С 1 января 2026 г. вступили в силу положения Федерального закона от 28.11.2025 № 425-ФЗ, предусматривающие повышение стандартной ставки НДС с 20 до 22%, а также отмену налоговой льготы в виде освобождения от НДС при оказании услуг по обслуживанию банковских карт (в их числе услуги эквайринга и процессинга). Такие изменения актуализируют для налогоплательщиков вопросы корректности определения величины налоговой обязанности по НДС и методологии расчета налоговых вычетов. Одно из направлений работы по правомерному заявлению всех доступных вычетов НДС при осуществлении облагаемых и не облагаемых налогом операций — организация раздельного учета НДС в соответствии с требованиями законодательства. При этом в силу прямого указания закона определенным категориям налогоплательщиков (в том числе банковским организациям) предоставлена возможность выбрать специальный порядок расчета НДС (когда налог по отдельным операциям уплачивается, но вычеты не заявляются) в качестве альтернативы общему механизму исчисления налога, что исключает необходимость ведения раздельного учета. Каковы основные требования к организации раздельного учета НДС? Когда вести раздельный учет не обязательно? Подробности — в статье.

При налоге на прибыль 25%, НДС 22%, страховых взносах 30% универсальным способом снижения налоговой нагрузки остается применение льгот. Проблема на практике заключается не в отсутствии законных инструментов, а в их недостаточном использовании. Несмотря на отклонение законопроекта о налоге на сверхприбыль (январь 2026 г.), сохраняется высокая вероятность повышения налоговой нагрузки на банки в среднесрочной перспективе. Налоговый орган в рамках контроля все чаще фокусируется не только на выявлении откровенных схем, но и на анализе экономической сути операций, проверяя наличие убедительной деловой цели и экономической оправданности. В этих условиях эффективное и безопасное снижение налоговой нагрузки достигается не поиском «лазеек», а системным использованием предусмотренных законом механизмов. К ним относятся: правомерное применение налоговых вычетов и льгот; обоснованный выбор специального режима налогообложения; грамотное структурирование расходов с надлежащим документальным подтверждением. Рассмотрим ключевые инструменты, применимые именно к банковской сфере.

В управлении кредитным риском с применением статистических моделей важным предварительным шагом является нарезка портфеля на группы, достаточно однородные по профилю кредитного риска объектов (заемщиков, ссуд). Состав и правила формирования таких групп могут существенно различаться исходя из цели и типа модели. Подходы к эффективной группировке сейчас наиболее востребованы в отношении моделей ПВР и постепенно распространяются на прочие модели. В документах БКБН и нормативных актах ЦБ эти вопросы раскрыты крайне слабо. Этого явно недостаточно для верного и точного понимания нюансов всех тех групп, которые необходимы для применения ПВР. Участвуя в регуляторных ПВР-валидациях в российских коммерческих банках, автор неоднократно наблюдал логическую путаницу их риск-менеджеров в понимании схожих по смыслу групп портфелей. Сейчас у участников ПВР-проектов уже есть достаточное понимание различий между классами (подклассами) кредитных требований (КТ) и сегментами КТ. Однако в отношении многочисленных сегментов и портфелей такое понимание пока сформировано недостаточно. Поэтому автор видит своей задачей в доступной форме, на конкретных примерах и с учетом собственной практики предложить подходы к группировке КТ в рамках ПВР-моделирования.

Точное прогнозирование объема средств обеспечения участников клиринга критически важно для максимизации чистого процентного дохода финансовой организации. Существующие методы (исторический квантиль-метод) часто не позволяют эффективно управлять ликвидностью и уменьшают чистый процентный доход. Внедрение моделей управления ликвидностью на основе AI-моделей направлено на повышение точности прогнозирования потребностей в ликвидности. Это позволяет оптимизировать использование финансовых ресурсов и увеличивать чистый процентный доход за счет более эффективного размещения ресурсов в активы финансовой организации и снижения затрат на привлечение дополнительных средств. Цель внедрения описанной в статье AI-модели — увеличить доход от инвестирования стабильной части остатков клиентов в облигации и межбанковские кредиты на сроки до 30 дней при сохранении приемлемого уровня риск-защищенности модели, то есть соблюдении ограничений на риск-аппетит и индикативные показатели риска ликвидности и ALM-рисков при благоприятной рыночной конъюнктуре. AI-модель стабильной части строится на горизонте 30 дней (на сроки 7, 14 и 30 дней) .

