Что такое ИИ-агент для анализа банков: 24 исследования за $0,13 каждое

Проект ortant.net построил Игорь, выходец из продуктовой аналитики в банке. Задача: проверить, связаны ли изменения в разных публичных источниках у одного банка за один период. Например, выросли жалобы и сдвинулись ли вклады. Всё, что система произвела, лежит на сайте, а не в закрытых отчётах.

ИИ-агент (agent) здесь означает программу, которая сама выполняет цепочку действий: читает данные, формулирует гипотезу, проверяет утверждения и собирает отчёт без ручного вмешательства на каждом шаге. Чтобы понять, что такое ИИ-агент в этом контексте, представьте шестерых аналитиков с чётко разделёнными обязанностями, только каждый из них работает на языковой модели.

Как устроен конвейер из шести ролей?

Внутри одного прогона (прогон означает одно исследование одного банка за один период) задействованы шесть ролей:

• Пять обозревателей потоков: каждый отвечает за свой источник данных (например, финансовая отчётность, жалобы, вакансии).
• Исследовательский агент: извлекает содержание из хранилища.
• Три советника: каждый работает со своей гипотезой.
• Председатель: сводит предложения советников.
• Проверка утверждений: отдельный этап, где система ищет противоречия.
• Репортёр: формирует читательский текст.

За этими ролями стоят пять моделей, все с открытыми весами (open weights означает, что архитектура и параметры модели доступны для скачивания и проверки). Для написания кода автор использовал Codex и Claude Code. Весь сайт: 87 маршрутов и 36 515 строк на Python.

Что понадобится

• Доступ к сайту ortant.net (открыт без регистрации для чтения).
• Ключ для запуска прогона (выдаётся на три исследования, потолок $3 на профиль).
• Понимание, какой банк и период вас интересуют.
• 12-15 минут на ожидание результата.

Пошаговая инструкция

1. Откройте каталог исследований на ortant.net. Изучите 24 принятых карточек: каждая отвечает на один вопрос про один банк в одном окне. Обратите внимание на блок «Чего нельзя утверждать», его генерирует сама система в том же прогоне.

2. Перейдите в конструктор на странице ortant.net/research/new. Здесь вы собираете запрос из готовых блоков:

Банк → один из десяти в реестре
Окно → целые месяцы внутри фактического покрытия базы
Фокус → тема из конечного списка
Уточнение → свободное поле до 200 знаков

Собрать неисполнимый запрос нельзя по построению: интерфейс просто не даст выбрать параметры, которых нет в базе.

1. Получите бесплатный паспорт данных. Система покажет, какие данные есть по выбранному банку и периоду, и назовёт точную цену прогона. Платная часть начинается только после отдельного подтверждения.

2. Подтвердите запуск. После подтверждения конвейер запускает полный цикл: обозреватели читают потоки, советники формируют гипотезы, председатель сводит выводы, проверка утверждений ищет противоречия, репортёр собирает текст.

3. Откройте результат. Готовое исследование появится на отдельной странице и пройдёт тот же пост-конвейер, что и библиотечные карточки: авторедакцию, замер достоверности, сборку скачиваемых отчётов.

4. Проверьте ограничения. Из 24 принятых исследований у 17 качество оснований помечено как «ограниченное». Эту метку ставит сама система, и она стоит на карточке, а не мелким шрифтом в примечании. Из 23 исследований, выдержавших проверку утверждений, ни одно не было опровергнуто, одно остановилось на границе данных.

Четыре барьера, которые не пускают брак на витрину

Ключевая ценность проекта не в самих выводах, а в том, что удержало систему от вранья. Галлюцинация (когда модель уверенно выдумывает то, чего не было) здесь отсекается на четырёх уровнях: от паспорта данных до финального гейта публикации.

Из 31 прогона 7 не дошли до читателя. Причины зафиксированы:

• 4 прогона: не собрался синтез (советники не смогли свести гипотезы в непротиворечивый вывод).
• 2 прогона: в читательский текст попала лексика, запрещённая на витрине.
• 1 прогон: ложно сработал распознаватель персональных данных.

Каждая остановка имеет код причины. Всего в каталоге 50 карточек: 24 публичных, 19 не показаны, 7 задержаны гейтом. Под манифестом корпуса 652 файла.

Статистическая честность: что не сработало?

Отдельный эксперимент с проверкой гипотезы на панели регулятора дал ноль: коэффициент β = +0,626 при ожидавшемся минусе. Автор пометил эту ветку как пригодную только для разработки.

Ещё жёстче: 51 статистическая «находка» рассыпалась при перепроверке. Прогнозный слой оказался хуже наивной базы (простого экстраполирования) и был удалён. Совет моделей, по наблюдению автора, покупает охват за счёт точности.

Факт честного отчёта о провалах здесь важнее самих результатов: обычно в публичное поле выносят только успехи.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Изучите структуру карточек на ortant.net: блок «Чего нельзя утверждать» и техническое приложение с источниками и стоимостью. Такой формат подачи фактов с встроенными оговорками полезен для любого аналитического контента.

Маркетологу. Медиана $0,132 за исследование при 12,8 минуты работы показывает реальную экономику агентного конвейера на открытых моделях. Сравните со стоимостью ручного анализа в вашей нише.

Предпринимателю в РФ. Проект работает с данными российских банков и доступен без VPN. Конструктор запросов на ortant.net/research/new позволяет проверить подход на знакомых вам банках. Ключ на три исследования ограничен потолком $3.

Проект ortant.net ценен не выводами про банки, а тем, что показал: ИИ-агент на открытых моделях способен дать конкретный ответ за $0,132 и 12,8 минуты, но только если конвейер умеет остановить себя, когда данных не хватает. Семь остановленных прогонов из тридцати одного и есть главный результат.