of resources.

— How do you measure the effectiveness of your products?

— We focus on key metrics. For credit scoring, it’s the non-performing loan rate (the share of bad loans). If that number goes down, it means the model is working. For fraud detection, it’s about the number of fraudulent cases caught and reducing false positives.

On average, we reduce the share of unpaid loans by 30%, which brings a noticeable economic benefit. When a bank issues a loan, it’s required to keep part of that amount in reserve as a safety cushion in case of defaults. But those frozen funds represent lost profit.

Typically, the drop-off rate, which is the difference between the model’s prediction and the actual result, is under 2%, and usually around 1.5%. In some regions, it performs even better.

«The first reaction was: AI? Scoring? Please leave»

— Let’s talk about your clients. How many do you have, and in which countries are they located?

— We’re active in more than 20 countries. Our reach is pretty broad, covering the Middle East, Africa, Southeast Asia, the US, and Latin America. In Kazakhstan, for example, we already have several microfinance partners and are finalizing a contract with a major bank.

We work with around 60 organizations, including banks and microfinance institutions. Using zypl.ai’s technology, banks around the world have already issued over $400 million in loans.

We recently had an interesting case in a new industry for us — commodity trading. The clients were companies that deal in trading raw materials like grain, oil, and metals. To put it simply, they don’t buy the physical goods but rather securities backed by these assets. For them, we developed models that help assess deal risks using both historical and synthetic data.

— How do you find clients, considering that banks are traditionally cautious about adopting new tech?

— The banking sector is very risk-averse, so the first two years were the toughest. When the team first started talking to banks in Tajikistan about credit scoring and machine learning, the reaction was something like, “AI? Scoring? What are you even talking about? Please leave.”

Our first two clients only agreed to work with us after months of negotiations. But once they saw real results six months later, including growth in their loan portfolios and reduced risk, the industry’s attitude started to shift. That’s when the product began spreading actively across the region.

After those early wins, we developed a clear and transparent approach for onboarding new clients. We don’t try to convince them with presentations. Instead, we invite them to test everything in practice. We say, “Don’t take our word for it. Let’s run a model test on your historical data. If your current default rate is 7%, we guarantee our algorithm can reduce it by 30%.” The bank sends us old, already processed loan applications — cases where the outcomes are known. We run that data through our model and then compare the predictions to the actual results. After the test, they see how much more accurate the forecasts are, and then decide whether to work with us.

— How does zypl.ai make money?

— We have three main monetization models.

The first model is pay-per-request. When a loan application comes into the system, we process it and charge a fixed fee for each request. The price depends on the size of the portfolio. The more applications there are, the lower the cost per request.

The second model is a fixed subscription. A financial organization pays a set amount monthly or annually, with no limits on the number of requests. The pricing also depends on the size of the client. We offer discounts to smaller companies to ease the pressure on their budgets.

The third model is success fee-based, and it’s a new approach we introduced this year. The client only covers operational costs upfront. After a set period, usually every six months, we review the results together. If the agreed-upon KPIs are met, we receive a percentage of the savings generated.

«We’re very close to breaking even and plan to reach that point by the end of this year»

— Is the company already profitable or still on the path to profitability?

— We have a strong ARR, meaning annual recurring revenue. We’re very close to breaking even and expect to reach that point by the end of this year or in the first quarter of next year. We might even start turning a profit.

— How much money has been invested in the project, both personal and venture capital?

— The company has always grown through external funding. The total amount raised is around $9.4 million, including the most recent round of $6.3 million at a $40 million valuation. The lead investor in that round was the European holding company Prosus Ventures.

— What was the purpose of the funding round in 2025?

— At the time of the deal with Prosus Ventures, we already had enough funds in our accounts to operate comfortably for several more years without raising new investments. We also had stable revenue. But we realized that to reach the next level, we needed more than just money. We needed reputation and connections. When you approach potential partners and mention that Prosus Ventures is one of your investors, the reaction is completely different. People immediately see that this isn’t just a random startup but a serious company.

Still, the funding came in handy for two main goals. The first was expansion. That requires a strong sales and partnerships team. Until recently, our sales were handled by top management and the product team. Leadership was shared between Azizjon, myself, Mihir Modi (our VP of Strategy), and our COO. Each of us oversaw several areas. Azizjon and Mihir focused on international and large-scale deals, while I handled the product side across all regions with the product team. Now we’ve hired our first VP of Business Development, a person with extensive experience working in credit bureaus around the world. We’re currently building a full international sales team around him.

