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.
«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.