Агентный ИИ в финансах: от хайпа в борд-деке к системам, которые держатся в продакшене

Короткий ответ: Агентный ИИ в финансах — это софт, который рассуждает о финансовой задаче: оценить кредит, свести закрытие периода, пометить транзакцию, ответить клиенту — берёт данные из ваших систем учёта, выполняет ограниченные действия в коре, в учётных книгах и риск-инструментах и эскалирует человеку, когда ставки или его собственная неуверенность переходят черту. Внедрение реально: в 2026 агентный ИИ использовали 44% финансовых команд — рост более чем на 600% год к году, — а рынок движется к $33,26 млрд к 2030. ROI тоже реальный: KPMG фиксирует среднюю отдачу 2,3x за 13 месяцев. Но разрыв с продакшеном здесь самый большой среди всех вертикалей: 99% компаний планируют вывести агентов в продакшен, а сделали это лишь 11% — их останавливают качество данных, governance и безопасность, а не возможности модели. Финансы — это там, где агентный ИИ приносит больше всего и где планка вывода в бой самая высокая.

Ни одна функция не двигалась по агентному ИИ быстрее финансов, и ни одной нет что терять сильнее при неосторожном движении. Апсайд конкретен и уже зафиксирован в масштабе. Даунсайд — это неверное кредитное решение, пропущенное санкционное совпадение, выдуманное раскрытие или клиент, застрявший в автоматической петле, которую регулятор потом прочитает как паттерн. Ниже: что эти агенты реально делают, что говорят цифры о том, где они выигрывают, почему 89% программ застревают до продакшена, какая архитектура переживает аудитора и рыночное событие одновременно и как к этому подходим мы в Moai Team.

Что на самом деле значит «агентный ИИ в финансах»

Термин покрывает целый спектр, и точность важна, потому что регуляторный вес меняется по мере движения по нему. На лёгком конце — копайлот: он набрасывает меморандум, суммирует отчётность, отвечает на вопрос банкира. Он подсказывает; человек решает и действует. На тяжёлом конце — агент с правом на действие: он верифицирует документы, поднимает кредитную историю, формирует решение и проводит его, выбирая свои шаги по ходу на основе того, что находит.

Это различие — то же, что мы проводим между агентами и воркфлоу. Фиксированный конвейер согласования с детерминированными правилами — это воркфлоу; в момент, когда вы позволяете системе самой выбирать путь через задачу, вы получаете агента — с возможностями и режимами отказа, которые с этим приходят. В финансах эта черта одновременно и линия комплаенса. Копайлот, который пишет черновик, малорисковый. Агент, который двигает деньги, меняет лимит или закрывает кейс, наследует весь вес контролей, которые управляют этими действиями, когда их выполняет человек.

Это и есть оптика для остального гайда: ценность приходит из того, что мы позволяем агентам действовать, а сложность — из того, что в финансах действие регулируется, аудируется и иногда необратимо.

Цифры: где это работает

Совокупный аргумент в пользу агентного ИИ в финансовых услугах силён, а фактура под ним — там, где живёт стратегия. Внедрение ведут финтехи, а не инкумбенты — примерно 57% против 45%, — потому что в архитектуру с нуля вписать агента проще, чем в сорокалетний кор. Отдача задокументирована, а не обещана: KPMG находит среднюю отдачу 2,3x от инвестиций в агентный ИИ за 13 месяцев, а у лучших — $8 на каждый вложенный $1.

Выигрыши концентрируются в нескольких воркфлоу, где работа структурирована, высокообъёмна и дорога в человеко-часах:

1. Сверка и закрытие периода. Агентное закрытие и сверка сокращали циклы на 90% и более в продакшене, с экономией около $600 000 в год на одно внедрение. Повторяющееся сопоставление с чётким определением «правильного» — почти идеальная задача для агента.
2. Андеррайтинг и кредитные решения. Агенты верифицируют документы заявителя, проверяют консистентность дохода, поднимают кредитную историю, сверяются с базами по фроду и выдают решение за минуты. McKinsey сообщает о росте продуктивности кредитного анализа на 20–60% в первый год; одно кредитное внедрение сократило сроки одобрения на 60% и подняло удовлетворённость клиентов на 25%.
3. Фрод и мониторинг транзакций. Непрерывный анализ транзакций с детекцией аномалий в реальном времени и автономной эскалацией подозрительной активности до того, как убытки зафиксируются, причём требования аудита выполняются как побочный продукт, а не постфактум.
4. Исследования и генерация документов. JPMorgan сообщает о более чем 450 активных кейсах ИИ-агентов в продакшене, включая агентов, которые готовят инвестбанковские презентации примерно за 30 секунд против часов работы аналитика.