The second goal is R&D. We have several technological ideas that require a very high level of expertise. And we can’t implement them using only local specialists. Engineers with the necessary skills are rare and come at a high cost.

— What are the company’s upcoming plans?

— To scale and keep developing the product. We plan to introduce new AI models and expand into related areas, such as guaranteed lending.

In the short term, we’re focused on attracting investment. We plan to close our Series A round in the first half of 2026. In the long term, we’re considering going public. For now, our main focus is on growth, launching new products, and strengthening our position in key markets.

Ҷавони тоҷик стартапи зеҳни сунъиро барои бонкҳо таъсис дод. Он аллакай $40 млн арзёбӣ шуд

Стартапи zypl.ai соли 2021 таъсис ёфт — онро соҳибкори тоҷик Азизҷон Азимӣ бунёд кардааст. Ширкат технологияҳоеро таҳия мекунад, ки ба бонкҳо ва ташкилоти хурди молиявӣ дар кам кардани хатарҳои қарзӣ кӯмак мерасонанд. Модели стартап метавонад муайян кунад, ки кӣ маблағро бармегардонад ва ба кӣ беҳтар аст қарз надод. Имрӯз zypl.ai дар 20 кишвар фаъолият дорад ва бо 60 ташкилоти молиявӣ, аз ҷумла дар Қазоқистон, ҳамкорӣ дорад. Арзиши тасдиқшудаи охирини ширкат — $40 млн мебошад.

Муовини президенти маҳсулоти zypl.ai Шӯҳрат Халилбеков ба лоиҳаи муштараки Digital Business ва Astana Hub — «100 достони стартапи Осиёи Марказӣ» нақл кард, ки чӣ гуна аз AI-академия дар Душанбе стартапи байналмилалии технологияҳои молиявӣ (финтех) ба вуҷуд омад ва чаро ба бонкҳо маълумоти синтетикӣ лозим аст. Ҳамчунин дар бораи алгоритмҳои ширкат суҳбат кардем, ки чӣ гуна метавонанд бо дақиқии то 98% қарзгирандагони боэътимодро муайян кунанд.

«Ба IT маро Dota 2 овард»

— Дар бораи худ нақл кунед: шумо дар куҷо ба воя расидед ва чӣ гуна ба IT омадед?

— Ман дар Хуҷанд таваллуд шудаам — ин шаҳр дар шимоли Тоҷикистон аст. Дар 18-солагӣ ба донишгоҳи русии «Мактаби олии иқтисодӣ» дохил шудам. Ихтисосам иқтисоддон буд, вале дар курси 2-юм ихтисоси иловагии IT гирифтам. Метавон гуфт, ки муҳаббат ба Dota 2 маро ба IT овард. Он вақт дар донишгоҳ ихтисоси нав оид ба Data Science муаррифӣ шуд — рӯнамоӣ дар мисоли ҳамин бозӣ буд: робита байни ашёҳо, амалиёт (транзаксияҳо) байни бозигарон ва ғайра. Ин рунамоӣ хеле ҷолиб буд ва ҳамин тавр ман ба омӯзиши илми додаҳо (data) сар кардам.

— Пеш аз ба zypl.ai омадан дар куҷо кор мекардед?

— Баъди донишгоҳ ба ҳайси аудитор дар Ernst & Young корро оғоз кардам. Баъдтар ба ширкати консалтинги Oliver Wyman гузаштам, ки стартапи дохилӣ оид ба баҳогузории (scoring) соҳибкории хурду миёна дар асоси додаҳои боз дошт. Дар он ҷо бори аввал ҷиддан бо омӯзиши мошинӣ (machine luarning) дар соҳаи молия дучор шудам: моделҳое месохтем, ки тавассути рақами мушаххаси андозсупорандаи шахси ҳуқуқӣ хавфҳоро баҳогузорӣ карда, қобилияти пардохтпазирии ширкатро муайян мекарданд.

