Генеративный искусственный интеллект (ИИ) преобразует финансовые технологии (FinTech), создавая синтетические данные, улучшая прогнозную аналитику и автоматизируя сложные задачи. В данной статье рассматриваются ограничения традиционных моделей машинного обучения при работе с дефицитом данных и развивающимися схемами мошенничества в финансах. Мы предлагаем новую гибридную архитектуру, которая интегрирует генеративно-состязательные сети (Generative Adversarial Networks, GAN), большие языковые модели (Large Language Models, LLM) и вариационные автоэнкодеры (Variational Autoencoders, VAE) для улучшения кредитного скоринга, обнаружения мошенничества и автоматизации финансовых документов. Наш метод использует условную табличную GAN (Conditional Tabular GAN, CTGAN) для генерации синтетических данных и балансировки наборов данных, VAE для обнаружения аномалий в транзакционных данных и LLM для формирования интерпретируемых отчетов и документов соответствия. Экспериментальные результаты показывают, что модели, обученные на данных, дополненных с помощью GAN, достигают увеличения AUC на 8% для кредитного скоринга и улучшения F1-меры на 18% для обнаружения мошенничества на несбалансированных наборах данных. Специальный слой соответствия снизил демографическое смещение на 37%. Исследование подтверждает, что тщательно разработанная система генеративного ИИ может значительно повысить производительность моделей, их справедливость и операционную эффективность в приложениях FinTech, одновременно решая критически важные этические и регуляторные задачи.