Заголовочные результаты следуют за кейсами. Реальные внедрения в HSBC, Citi, UBS, DBS и ING показывают сокращение издержек на 20–40% и рост выручки на 10–30%, а зрелые команды финансовых услуг сообщают об ускорении обработки на 30–70% в агентных воркфлоу. Паттерн устойчив: агенты выигрывают там, где задача повторяема, определение «правильного» чёткое, а стоимость человеческого труда высока. Они буксуют ровно там, где финансы наиболее чувствительны — новое суждение, тонкие или фрагментированные данные и решения, которые оспорит клиент или регулятор.

Разрыв между пилотом и продакшеном

Вот цифра, которая должна быть якорем любой финансовой ИИ-программы: 99% компаний планируют вывести агентов в продакшен, а сделали это лишь 11%. Это самый широкий разрыв между хайпом и продакшеном среди всех вертикалей, которые мы разбираем, и дело не в модели. Модели более чем способны на демо. Блокеры, по словам самих компаний, — это качество данных, governance и безопасность, ровно те области, где финансам нельзя срезать углы.

Это общий паттерн провала, который мы описываем в почему проекты ИИ-агентов проваливаются, обострённый ставками. Пилот идёт в чистой комнате: отобранные данные, дружелюбные тестировщики, без реальных денег, без аудита, без противника. Продакшен в финансах добавляет живые системы учёта, регуляторов, мошенников, прощупывающих агента, и клиентов, чьи споры становятся жалобами. Пилот доказывает, что агент умеет рассуждать. Продакшен спрашивает, можно ли доверить ему право на действие в регулируемых процессах — другой и куда более тяжёлый вопрос.

Регуляторные часы делают разрыв осязаемым. Полное окно правоприменения EU AI Act открывается 2 августа 2026 года, и среди обязательств для финансово значимых high-risk систем — осмысленный человеческий надзор. В США CFPB задокументировал клиентские «doom loops» — взаимодействия, где люди застревают в автоматических системах, не могут дойти до человека или решить спор, — и жалобы потребителей всё чаще описывают именно этот опыт с финансовыми чат-ботами. Сбойный финансовый агент — это не конфуз, это надзорное замечание, которое только и ждёт своего часа.

Почему финансовые агенты застревают до продакшена

Пять сил превращают убедительный пилот в застрявшую программу. Каждая — инженерная или операционная проблема, а не предел интеллекта, и именно поэтому они решаемы.

1. Фрагментированные данные низкого качества. Финансовые данные живут в коровых системах, хранилищах, таблицах и PDF, часто несогласованно. Агент, заземлённый на фрагментированные или устаревшие данные, отвечает неверно с полной уверенностью, а в финансах уверенный неверный ответ о балансе, лимите или ставке — это реальный убыток. Moody's отмечает, что инкумбенты склонны прикручивать ИИ к легаси-архитектуре, порождая разрозненные аудиторские следы и слабый контроль галлюцинаций. Данные — это большая часть работы, и именно её большинство пилотов пропускают.
2. Нет настоящей интеграции. Пилот отвечает из папки с документами. Продакшену нужен агент внутри кор-банковской платформы, учётной книги, CRM и риск-движка — читающий живое состояние и выполняющий ограниченные действия через управляемые API. Агент, который умеет описать перевод, но не инициировать его, или оценить лимит, но не изменить — это демо, а не система.
3. Governance, построенный для людей, а не для агентов. Существующие контроли предполагают человека-актора с именем, ролью и ответственностью. Автономный агент с правом на действие в эту модель не вписывается. Без least-privilege-ограничений, гейтов согласования на необратимых действиях и идентичности, под которой действует агент, вероятностная система получает детерминированную власть над деньгами — а каркасу контролей некуда её поместить.
4. Галлюцинация в регулируемом контексте. Выдуманная политика, придуманная цифра или уверенно неверное раскрытие редки на одно взаимодействие, но катастрофичны по радиусу поражения, когда контекст — кредитное решение или выписка клиента. Низкая частота, высокое последствие, и в финансах последствием может быть штраф.
5. Нет аудиторского следа или объяснимости. Надзор и внутренний аудит спросят, почему было принято решение. «Так решила модель» — не ответ. Без неизменяемого логирования цепочки рассуждений агента, данных, к которым он обращался, уверенности, которую он держал, и применённой политики агента нельзя защитить — и нельзя вывести в регулируемый процесс.