Боз дар чанд ширкати дигар кор кардаму баъдан дар бораи кори мустақилона фикр кардам. Иттифоқан ҳамон вақт бо Азизҷон Азимӣ шинос шудам. Як рӯз ӯ дар шабакаи иҷтимоӣ навишт, ки zypl.ai роҳбари маҳсулот меҷӯяд. Номзад ҳам тиҷорат ва ҳам технологияҳоро бояд хуб медонист то ин самтро роҳбарӣ кунад.

Дидам ва андешидам: «Ба фикрам, ба талабот пурра мувофиқам». Ба Азизҷон навиштам ва пешниҳоди сӯҳбат кардам. Ҳамин тавр баъди сӯҳбат ба дастаи zypl.ai ҳамроҳ шудам.

— Ширкат он вақт бо чӣ машғул буд?

— Дар он вақт стартап 2-сола буд. Ғояи zypl.ai ҳанӯз ҳангоми таҳсили Азизҷон дар Стэнфорд пайдо шуда буд. Он вақт ӯ консепсияи платформаеро барои арзёбии хатарҳои қарзӣ бо истифода аз зеҳни сунъӣ таҳия карда буд. Аммо баъди бозгашт фаҳмид, ки дар кишвар мутахассисон намерасанд. Ҳамин тавр ӯ AI-академия созмон дод, то муҳандисон ва мутахассисони додаҳоро (data scientists) омӯзонад. Аз шумори хатмкардагон дастаи аввалини zypl.ai ба вуҷуд омад ва академия то ҳол фаъолият дорад.

Он вақт диққат ба технологияҳои скоринг — баҳогузории қобилияти пардохтпазирии муштариёни эҳтимолии бонкҳо равона буд. Масалан, вақте шахс дар барнома барои қарз дархост мегузорад, система додаҳоро таҳлил карда, давоми чанд сония мқайян мекунад, ки қарз дода шавад ё рад карда шавад. Мо ин технологияҳо — алгоритмҳое, ки додаҳоро коркард карда қарор мебароранд, месохтем.

«Мо ҳиссаи қарзҳои барнагаштаҳоро то 30% кам мекунем»

— Пас аз ба zypl.ai пайвастани шумо чӣ тағйир ёфт?

— Вақте ба даста ҳамроҳ шудам, сохтор «стартапӣ» буд — бе равандҳои дақиқ ва тақсимоти масъулият. Ҳатто маҷмӯи технологияҳои корӣ байни кормандон ягонагӣ набуд: ҳар кас бо абзори ба худаш қулай кор мекард.
Ман аз тартибот оғоз кардам: даставу самтҳоро муайян кардам, масъулиятҳоро равшан тартиб додам, харитаи роҳ сохтам. (Roadmap — ин ҳуҷҷат ё нақшаи визуалӣ аст, ки дар даста кай ва чӣ кор мекунад тасвир шудааст — тавзеҳи Digital Business).

Ин ба мо имкон дод, ки аз қарорҳои бетартиб ба рушди системавӣ гузарем ва ба маҳсулоти калидӣ тамаркуз кунем: zGAN — технологияи тавлиди додаҳои синтетикӣ ва платформаи Lucid, ки ба мутахассисони ғайритехникӣ имкон медиҳад моделҳои ML созанд.

— Ба забони содда фаҳмонед, ки zGAN барои чӣ лозим аст?

— Як бонки хурдро тасаввур кунед. Ҳар рӯз кормандон бояд қарор қабул кунанд, ки ба кӣ қарз диҳанду ба кӣ не. Ин корро дастӣ ё бо қоидаҳои содда, ба мисоли «агар даромади муштарӣ аз ҳазор доллар кам бошад — рад карда шавад», анҷом додан хатарнок ва нодуруст аст. Аз ин рӯ бонкҳо моделҳои омӯзонидаи мошиниро истифода мебаранд — алгоритмҳое, ки садҳо нишонаҳоро таҳлил намуда пешгӯӣ мекунанд, ки шахс қарзро бармегардонад ё не.

Аммо барои он ки чунин модел кор кунад, ба он маълумоти зиёд ва босифат лозим аст. Дар бонкҳои хурд онҳо нестанд — мизоҷон каманд, таърихи қарзу пардохт низ. Мо маҳз ҳамин мушкилро ҳал мекунем: барномаи мо додаҳои нокифояро бо маълумоти синтетикӣ пурра мекунад ва ба омӯзиши модел кӯмак мерасонад. Ба ин шакл модел дақиқтар муайян мекунад, ки кӣ эҳтимолан қарзро бармегардонад ва кӣ не.