Во время подписания номера в печать ВС РФ пересмотрел «дело Долиной». Сделка действительна, право собственности на квартиру признано за покупательницей, а ее требование о выселении певицы с домочадцами рассмотрит суд первой инстанции. Публичность слушаний (транслировались в интернет) и корректное применение норм ГК РФ сыграли спасительную роль. Тем не менее, банки остаются уязвимыми. Кто сказал, что мошенники ограничатся отъемом денег только у граждан? Можно смоделировать схему, когда: (1) продажа квартиры с последующим оспариванием сделки совершается по договоренности продавца с покупателем, (2) покупатель берет кредит на покупку, (3) затем разыгрывается драма с мошенниками, (4) квартира возвращается продавцу, (5) ипотека прекращается. Итог: кредит не возвращен, след денег потерян. То, что суды меньше признают недействительными сделки, совершенные на кредитные средства банка, — заслуга исключительно практики. Каких-то специальных норм, защищающих такие сделки от оспаривания, в законе нет. При этом вторичным рынком жилья опасная зона не ограничена — не меньше проблем может быть с уступками прав по договорам долевого участия в строительстве (ДДУ), с автокредитами и иным имуществом. Подробный анализ рисков банка и спорных позиций судов в «кейсе Долиной» читайте в статье.

Классический путь автоматизации распознавания документов — OCR-сервисы и набор моделей под каждый документ. Команда МТС Банка пошла другим путем и для автоматизации обработки документов в collection построила пайплайн поверх открытых Vision-Language моделей (VLM), которые «понимают» и текст и изображение и умеют работать zero-shot, без дообучения на данных банка. В МТС Банке ежедневно обрабатываются тысячи документов для различных целей. Большинство из них хранятся в виде фотографий или сканов в формате PDF: развороты паспорта на столе, в руках клиента, иногда под углом, с лишним фоном, сканы документов исполнительного производства и т.д. Частным примером задачи распознавания документов в банке является формирование досье клиента для процесса взыскания на основе доступной информации. Среди этапов создания досье выделяется поиск актуального паспорта клиента, который хранится в виде фотографии. Найденный паспорт затем сверяется с системами банка и вносится в досье сотрудником. Как же была решена задача автоматизации распознавания документов? Разберем, как устроен разработанный пайплайн, какие модели используются, как заставить их всегда возвращать корректный JSON и какие метрики были получены.

Оценить степень применимости реабилитационных процедур в банкротстве можно по трем основным признакам: (1) динамика их применения исходя из объемов банкротства в целом; (2) возможность и масштаб применения механизмов, упрощающих их введение; (3) намерения законодателя по их совершенствованию. Хотя в 2025 г. российское банкротство формально остается преимущественно ликвидационным, контуры реабилитационного поворота заметнее. Можно отметить пять тенденций: (1) стабильность количества реабилитационных процедур и небольшой рост их относительной доли в корпоративном банкротстве; (2) рост востребованности планов реструктуризации долгов и локальных мировых соглашений в потребительском банкротстве; (3) начало формирования судебной практики применения правила can pay, should pay; (4) отдельные случаи применения механизма cram down в банкротстве граждан; (5) обращение внимания законодателя на институт досудебной санации. Все это свидетельствует о повышении спроса на восстановительные механизмы. Но насколько устойчивы эти тенденции и способны ли они изменить привычную «конкурсную» модель?

Арест имущества должника в уголовном деле нередко парализует конкурсное производство. Недавняя позиция ВС РФ, отдавшая приоритет уголовно-процессуальному порядку, усилила этот конфликт. Закон о банкротстве требует снять обременения после открытия конкурсного производства, а ст. 115 УПК РФ привязывает судьбу ареста к органу, ведущему уголовное дело. ВС РФ сделал вывод, что решения арбитражного суда об открытии конкурсного производства не распространяются на снятие ареста, наложенного в рамках ст. 115 УПК РФ. Несмотря на сложности, практика снятия уголовного ареста в конкурсном производстве все же встречается. Процессуальный маршрут такой: (1) обратиться в порядке ч. 9 ст. 115 УПК РФ с ходатайством о снятии ареста с имущества должника на основании открытия конкурсного производства; (2) в случае отказа обжаловать его в судебном порядке в рамках ст. 125 УПК РФ или обжаловать отказ суда; (3) после совершения этих действий и в случае их неудачи направить исковое заявление в суд общей юрисдикции с требованием об освобождении имущества от ареста (ст. 442 ГПК РФ). Что же удается доказать управляющим и кредиторам в немногочисленных положительных актах? Как усилить свою позицию и хотя бы незначительно увеличить и без того небольшие шансы на снятие ареста?

Внутренний аудит обладает уникальной возможностью возглавить нормативное управление в сфере искусственного интеллекта (ИИ) в банке, поскольку имеет обширный опыт в оценке рисков, контроле и комплаенсе. Идентификация и нормативное управление рисками ИИ — это возможность для создания дополнительной ценности внутреннего аудита, где его ключевая роль состоит в содействии постоянному мониторингу и совершенствованию процессов. Полагаем, эту мысль необходимо донести до каждого руководителя банка и всех структурных подразделений, «закрывающих двери» для аудиторов при возникновении непредвиденных сбоев и операционных инцидентов. В статье вы найдете: примеры конкретных возможностей и инструментов ИИ в банковской практике; пример трехэтапной схемы участия внутреннего аудита в процедурах идентификации рисков ИИ; список информационных ресурсов, которые можно использовать как методологическую основу идентификации рисков ИИ; пример формализации требований к системе ИИ на уровне внутренних документов банка; примеры традиционных проблем и решений при выявлении рисков ИИ.