233
Как мультиагентные системы изменят работу финансовых организаций: 4 сценария
Использование технологий искусственного интеллекта (AI) в банках за последние два года заметно продвинулось. Если раньше фокус был на классических ML-моделях – скоринге, антифроде, прогнозировании показателей, то сейчас банки начинают обсуждать следующий шаг: агентный ИИ и мультиагентные системы для финансов, в которых над одной задачей одновременно работает несколько специализированных агентов, а оркестратор ИИ собирает их результаты в цельное решение. На практике это означает переход от ИИ как инструмента к ИИ как цифровому участнику процесса, который не просто анализирует данные, помогает принимать решения, а осуществляет самостоятельные действия (в установленных рамках с одобрения модератора).
Оркестратор – это управляющий компонент, который разбивает задачу на шаги, распределяет их между специализированными ИИ-агентами, контролирует порядок выполнения и собирает их результаты в одно итоговое решение.
Почему финансовым организациям следует готовиться к мультиагентности
Мультиагентные системы – перспективная история, но она не будет быстро окупаться. Скорее это исследовательско-инженерная работа по созданию будущей инфраструктуры, которая начнет отдавать эффект только тогда, когда «под капотом» наведен порядок: процессы отлажены, системы подготовлены, данные доступны для работы агентов. Улучшения в процессах и экономический эффект появятся в долгосрочной перспективе.
Руководителю важно понять, что переход к мультиагентности – это не покупка новой «надстройки», а результат зрелости ИТ-ландшафта банка. Нельзя просто сделать платформу и создать агента: потребуется интеграция со множеством систем – и с фронтальными, и с внутренними контурами, плюс подготовленная инфраструктура и понятная стратегия сбора и хранения данных, включая их описание, мониторинг и киберзащиту.
В отрасли для этого используют термин AI-ready для банковских систем. Смысл простой: архитектура должна быть готова к тому, чтобы агенты подключались безопасно и эффективно. AI-ready – это современный стек, поддержка протоколов интеграции, открытость с корректным уровнем защиты и отсутствие внутреннего «зоопарка», когда одни и те же сущности и показатели по-разному трактуются в разных системах.
Такой подход укладывается в логику эволюции цифровой трансформации банков. Сначала отрасль уходила от монолитных систем (когда любое изменение требовало переписывать всю логику системы) к микросервисной архитектуре, в которой сервисы изолированы в отдельные, условно независимые контейнеры. В ней вся функциональность разделена на бизнес (платежи, переводы, открытие счета и т. д.) и служебные сервисы (аудирование, логирование и т. д.), что позволяет независимо и изолированно ими управлять. Это позволило быстрее менять отдельные процессы и сервисы, не ломая все сразу. Параллельно банки развивали хранилища данных и приводили информацию к единому виду, внедряли технологии data governance в банках.
В итоге появилась возможность автоматически осуществлять интеграцию и нормализацию так, чтобы обеспечить сходимость отражения транзакции в бухгалтерии, процессинге и отчетности без ручной работы.
Усложнялась и аналитика на базе хранилища данных — от взгляда постфактум на произошедшее к ML-моделям и прогнозной аналитике для банковских процессов и сценарному подходу к развитию бизнеса. И уже после этого появляется следующая ступень – агенты, подключенные к зрелому ландшафту.
Попытка перепрыгнуть эти ступени обычно заканчивается разочарованием. Внедрять AI-агентов в устаревшую архитектуру – это как купить колеса от спортивного автомобиля и поставить их на телегу, ожидая, что «вот сейчас наконец-то поедем».
Четыре сценария применения мультиагентных систем в российских банках
Если фундамент готов, мультиагентность существенно меняет скорость и качество решений. Сама логика агентного подхода следующая: человек задает промпт, оркестратор распределяет задачи между агентами, а они используют большие языковые модели (LLM) для финансов, и имеющиеся в их распоряжении инструменты. При этом агенты умеют адаптироваться к конкретным условиям за счет контекста, полученного из данных и документов организации, руководствуясь выданными инструкциями.
Для российского финансового сектора уже сегодня есть четыре основных сценария, где мультиагентные ИИ-системы для банков дают практический эффект.
Сценарий 1: юридическая экспертиза договоров и выявление рисков в кредитных соглашениях
Это один из самых понятных кейсов. У банка есть юридический блок, который должен проверять новые и действующие коммерческие кредитные соглашения на наличие критичных оговорок – условий досрочного расторжения, штрафов, залоговых положений и прочих пунктов, влияющих на доходность и риски сделки. В этом сценарии работают несколько специализированных агентов, каждый из которых отслеживает свой тип условий в договоре, а затем собирается итоговое заключение, в котором будут обозначены основные риски и возможные ограничения. Кроме того, ИИ-ассистент для финансовых документов может подготовить версию документа с учетом требований банка, которая будет исключать эти риски. Для человека это огромный объем ручной работы. Но благодаря мультиагентному подходу экономия времени измеряется тысячами человеко-дней в году.