— Барномаи шумо барои бонкҳои калон чӣ арзиш дорад?

— Моҳият дар он аст, ки додаҳои синтетикиро на танҳо ҳангоми норасоӣ, балки барои устувортар кардани модел истифода бурдан мумкин аст. zGAN метавонад додаҳои аномалиро тавлид кунад, ки сенарияҳои макроиқтисодии эҳтимолиро месозанд. Масалан, ҷаҳиши шадиди сатҳи таваррум ё фурӯпошии бозори ашёи хом.

Мо рӯйдодҳои мушаххас, ба монанди пандемияи COVID-19-ро пешгӯӣ намекунем. Баръакс вазъиятҳои монандро эҷод мекунем, то модел дарк кунад, ки чунин инҳирофҳо метавонанд рӯй диҳанд ва омода бошад ба онҳо вокуниш нишон диҳад.

Агар фардо поёнравии иқтисодӣ, афтодани қурби асъор ё афзоиши бекорӣ рух диҳад, модел дар баҳогузорӣ хато намекунад, зеро қаблан сенарияҳои монандро дар омӯзиш «дида» буд.

Дар моделҳои маъмулӣ дақиқӣ метавонад аз моҳ ба моҳ «ҷаҳиш» дошта бошад: як моҳ 95%, дигараш 70%. Модели дорои сенарияҳои синтетикӣ устувор кор мекунад — ва ин барои танзимгарони соҳа муҳим аст.

— Маҳсули бузурги дуюми шумо — Lucid. Он кадом мушкилро ҳал мекунад?

— Корманди бонк ё ташкилоти хурди молиявӣ метавонад додаҳоро ба платформа ворид карда вазифаро интихоб намояд — масалан, баҳогузорӣ (scoring) ё зиддиқаллобӣ (antifrod). Пас аз ин Lucid модели зеҳни сунъи месозад, нишондодҳоро месанҷад ва натиҷаашро ба таври тасвирӣ намоиш медиҳад. Пас аз ин, корбар метавонад онро бо додаҳои воқеӣ санҷида, бо нишондиҳандаҳои ҷорӣ муқоиса кунад ва дар ҳолати зарурӣ ба раванди тиҷорат ворид намояд.

Дар асл ин абзори бидуни коднависӣ (no-code) аст, ки имкон медиҳад ташкилоти хурд бе дастаи мутахассисони ML ҳам аз AI истифода баранд, на танҳо ширкатҳои бузург.

— Самаранокии маҳсулоти шумо чӣ гуна ҳисоб мешавад?

— Аз рӯи нишондодҳои асосӣ. Дар баҳогузорӣ (scoring) ин ҳиссаи қарзҳои мушкилофар (non-performing loan rate) аст. Агар он кам шавад, пас модел кор мекунад. Дар зиддиқаллобӣ (antifrod) —шумораи ҳолатҳои ошкоршудаи қаллобӣ.
Ба ҳисоби миёна мо ҳиссаи қарзҳои барнагаштаро то 30% кам мекунем ва ин ба бонкҳо таъсири иқтисодии назаррас медиҳад. Бубинед, вақте бонк қарз медиҳад, бояд қисми маблағро дар захира нигоҳ дорад — ин як навъ болишти амният дар ҳолати барнагаштани қарз аст. Ва чунин маблағҳои «яхкардашуда» — фоидаи аздастрафта мебошанд.

Одатан, сатҳи коҳиш (тафовут байни пешгӯӣ ва натиҷаи воқеӣ) аз 2% камтар, ҳудуди 1,5% аст. Дар баъзе минтақаҳо нишондиҳанда боз ҳам беҳтар аст.

«Вокуниши аввал чунин буд: AI? Скоринг? Лутфан аз ин ҷо бароед»

— Дар бораи мизоҷон суҳбат кунем: чанд мизоҷ доред ва дар кадом кишварҳо?

