Искусственный интеллект в финансах: как 5 компаний с триллионами активов проверяют ИИ-агентов

На конференции AIE NYC, анонсированной 29 июля 2026 года, был опубликован полный финансовый трек, который показал: OpenAI выпустила специализированные плагины для инвестиционного анализа и инвестиционного банкинга в Codex, а команда Anthropic по финансовым сервисам представила шаблоны ИИ-агентов Cowork и Claude Code, покрывающие рабочие процессы корпоративных финансов. По данным AINews, искусственный интеллект в финансах стал главной вертикалью после программирования.

Ниже я разобрал конкретные практики, которые озвучили десять компаний на этом треке, и превратил их в пошаговое руководство: что нужно, чтобы внедрить ИИ-агента в финансовый рабочий процесс так, чтобы ему можно было доверять.

Что понадобится

• Доступ к одной из моделей с поддержкой агентного режима: Claude (Anthropic), Codex (OpenAI) или открытая модель (опенсорс) с возможностью подключения инструментов. В России доступны YandexGPT и GigaChat как альтернативы для первых экспериментов
• Набор внутренних данных для проверки: финансовые отчёты, выписки, мемо, с которыми агент будет работать
• Система логирования действий: любой инструмент, который сохраняет историю запросов и ответов агента (от простого лога до специализированных платформ вроде тех, что описал FlyersSoft)
• Человек-верификатор: сотрудник, который проверяет выводы агента перед принятием решений
• Время: от 2 до 5 дней на пилотный запуск одного процесса

Как внедрить ИИ-агента в финансовый процесс за семь шагов?

1. Определите один конкретный процесс, а не весь департамент. Intuit, обслуживая около 100 миллионов потребителей, малых бизнесов и бухгалтеров, пришёл к выводу: базовые LLM (большие языковые модели, то есть нейросети, обученные на текстах) недостаточны для финансов. Модель должна понимать реальное состояние данных, действия, результаты и риски. Начните с процесса, где ошибка заметна и исправима: например, сверка данных в отчёте.

2. Постройте «навык» агента как отдельный продукт с владельцем. FactSet, по словам Yogendra Miraje, обнаружил, что «ИИ-навыки» (отдельные умения агента, скажем, «найти выручку компании за квартал») нельзя просто добавить как функцию. Каждому навыку нужны: владелец внутри команды, поисковая логика, оценки качества (эвалы, то есть систематические проверки, правильно ли агент отвечает), аудит и система управления. Без этого навык останется демо-версией.

3. Настройте проверку через симуляцию, а не через ручной просмотр каждого ответа. Nubank совместно с платформой Snowglobe превратил оценку агентов из узкого места в механизм выпуска: симуляции (автоматические прогоны на тестовых сценариях) позволяют проверять агента до того, как он начнёт общаться с клиентами. Для банка с более чем 100 миллионами клиентов это единственный способ масштабироваться.

4. Требуйте от агента провенанс каждого ответа. Kepler, индексирующий миллионы финансовых документов и рыночных отчётов, ввёл понятие «верифицируемый ИИ» (verifiable AI): каждый ответ должен содержать указание на источник, сверку с оригиналом и возможность ревью человеком. Промпт (промпт, текстовая инструкция для нейросети) для такого агента должен явно требовать ссылку на документ:

Найди в последнем квартальном отчёте [компания] данные о выручке.
Укажи точный абзац и страницу источника.
Если данных нет, напиши: «Данные не найдены в указанном документе».
Не додумывай цифры.

1. Проверяйте цепочку поставок ИИ-навыков как вопрос безопасности. Lucas Palma из Nubank описал проблему: когда тысячи разработчиков используют ИИ-навыки, проверка каждого навыка перед допуском становится задачей безопасности цепочки поставок, а не просто удобством разработки. Ведите реестр одобренных навыков и запрещайте использование непроверенных.

2. Используйте событийную архитектуру для аудита. FlyersSoft, по словам Divakar Kumar, показал, что системы, построенные на событийном принципе (event-sourced, когда каждое действие записывается как отдельное событие), уже хранят историю, необходимую финансовым агентам. Это естественная основа для проверяемых цепочек решений в продакшене.

3. Не выпускайте агента без среды, которой доверяет человек. Brendan Hogan Rappazzo из Morgan Stanley подчеркнул: мультиагентное исследование (когда несколько ИИ-агентов работают вместе) имеет смысл только тогда, когда люди доверяют экспериментальной среде, в которой агенты оптимизируют решения. Для управляющего триллионами клиентских активов это не абстрактное требование, а условие допуска технологии.

Что делать с этим прямо сейчас, по ролям

Автору на Дзене, пишущему про финансы или технологии. Используйте структуру «навык + провенанс + симуляция» как каркас для разбора любого финтех-кейса. Это готовый шаблон экспертной статьи, который показывает глубину и отличает вас от поверхностных обзоров.

Маркетологу в финтехе. Обратите внимание: Anthropic и OpenAI уже выпустили готовые шаблоны агентов для корпоративных финансов. Если ваш продукт конкурирует с западными платформами, покажите клиентам, что у вас есть аудит и провенанс. Это становится конкурентным преимуществом, а не опцией.

Предпринимателю в РФ и СНГ. Прямого доступа к Codex-плагинам OpenAI и шаблонам Anthropic для финансов из России на момент публикации нет. Но архитектурные принципы (отдельный владелец навыка, симуляция перед выпуском, обязательный провенанс) работают с любой моделью, включая YandexGPT и GigaChat. Начните с одного процесса, где ИИ-агент заменит ручную сверку, и стройте аудит с первого дня.

Fidelity Investments, управляющая триллионами, уже тестирует агентов в групповых чатах и на носимых устройствах, решая задачи памяти, разграничения доступа и защиты от инъекций в промпты (prompt injection, когда злоумышленник встраивает в запрос скрытую инструкцию, которая перехватывает управление агентом). Auditoria AI пошла ещё дальше: агенты сами генерируют рабочие процессы в бэк-офисе, а люди проверяют финансовую корректность. Направление задано, и те, кто начнёт строить инфраструктуру проверки сейчас, получат работающую систему к моменту, когда агенты станут стандартом отрасли.