Как автономные ИИ-агенты меняют продуктовые и операционные процессы в финтехе
Такие ожидания объяснимы. Lloyds Banking Group называет 2026 год годом перехода финансов от привычных AI-инструментов к агентным системам. Если в последние два года компании встраивали большие языковые модели в поиск по данным, внутренние чаты и точечные аналитические сценарии, то теперь в фокус выходит агентный искусственный интеллект — системы, которые могут выполнять цепочку действий: выбрать источник данных, собрать промежуточные результаты, подготовить отчет, предложить решение и провести задачу до готового результата.
При этом оценки рынка расходятся. Gartner прогнозирует - больше 40% ИИ-агентных проектов будут закрыты до конца 2027 года. Среди причин аналитики называют недооценку стоимости масштабирования, неочевидную окупаемость и недостаточную зрелость механизмов контроля рисков. Для B2B-финтеха, где цена ошибки выше, чем в большинстве отраслей, это повод не отказываться от агентных систем, а внедрять их избирательно — с ясным пониманием, где автоматизация окупается.
От автоматизации по правилам — к агентным системам
Долгое время автоматизация в финтехе строилась вокруг двух подходов. Первый основан на жестко заданных правилах, скриптах и роботизированных сценариях, которые выполняют заранее определенную последовательность действий. Второй использует модели машинного обучения для решения отдельных задач: скоринга, классификации, ранжирования и прогнозирования.
Агентные системы работают на другом уровне. Они способны выполнять полный цикл задачи: принимать запрос, выбирать необходимые инструменты, обращаться к данным, формировать промежуточные запросы, проверять результаты, готовить отчет и объяснять полученные выводы.
Для B2B-финтеха такой подход особенно актуален, поскольку многие внутренние процессы находятся на стыке аналитики, операционного контроля и продуктового управления. Команды регулярно готовят отчеты, анализируют отклонения, отвечают на типовые вопросы бизнеса, проверяют гипотезы и оценивают доступные данные. Значительная часть времени уходит на поиск информации и подготовку контекста. Именно этот этап становится одной из первых зон применения агентных систем.
Какие сценарии уже дошли до PoC
Сейчас для продуктов в B2B-финтехе тестируют несколько сценариев в аналитике и операционных процессах. Их объединяют повторяющиеся действия и понятные критерии оценки результата.
Первый сценарий — аналитика по запросу бизнеса. Пользователь задает вопрос в чате, после чего агент обращается к доступным источникам данных и формирует структурированный отчет. На первом этапе система работает с внутренними административными интерфейсами и готовит простые отчеты для бизнес-пользователей.
Следующий этап предусматривает подключение к изолированной базе данных. Это позволяет проверять более сложные аналитические сценарии без доступа к рабочим системам.
Второй сценарий связан с операционным мониторингом технических команд. Агент анализирует журналы событий в Elasticsearch, выделяет значимые сигналы, объединяет похожие инциденты и готовит краткую сводку для ответственных сотрудников.
Третий сценарий поддерживает работу аналитической команды. Агент помогает проводить груминг бэклога, выполнять первичную проверку гипотез, готовить черновики запросов, искать релевантные данные и оценивать, можно ли проверить бизнес-идею на доступных источниках. Он берет на себя подготовительную работу и сокращает время до первого рабочего решения аналитика.
Отдельный прикладной сценарий — определение порядка показа предложений на онлайн-витринах, то есть сайтах, где пользователю доступно несколько офферов. Сегодня этот порядок частично задается вручную, частично определяется с помощью классических алгоритмов и моделей машинного обучения. Некоторые компании сейчас проверяют, может ли агент стать дополнительным уровнем принятия решений: учитывать бизнес-контекст и точнее определять, какие предложения следует показывать выше.
В рамках одного эксперимента на реальном трафике сравниваются три подхода: ручное управление, алгоритмическое ранжирование и агентная система. Предварительные результаты первого месяца показывают, что алгоритм и агент обеспечивают примерно на 10% лучший результат по целевой метрике по сравнению с ручным управлением. При этом агент пока работает в ограниченном контуре: у него нет прямого доступа к базе данных и внешним источникам, поэтому он использует данные административной панели и фактически выполняет роль цифрового менеджера.
Где проходит граница автономности
Практика пилотов показывает, что агентные системы наиболее эффективны в задачах, где они не принимают финансовые решения самостоятельно, а автоматизируют повторяющиеся процессы вокруг них. К таким задачам относятся подготовка отчетов, анализ отклонений, ответы на типовые вопросы бизнеса, поиск проблем в данных, первичный анализ и поддержка менеджеров при принятии решений.
Для B2B-финтеха агент подходит для сценариев, где есть понятный источник данных, ограниченный набор разрешенных действий, воспроизводимый результат, журналирование всех шагов и возможность проверки выводов человеком. Ключевое условие — ошибка в такой системе не должна напрямую приводить к финансовым потерям.