— Дар зиёда аз 20 кишвар ҳузур дорем, ҷуғрофиё васеъ аст: Шарқи Наздик, Африқо, Осиёи Ҷанубу Шарқӣ, ИМА, Амрикои Лотинӣ. Масалан, дар Қазоқистон мо аллакай чанд шарик дар миёни ташкилотҳои хурди молиявӣ ва як бонки калон дорем, ки марҳилаи имзои шартномаро анҷом медиҳем. Тақрибан бо 60 ташкилот, аз ҷумла бонкҳо ва ширкатҳои хурди молиявӣ кор мекунем. Бо истифода аз технологияҳои zypl.ai бонкҳо дар тамоми ҷаҳон аллакай ба маблағи зиёда аз $400 млн қарз додаанд.

Ба наздикӣ дар соҳаи барои мо нав — трейдинги ашёи хом як ҳолати ҷолиб пайдо шуд. Мизоҷон ширкатҳое мебошанд, ки бо савдои молҳои хом (ғалладона, нафт, фулузот) машғуланд. Ба ибораи содда, онҳо худи молҳоро не, балки коғазҳои қиматнокро, ки бо ин маҳсулот таъмин шудаанд, мехаранд. Барои онҳо моделҳое таҳия кардем, ки хавфҳоро дар асоси додаҳои таърихӣ ва синтетикӣ баҳогузорӣ мекунанд.

— Мизоҷонро чӣ гуна меёбед, зеро бонкҳо одатан нисбат ба технологияҳои нав эҳтиёткор ҳастанд?

— Дар бахши бонкдорӣ ҳеҷ кас хатарро дӯст намедорад, аз ин рӯ 2 соли аввал мушкилтарин буданд. Вақте кормандон ба бонкҳои Тоҷикистон дар бораи баҳогузорӣ ва омӯзиши мошинӣ нақл мекарданд, вокуниш тақрибан чунин буд: «AI? Скоринг? Дар бораи чӣ ҳарф мезанед? Лутфан аз ин ҷо бароед».

Ду мизоҷи аввал танҳо баъди чанд моҳи музокира розӣ шуданд, ки бо мо кор кунанд. Вақте онҳо баъди ним сол натиҷаҳои воқеӣ — афзудани сармоя ва кам шудани хатарҳоро диданд, муносибат ба мо дар соҳа дигар шуд. Ва маҳсулоти мо дар минтақа хуб паҳн шуд.

Баъди муваффақиятҳои аввал мо усули фаҳмову шаффоф барои мизоҷони нав таҳия кардем. Дигар кӯшиш намекунем онҳоро бо рӯнамоӣ бовар кунонем, балки пешниҳод мекунем, ки ҳама чизро дар амал санҷанд. Мегӯем: «Ба суханони мо бовар накунед. Биёед санҷиши моделро дар додаҳои кӯҳнаи худатон анҷом медиҳем. Ҳоло ҳиссаи қарзҳои барнагашта (default rate) 7% аст. Мо кафолат медиҳем, ки бо алгоритми мо ин рақам 30% кам мешавад». Бонк дархостҳои кӯҳнаро, ки натиҷаашон аллакай маълуманд, мефиристад. Мо ин додаҳоро аз тариқи модели худ мегузаронем ва пешгӯиҳоро бо натиҷаҳои воқеӣ муқоиса мекунем. Баъд аз санҷиш мебинанд, ки пешгӯиҳо то чӣ андоза дақиқ ҳастанд ва дар маврили ҳамкорӣ бо мо қарор қабул мекунанд.

— zypl.ai аз чӣ даромад мегирад?

— Се роҳи асосии даромад дорем.

Якум — аз рӯйи дархост. Вақте ба система дархости қарз ворид мешавад, мо онро коркард карда ҳаққи муайян мегирем. Арзиш аз ҳаҷм вобаста аст: ҳар қадар дархост зиёд бошад, нарх пасттар мешавад.

Дуюм — обунаи собит. Ташкилоти молиявӣ ҳар моҳ ё сол маблағи мушаххас мепардозад ва ягон маҳдудият ба шумораи дархостҳо нест. Арзиш инҷо аз мизоҷ вобаста аст: барои ширкатҳои хурд тахфиф медиҳем, то фишор ба буҷеташон кам шавад.

Сеюм — пардохт барои натиҷаи бадастомада (success fee-based). Ин модели нав аст, ки имсол ворид кардем.