Ни одна из этих проблем не вина языковой модели. Это разница между умным прототипом и системой, за которую банк может поручиться.

Архитектура, которая доходит до продакшена

Финансовый агент, переживающий продакшен, выглядит меньше как умный промпт и больше как управляемая система с моделью в роли одного из компонентов. Части, отделяющие 11% от остальных:

1. Чистый слой данных и извлечения. Ответы и действия заземлены на актуальные, сведённые данные с измеряемым качеством извлечения, а не на разовый сброс из разрозненных источников. Слой извлечения имеет владельца и сопровождается как продукт, потому что в финансах большинство «модельных» отказов — это отказы данных в одежде модели. Подробно — в агентный RAG для ИИ-агентов.
2. Глубокая интеграция через управляемые API. Агент читает и пишет через коровые системы с явными least-privilege-контролями доступа к данным, а не как чат-виджет поверх разрозненных инструментов. Если он не видит живое состояние и не выполняет ограниченные действия, он может только описывать.
3. Право на действие с жёсткими лимитами. Агент запускает только то, что задача действительно требует. Всё необратимое или выше порога риска — перевод выше лимита, кредитное решение, изменение счёта — проходит через гейт валидации или человеческое согласование. Least privilege по умолчанию, а не как исключение.
4. Эскалация как спроектированный путь. Чистая, быстрая передача человеку с полным контекстом, по порогам уверенности, риску транзакции, сигналам клиента или всему, что агент не должен решать сам. Гибрид по умолчанию — и антидот против doom loop от CFPB.
5. Governance и человеческий надзор в рантайме. Политика применяется, пока агент работает, а не разовым ревью перед деплоем, с требованием человеческого надзора EU AI Act, спроектированным внутрь, а не прикрученным сбоку. Governance сместился с чек-листа на рантайм-энфорсмент.
6. Неизменяемый аудит и наблюдаемость. Каждое действие логируется с полной цепочкой рассуждений, источниками данных, оценками уверенности и применённой политикой, плюс трассировка, которая ведёт запрос от входа через рассуждение к каждому системному действию. Неверное решение должно быть локализуемо и объяснимо, а не загадкой. Дисциплину разбираем в наблюдаемость ИИ-агентов.
7. Durable execution под капотом. Многошаговые процессы, охватывающие системы и время — сверка, фондирование кредита, многоэтапный сеттлмент — должны переживать частичные отказы без двойных проводок и потери состояния. Паттерн — в durable execution для ИИ-агентов.
8. Безопасность против враждебного ввода. Финансовые агенты — высокоценные цели. Prompt injection и манипуляция — операционные риски, а не краевые случаи, см. безопасность ИИ-агентов.

Сквозная мысль та же, к которой мы возвращаемся по всему блогу: модель — это компонент, а продакшен — система вокруг неё. В финансах эта система ещё и должна удовлетворить аудитора.

Как измерять финансового агента (за пределами демо)

Инстинкт оценивать агента по одной цифре из борд-дека — тот же инстинкт, что пропускает пилот и роняет продакшен. Финансовый скоркард должен отражать и ценность, и контроль:

1. Точность и качество решений, проверенные против эталона и человеческого ревью, а не только пропускная способность.
2. Доля straight-through-processing против доли эскалаций и качества эскалаций, чтобы знать, сколько агент реально закрывает и насколько чисто передаёт.
3. Стоимость на результат, полностью нагруженная инференсом и человеческим временем, которое система всё ещё потребляет.
4. Доля исключений и ошибок с тяжестью, потому что в финансах редкая ошибка высокой тяжести перевешивает много мелких.
5. Аудируемость — может ли каждое решение быть объяснено и защищено по запросу, от и до.

Честно измерять агента — отдельная инженерная дисциплина, а в финансах ещё и требование комплаенса. Мы относимся к оценке как к коровой работе, а не постскриптуму, см. как оценить ИИ-агента.