Почему главный барьер связан с данными
Исследование К2Тех фиксирует, что на российском рынке количественные метрики эффективности AI-пилотов применяют лишь 24% банков, а 38% признают разрыв между ожиданиями топ-менеджмента и реальной готовностью инфраструктуры — заметно больше, чем в среднем по другим отраслям (24%). Это указывает на практическую проблему: инвестиции в ИИ растут, но компании не всегда успевают выстроить систему измерения эффекта и инфраструктуру, необходимую для масштабирования.
Один из главных выводов PoC заключается в том, что ограничения агентных систем чаще связаны не с качеством модели, а с качеством данных и контекста вокруг них. Агенту недостаточно доступа к базе данных или административному интерфейсу. Ему необходимо понимать бизнес-смысл таблиц, связи между источниками, правила использования метрик и перечень доверенных витрин.
Без этого даже технически корректный запрос может привести к ошибочному бизнес-выводу. Агент способен выбрать неподходящую таблицу, неверно интерпретировать статус, сопоставить несравнимые показатели или использовать источник данных, который уже считается устаревшим.
Поэтому агентной системе требуется полноценная инфраструктура данных: каталог с описанием таблиц и метрик, схема происхождения данных, правила использования показателей, владельцы ключевых сущностей и единая бизнес-семантика. Без такого слоя автоматизация начинает масштабировать не только полезные процессы, но и ошибки интерпретации данных. Для B2B-финтеха это особенно критично, поскольку различия в трактовке конверсии, успешной заявки, выдачи, отказа или повторного обращения способны повлиять на целую цепочку продуктовых и операционных решений.
Ограничения, которые становятся видны уже на этапе MVP
Следующий блок ограничений связан с воспроизводимостью. Если агент подготовил отчет или вывод, команда должна понимать, какие данные использовались, какие фильтры применялись, какие инструменты были задействованы и почему система пришла именно к такому результату.
Еще одно ограничение касается прав доступа. Агент не должен получать больше полномочий, чем требуется для конкретного сценария. Для финтеха особенно чувствителен доступ к рабочим системам, персональным данным, секретам и операциям, способным повлиять на клиентов или финансовые процессы.
Отдельный вызов связан с интерфейсом. Многие агентные инструменты хорошо работают в технической среде, однако их сложнее адаптировать для бизнес-пользователей. Полноценный интерфейс должен поддерживать подтверждение действий, работу с графиками, файлами и промежуточными материалами. Дополнительно требуется контролировать стоимость использования: агент может выполнять избыточные цепочки действий, делать лишние запросы или уверенно формулировать выводы при недостатке данных. Поэтому в рабочей среде необходимы лимиты, мониторинг использования ресурсов и обязательная проверка результатов человеком.
Где нужен человек, а что можно доверить агенту уже сейчас
AI-агент в финтехе ошибается не так, как в рекомендательной системе e-commerce или в маркетинговой рассылке. Там неудачный оффер или рекомендация снижают конверсию и потерю видно по метрикам. Её легко обнаружить по данным и скорректировать настройки. В финтехе агент чаще действует напрямую с деньгами или юридическим статусом клиента: проводит платеж, меняет условия кредита, блокирует операцию. Ошибка в таком сценарии сразу конвертируется в прямой убыток, регуляторный риск или потерю доверия конкретного человека. Дополнительный риск связан с масштабом автоматизации. Когда одно и то же правило применяется ко всему потоку операций одновременно, неверная логика способна исказить десятки решений раньше, чем это станет заметно по отчетам.
Если финансовая организация применяет ИИ в критически важных процессах с высоким риском для информационной безопасности, в первую очередь в платежных операциях, последнее решение должно оставаться за сотрудником. В методических рекомендациях от 16 июня 2026 года Банк России отдельно закрепляет этот принцип.
Та же логика применима к изменению правил кредитного скоринга и лимитов. Если агент самостоятельно скорректирует пороги или веса модели, последствия такой ошибки быстро выйдут за пределы одного решения. Изменения могут распространиться на весь поток заявок до того, как система будет проверена, и затронуть сразу большую группу клиентов. В результате возникают одновременно финансовые и репутационные издержки, включая необходимость пересматривать решения по уже выданным или отклоненным заявкам.
Третья группа — операции с персональными данными клиента и любые действия, которые совершаются от его имени или напрямую в его адрес: изменение условий, сообщение с обязывающей формулировкой, раскрытие данных третьим лицам. В таких сценариях ошибка агента затрагивает уже не только внутренние процедуры компании. Она может иметь правовые последствия с учетом требований 152-ФЗ и профильных норм ЦБ к работе с клиентскими данными.
Как определить границу автономности
Автономность агента определяется не типом задачи, а последствиями его действий. На практике каждое из них стоит оценивать по трём параметрам:
- обратимость: можно ли откатить результат до того, как он повлияет на клиента или отчетность;
- скорость обнаружения: станет ли ошибка заметна по логам и метрикам или только после жалобы клиента;
- масштаб последствий: затрагивает ли ошибка одно решение или сразу весь поток операций.
Логика процессов и ключевые бизнес-решения при этом остаются за человеком: аналитик определяет цель, доступные данные, правила и ограничения, проверяет гипотезы и задает критерии качества. Агент применяет их к большому объему данных, пересчитывает результаты и выявляет отклонения.
Опубликовано 04.10.2026