Мизоҷ танҳо хароҷоти оператсиониро мепӯшонад, ва баъд аз давраи муайян — одатан ҳар ним сол — натиҷаҳоро якҷоя таҳлил мекунем. Агар KPI-ҳои пешакӣ мувофиқшуда ба даст омада бошанд, мо аз маблағҳои сарфашуда фоиз мегирем.

«То нуқтаи безарарӣ (break-even point) кам мондааст — ният дорем то охири ҳамин сол ба он бирасем»

— Ширкат аллакай фоидабахш аст?

— Мо ARR-и хеле хуб дорем, яъне даромади мунтазами солона. То нуқтаи безарарӣ кам мондааст — ният дорем то охири ин сол ё дар семоҳаи якуми соли оянда ба он бирасем. Эҳтимол аст, ки ҳатто фоида ҳам ба даст орем.

— Ба лоиҳа чӣ миқдор маблағи худӣ ва беруна сарф шудааст?

— Лоиҳа то ҳол танҳо аз ҳисоби маблағгузории беруна рушд ёфтааст. Ҳаҷми умумии маблағҳои ҷалбшуда — тақрибан $9,4 млн аст. Ин бо дарназардошти даври охирини ҷалби $6,3 млн бо арзёбии $40 млн, ки сармоягузори асосиаш Prosus Ventures-и аврупоӣ буд.

— Барои кадом ҳадафҳо даври маблағгузории соли 2025 кушода шуд?

— Дар асл, дар вақти қарордод бо Prosus Ventures дар суратҳисобҳои мо аллакай маблағи кофӣ буд — ширкат метавонист боз чанд сол бе сармоягузории нав фаъолият кунад. Ҳамчунин даромади устувор дошт. Вале мо мефаҳмидем, ки барои расидан ба сатҳи нав бештар аз пул обрӯ ва робитаҳо лозиманд. Вақте ба шарикони эҳтимолӣ меоед ва мегӯед, ки дар миёни сармоягузорони шумо Prosus Ventures аст, вокуниш тамоман дигар мешавад. Одамон мефаҳманд, ки ин дигар стартапи тасодуфӣ не, балки як ширкати ҷиддӣ аст.

Бо вуҷуди ин, маблағҳо лозим шуданд — барои ду ҳадафи асосӣ.

Аввал — густариш. Барои ин гурӯҳҳои қавии фурӯш ва дастаҳои шарикӣ лозиманд. То ба наздикӣ фурӯшро топ-менеҷерҳо ва дастаи маҳсулот анҷом медоданд. Роҳбариро Азизҷон, ман, Михир Моди (VP of Strategy) ва директори оператсионӣ — ба зима доштем. Ҳар кадом чанд самтро назорат мекард. Азизҷон ва Михир ба созишҳои байналмилалӣ ва калон тамаркуз доштанд, ман ба қисми маҳсулот дар тамоми минтақаҳо. Ҳоло мо шахсеро бо таҷрибаи бузурги кор дар бюроҳои қарзӣ дар саросари ҷаҳон ҳамчун нахустин VP of Business Development ҷалб кардем. Зери роҳбарии ӯ дастаи пурраи фурӯши байналмилалӣ ташкил мекунем.
Ҳадафи дуюм — R&D. Мо якчанд ғояҳои технологӣ дорем, ки экспертизаи хеле баланд талаб мекунанд. Мо наметавонем онҳоро бо қувваи мутахассисони маҳаллӣ пӯшонем. Чунин муҳандисон каманд ва ҳаққи кори онҳо баланд аст.

— Дар ояндаи наздик ширкат чӣ нақшаҳо дорад?

— Густариш ва рушди маҳсулот. Мо моделҳои нави зеҳни сунъиро ворид карда, самтҳои вобаста, масалан, қарздиҳии кафолатнокро инкишоф медиҳем.
Дар ояндаи наздик, мо ба ҷалби сармоягузорӣ тамаркуз мекунем. Ният дорем даври Series A-ро дар нимсолаи аввали соли 2026 анҷом диҳем.

Дар ояндаи дур — баромадан ба IPO-ро баррасӣ мекунем. Вале ҳоло ба рушд, ба роҳ мондани маҳсулоти нав ва таҳкими мавқеъ дар бозорҳои калидӣ тамаркуз дорем.