Интеграция методов искусственного интеллекта (ИИ) и машинного обучения (МО) в управлении финансовыми рисками ускоряется как глобально, так и в Казахстане. Эти технологии повышают точность прогнозирования и позволяют автоматизировать ключевые процессы, одновременно создавая вызовы для прозрачности моделей, этичности решений и регуляторного надзора. По данным Национального банка Республики Казахстан, около 31% финансовых организаций уже применяют ИИ, при этом среди банков второго уровня доля пользователей достигает 60%. В то же время лишь небольшая часть организаций интегрировала ИИ во все ключевые бизнес-функции, что свидетельствует о начальной стадии цифровой зрелости большинства участников рынка [1]. Настоящее исследование представляет систематический обзор литературы за 2015– 2025 гг., выполненный по принципам PRISMA, и объединяет международный опыт с казахстанским контекстом применения ИИ/МО к различным видам финансовых рисков (кредитным, рыночным, операционным, мошенничества/AML). Библиометрический и тематический анализ фиксируют резкий рост публикаций после 2015 г., распространение сложных архитектур (глубокие нейронные сети, ансамблевые методы) и возрастающее внимание к объяснимому ИИ (XAI). Выявлено, что современные алгоритмы МО обеспечивают существенные улучшения точности, скорости и надежности прогнозов по сравнению с традиционными подходами [2] при сохраняющихся ограничениях интерпретируемости и внедрения на уровне производственных систем. Практическая устойчивость решений требует применения практик MLOps (контроль версий, автоматизированный ввод программ или модели в рабочую среду, где ей реально пользуются бизнес-процессы, мониторинг и валидация моделей). Научная новизна статьи заключается в комплексной систематизации методов ИИ по видам финансовых рисков (кредитный, рыночный, операционный, мошенничество/AML) с учетом XAI, а также в разработке структурированной дорожной карты внедрения ИИ для банков и регуляторов. Практическая значимость заключается в наборе конкретных рекомендаций по развитию инфраструктуры данных, процессов управления модельным риском, XAI-инструментов и SupTech-решений, предназначенных для использования финансовыми организациями и надзорными органами Казахстана.
The integration of artificial intelligence (AI) and machine learning (ML) into financial risk management is accelerating globally and in Kazakhstan. These technologies enhance forecast accuracy and automate key processes, while simultaneously posing challenges for model transparency, decision ethics, and regulatory oversight. According to the National Bank of the Republic of Kazakhstan, about 31% of financial organizations are already using AI, while among second-tier banks the share of users reaches 60%. At the same time, only a small portion of organizations have integrated AI across all key business functions, indicating that most market participants are at an early stage of digital maturity [1]. This study presents a 2010–2025 systematic literature review conducted under PRISMA principles, combining international evidence with the Kazakhstani context of applying AI/ML to various categories of financial risk (credit, market, operational, fraud/AML). Bibliometric and thematic analyses indicate a sharp post-2015 increase in publications, diffusion of complex architectures (deep neural networks, ensemble methods), and rising attention to explainable AI (XAI). Contemporary ML algorithms deliver substantial improvements in the accuracy, speed, and reliability of risk forecasts relative to traditional approaches [2], while limitations in interpretability and production-level implementation persist. The operational robustness of solutions requires MLOps practices (version control, automated deployment of software and models into production environments, and model monitoring and validation). The scientific novelty of the article lies in the comprehensive systematization of AI methods by types of financial risks (credit, market, operational, fraud/AML) with consideration of XAI, as well as the development of a structured roadmap for AI implementation for banks and regulators. The practical significance lies in a set of specific recommendations for the development of data infrastructure, model risk management processes, XAI tools, and SupTech solutions designed for use by financial organizations and supervisory authorities in Kazakhstan.