57% финансовых организаций все еще только собирают внутренние компетенции, которые нужны для полноценного запуска ИИ-агентов. Для банков и страховщиков это неприятная, но полезная новость: агентный ИИ в финансах упирается не в выбор модной модели, а в банальную дисциплину вокруг данных. Для русскоязычной IT-аудитории вывод тоже знакомый: прежде чем обещать автономные процессы, придется разгрести хранилища, форматы и права доступа.
Как пишет MIT Technology Review, финансовый сектор оказался в особой позиции. С одной стороны, здесь огромный спрос на системы, которые умеют не просто отвечать на вопросы, а самостоятельно планировать шаги, искать контекст и доводить задачу до результата. С другой, именно в финансах цена ошибки особенно высока: регуляторные требования жесткие, рыночные сигналы меняются ежесекундно, а любая нестыковка в данных быстро превращается либо в комплаенс-проблему, либо в прямой операционный риск. По оценке Gartner, больше половины команд в финансовых сервисах уже внедрили агентный ИИ или собираются сделать это.
Ключевая мысль материала проста и довольно отрезвляющая. Чем автономнее система, тем громче она усиливает слабые места инфраструктуры. Если у компании данные разбросаны по разным системам, плохо индексированы, лежат в десятках несовместимых форматов и еще и ограничены непрозрачными правами доступа, ИИ-агент не станет волшебным клеем. Он начнет тормозить, путаться в версиях документов, давать непоследовательные ответы и, что особенно неприятно для финансового бизнеса, генерировать решения, которые потом трудно объяснить аудитору, службе риска или собственному руководству. В статье эту мысль формулирует Стив Мейзак, global managing director of Search AI в Elastic: система надежна ровно настолько, насколько надежно ее самое слабое звено, и в случае с агентами этим звеном почти всегда оказываются данные.
Отдельная проблема в том, что финансовые компании живут не только на табличных данных. Да, есть транзакции, клиентские профили, рыночные котировки, справочники и правила. Но рядом лежат письма, PDF, внутренние процедуры, политики, протоколы согласований, регуляторные документы и исторические записи, накопленные за десятилетия. С неструктурированными данными все заметно грязнее: формулировки отличаются, документы дублируются, старые шаблоны живут рядом с новыми, а один и тот же бизнес-процесс может быть описан десятком способов. Мейзак приводит показательный пример: у банка с 50-летней историей может быть около 60 разных типов PDF для одной и той же сущности. Для человека это уже раздражающий бардак. Для агента, от которого ждут повторяемого результата, это источник системной неопределенности.
Именно поэтому разговор об ИИ в финансах быстро смещается от моделей к поиску, индексации и управлению контекстом. В заметке Elastic продвигает идею search-платформы как базового слоя для агентного ИИ: системы, которая умеет быстро находить релевантные данные в структурированных и неструктурированных источниках, связывать их, защищать доступ и оставлять объяснимый след, почему в конкретном шаге была выбрана именно эта информация. Для финансового сектора это не маркетинговая прихоть, а почти обязательное условие. Регулятору мало показать вход и выход модели. Нужна трассировка логики: что именно система нашла, почему сочла этот контекст релевантным и на каком основании перешла к следующему действию. Без такой управляемости история про автономных агентов заканчивается еще на пилоте.
Практические сценарии при этом выглядят вполне земными и далеки от фантазий про «цифрового сотрудника банка». Агентные системы можно применять для мониторинга клиентской экспозиции, когда агент постоянно сверяет транзакции, рыночные сигналы и внешние данные, чтобы быстро поднять флаг по новым рискам. Можно использовать их в контроле торговых операций: агент проходит по цепочке трейдовых процессов, ищет расхождения между форматами и по шагам разбирает исключения, где раньше сидела команда из людей и Excel. Еще один понятный кейс — регуляторная отчетность, когда система собирает данные из разных внутренних контуров, формирует отчет и фиксирует, из чего он собран. Все это и сейчас существует, но обычно вручную, фрагментарно и плохо масштабируется. Агентный ИИ здесь интересен не магией, а тем, что может ускорить уже известные процессы без потери прозрачности.
Есть, впрочем, и неприятный для рынка вывод. Нельзя честно пообещать автоматизацию 70-шагового бизнес-процесса, если компания не справилась даже с первым шагом: нормализовать данные, выстроить права доступа и договориться, какая версия документа считается эталонной. В этом смысле финансовый сектор, похоже, быстро лечится от ранней ИИ-эйфории. По данным Forrester, те самые 57% организаций все еще строят внутренние возможности для полноценной работы с агентами. То есть рынок уже понял, что вопрос не в том, можно ли подключить большую модель к банковскому контуру, а в том, выдержит ли этот контур требования к точности, воспроизводимости и аудиту. Для CTO, CDO, лидов платформенных команд и продактов это почти скучная, но важная повестка: выигрывать будут не те, кто первым показал демо, а те, кто сумел превратить данные в управляемую операционную среду для ИИ.
На ближайшем горизонте это меняет и стратегию внедрения. Победят не самые громкие программы трансформации, а серии узких, измеримых запусков, где каждый следующий шаг опирается на уже очищенный и проверенный контекст. Если этот подход закрепится, через пару лет мы будем обсуждать не «какую модель выбрал банк», а кто лучше остальных построил память, поиск и контроль для автономных систем. И это, возможно, куда более неприятная гонка, чем выбор очередного LLM-провайдера.