Как к этому подходит Moai Team

Мы начинаем со скоупинга к воркфлоу, где агент реально выигрывает — сверка, верификация документов, мониторинг, исследования, — и говорим «нет» тем, где суждение новое, данные тонкие или неверный ответ — регуляторное событие. Карта кейсов идёт до выбора модели, потому что в финансах неверный первый кейс — это то, как программа зарабатывает надзорное замечание вместо отдачи.

Дальше мы строим систему, а не демо. Сначала чиним слой данных и извлечения, потому что большинство «ИИ»-отказов в финансах — это отказы данных, и измеряем качество извлечения, а не считаем его данностью. Интегрируем агента в коровые системы через управляемые least-privilege API, чтобы он решал, а не описывал. Даём ему право на действие с жёсткими лимитами и гейтами валидации на всём необратимом и проектируем эскалацию как первоклассный путь, чтобы ни один клиент не оказался в doom loop. Инструментируем весь путь неизменяемым аудит-логированием и трассировкой, чтобы каждое решение было объяснимо аудитору, и кладём durable execution под многошаговые процессы, чтобы частичный отказ никогда не стал двойной проводкой. И управляем им в рантайме — что он может делать, что обязан эскалировать, что должен одобрить человек — с требованиями надзора EU AI Act, встроенными с самого начала. Результат — не чат-бот и не демо копайлота. Это финансовая система, где агент закрывает то, что закрывает хорошо, чисто передаёт, когда должен, и может быть защищён строка за строкой, когда кто-то спросит почему. Это и есть та часть, которая решает, войдёт ли финансовая программа в те 11%, что доходят до продакшена, — и появится ли отдача 2,3x в книгах или останется на слайде.

Частые вопросы

Что такое агентный ИИ в финансах?

Агентный ИИ в финансах — это софт, который рассуждает о финансовой задаче, берёт данные из ваших систем учёта, выполняет ограниченные действия в кор-банкинге, учётных книгах и риск-инструментах и эскалирует человеку, когда ставки или неуверенность переходят черту, — а не копайлот, который только пишет черновики и подсказывает. Отличие от чат-бота или копайлота — право на действие: агент сам выбирает шаги и может исполнять, что делает его куда ценнее и одновременно подчиняет тем же контролям, что управляют этими действиями, когда их выполняет человек.

Насколько широко агентный ИИ реально внедрён в финансовых услугах?

Внедрение высокое, но продакшен редок. В 2026 агентный ИИ использовали 44% финансовых команд — рост более чем на 600% год к году — при этом финтехи опережают инкумбентов примерно 57% против 45%. Но 99% компаний планируют вывести агентов в продакшен, а сделали это лишь 11%, заблокированные качеством данных, governance и безопасностью, а не возможностями модели. Рынок движется к $33,26 млрд к 2030, так что разрыв — это проблема исполнения, а не спроса.

Какой ROI у агентного ИИ в финансах?

Задокументированный и зависящий от воркфлоу. KPMG сообщает о средней отдаче 2,3x за 13 месяцев, а у лучших — $8 на $1. Конкретные воркфлоу показывают самые резкие выигрыши: циклы сверки сокращены на 90% и более с экономией около $600 000 в год на внедрение, продуктивность кредитного анализа выше на 20–60% в первый год, а реальные банковские внедрения дают сокращение издержек на 20–40% и рост выручки на 10–30%. Отдача концентрируется там, где работа структурирована, высокообъёмна и дорога в человеко-часах.

Почему проекты финансовых ИИ-агентов не доходят до продакшена?

Редко из-за модели. Они застревают на фрагментированных или устаревших данных, отсутствии настоящей интеграции в коровые системы, governance, построенном для людей, а не для автономных агентов, галлюцинациях в регулируемом контексте и отсутствии аудиторских следов, делающих решения объяснимыми. Регуляторная планка повышает ставки: полное окно правоприменения EU AI Act открывается 2 августа 2026 года с требованием человеческого надзора, а регуляторы США изучают автоматические «doom loops». Разрыв — это инженерия, данные и governance, и поэтому он решаем.

Решаете, какие финансовые воркфлоу автоматизировать первыми — или пытаетесь перевести агента из пилота в борд-деке в продакшен-систему, которая переживёт аудит? Поговорите с Moai Team.