Почему это важно руководителям? Юридическая функция в таких процессах часто становится «бутылочным горлышком» в проведении сделок. Не из-за слабости команды, а из-за объема, нестандартизированности документов и наличию персональных подходов, например, для премиальных клиентов. Агент на базе LLM в банках может не просто перечислить найденные замечания, а выдать рекомендацию – где условия сформулированы так, что банк теряет доходность или берет на себя лишний риск, а человек уже решает, принимать ли это в рамках стратегии по конкретному клиенту.
Сценарий 2: казначейские операции и управление краткосрочной ликвидностью
ИИ может мониторить рынок, анализировать новостной фон по заданной теме, подсвечивать отклонения по денежным потокам компании и моделировать последствия действий. Например: «Если эту сделку выполнить, то вылетишь из открытой валютной позиции» или «Не хватит ликвидности, потому что в очереди стоят еще пять сделок с приоритетом исполнения выше, чем эта». Но финальное решение остается за человеком: LLM для финансового прогнозирования по природе может быть более риск-склонной и убедительно «упаковать» риск в красивые графики и презентации. Именно поэтому в казначействе агентный подход должен быть построен как система предупреждения и поддержки, а не автономного трейдинга.
Здесь мультиагентная система работает как связка трех ролей. Агент прогноза заранее рассчитывает будущие платежи, притоки и оттоки по всем счетам, включая дочерние компании. Агент рыночного мониторинга одновременно отслеживает ставки, рыночные события, приоритеты платежей и валютные позиции, не имея собственных предпочтений и исключая эмоциональную и персонифицированную трактовку события. На основе этих данных агент-оптимизатор принимает операционное решение – где деньги должны находиться в конкретный момент: переместить их между счетами, закрыть разрыв внутри группы, разместить под процент или, наоборот, не привлекать внешнее фондирование. Благодаря такому подходу к управлению ликвидностью с ИИ затраты компании на фондирование могут снизится на 15%.
Сценарий 3: автоматизация цикла выдачи ипотечных и потребительских кредитов
У банков есть кредитный конвейер с четкой бизнес-логикой: заявка от клиента должна пройти ряд этапов, и на каждом этапе должно быть принято мотивированное решение. Агенты как раз и ведут ее по этим шагам. Классификатор распознает типы документов, экстрактор извлекает данные, валидатор проверяет их по правилам комплаенса. Дальше могут подключаться агент проверки по черным спискам, агент по подозрительным операциям и агент, который формирует предварительные условия – какую сумму и ставку банк готов предложить. Система формирует сводную информацию и рекомендации, а сотрудник принимает юридически значимое решение. Поэтому эффект здесь – не полная автоматизация, а ускорение процесса и снижение ошибок.
Принципиально важно, чтобы агент мог объяснить, почему он повел кейс по той или иной ветке, иначе организация получает «черный ящик», что неприемлемо для кредитного риска. Автоматизация кредитного процесса с ИИ снижает ошибки и ускоряет выдачу кредитов.
Сценарий 4: оценка кредитного риска и уточнение максимальных сумм кредита
Здесь фокус на содержательном решении – какую сумму кредита можно выдать человеку и насколько он вообще надежен. Это то, что на практике занимает у риск-менеджера больше всего времени.
В мультиагентной схеме этот цикл раскладывается на несколько ролей. Агент-экстрактор собирает данные из доступных источников и запрашивает недостающие, то есть он помогает закрывать пробелы, которые обычно всплывают уже в процессе анализа. Дальше подключается агент генерации контента: он на основе предобработанных клиентских данных собирает разделы меморандума в соответствии с требованиями к оформлению, чтобы это было не набором заметок, а структурированным документом. Параллельно работает агент оценки уровня риска – он оценивает степень доверия к клиенту и формирует риск-картину, а агент формирования рекомендаций определяет, какие проверки приоритетнее, и предлагает, какие дополнительные вопросы нужно задать клиенту, чтобы принять решение.
В этом сценарии благодаря ИИ для оценки кредитного риска производительность менеджеров в рамках оценки кредитного риска клиентов может вырасти на 20–60%, а число выданных кредитов, по которым клиентами были выполнены кредитные обязательства, – увеличиться на 30%.
