Искусственный интеллект в финансовом секторе стремительно развивается. 52% финансовых компаний, опрошенных для отчета Кембриджского университета Global AI in Financial Services Report за 2026 год, уже внедряют агентный ИИ. Из них 29% проводят пилотные проекты, а 23% перешли к масштабированию или трансформации процессов. Внедрение ИИ в той или иной форме достигает 81%.
Эта разница в 29 процентных пунктов — то место, где сейчас находится большинство отделов комплаенса. Модель, которая резюмирует политику безопасности, полезна. Но агент, который читает ту же политику, анализирует применимый к ней процесс верификации и составляет проект новой конфигурации — это совершенно другой уровень возможностей, поскольку он воздействует на системы, а не просто генерирует текст о них.
Такой переход ставит ключевой вопрос управления: можно ли заранее авторизовать и впоследствии реконструировать каждое действие агента?
Что такое ИИ-агент в комплаенсе?
#AIagent — это автономная программная система, использующая модель для достижения определенной цели. В официальной документации OpenAI агенты описываются как «приложения, которые планируют действия, вызывают инструменты, сотрудничают со специалистами и сохраняют достаточно состояния для выполнения многошаговых задач».
В рабочем процессе ИИ-агента для комплаенса базовая большая языковая модель (LLM) интерпретирует инструкции по задаче и рассуждает, тогда как фреймворк агента и подключенная платформа комплаенса предоставляют данные, разрешения и инструменты, позволяющие агенту действовать. Агент может прочитать политику по борьбе с отмыванием денег (AML), определить ее требования, проанализировать существующий процесс проверки клиента (KYC), использовать API для создания черновика конфигурации и представить результат на утверждение.
Автономность существует в спектре. Агент может самостоятельно выполнять шаги с низким риском, но останавливаться перед изменением рабочего процесса, отказом заявителю или отправкой регуляторного отчета.
Как работает агентный ИИ: объяснение навыков агентов и MCP
Агентам нужно больше, чем просто языковая модель, чтобы надежно выполнять операционную работу. Им требуются цель, инструкции, доступ к релевантным системам и правила, определяющие границы их действий.
Model Context Protocol (MCP) — это открытый стандарт для подключения приложений ИИ к внешним системам. Сервер MCP предоставляет инструменты с определенными входными данными, позволяя агенту обнаруживать разрешенные действия, передавать необходимые аргументы и получать результаты.
Пока MCP соединяет агента с внешними системами, навыки (skills) обеспечивают процедурные знания, необходимые для выполнения задачи. Открытая спецификация Agent Skills описывает навык как папку, содержащую инструкции и, при необходимости, скрипты, ссылки и другие ресурсы. Навык ИИ-агента может научить его анализировать нормативные акты или настраивать рабочий процесс KYC. Навыки и ИИ-агенты на базе MCP могут превратить общий запрос в повторяемый рабочий процесс.
В таблице ниже объясняется функция каждого компонента:
От чат-ботов до автономных агентов комплаенса
Традиционный чат-бот в основном реагирует на подсказки, поступающие ему. Он может объяснить правило или резюмировать политику, но обычно не переводит анализ в действие. Инструменты комплаенса на основе генеративного ИИ расширили эти возможности, позволяя составлять отчеты, резюмировать материалы дел и извлекать информацию из документов.
Агенты же координируют действия. Запрос разбивается на шаги: выбираются инструменты, проверяются результаты, и следующий шаг корректируется в зависимости от полученной информации. Если спросить чат-бота о документах для онбординга, он просто перечислит их. Агент же может открыть текущий процесс верификации компании, найти недостающие проверки согласно заданному стандарту, создать предлагаемую замену и отправить ее на подпись ответственному лицу.
Почему команды комплаенса внедряют ИИ-агентов
Работа в сфере комплаенса предполагает огромный объем «перевода». Требование, написанное юридическим языком, становится операционным правилом, затем настройкой платформы, которую необходимо документировать и подтверждать. Одно изменение политики может означать отдельные обновления в нескольких продуктах и юрисдикциях, каждое из которых выполняется вручную и создает риск расхождения реализаций.
Агенты могут извлекать требования и следовать определенной процедуре без необходимости специалисту перепечатывать каждый шаг. Настоящая выгода здесь — последовательность: пятая юрисдикция получает тот же подход, что и первая.
Стоимость ошибок масштабируется так же. Правила доступа, пороги утверждения и журналы активности — вот что позволяет атрибутировать действия агента человеку, который их авторизовал. Без этого автоматизация лишь увеличивает скорость и масштаб ошибок.
ИИ-агенты в AML-комплаенсе и рабочих процессах KYC
В AML агент может преобразовать текстовую политику в предложенную конфигурацию, готовую к запуску в панели управления, резюмировать историю рассмотрения заявки или собрать данные заявителя и транзакций, необходимые следователю перед открытием дела. Он также может сравнить обновленную политику с текущей конфигурацией и отметить элементы контроля, которые больше не соответствуют требованиям.
Работа с KYC в основном состоит из настройки и получения данных: процессы онбординга по странам или уровням риска, анкеты, ссылки для верификации, поиск статуса заявителя. Агент может составить рабочий процесс, объединяющий проверку документов, адреса, биометрии и баз данных. Платформа верификации по-прежнему выполняет сами проверки.
Отказ клиенту и подача отчета о подозрительной деятельности — это качественно разные действия. Оба требуют человеческого утверждения, независимо от того, насколько гладко проходит остальная часть рабочего процесса.
Создание комплаенс-среды под управлением агентов
Прежде чем все это заработает, должны быть обеспечены две вещи: доступ к соответствующим политикам и разрешение на инспекцию или изменение настроек платформы. Последовательность действий выглядит следующим образом:
- Предоставьте исходные материалы: нормативный акт, оценку рисков или внутреннюю политику
- Извлеките обязательства, факторы риска, правила скоринга и условные требования, помечая неоднозначности для человека, а не решая их силами агента
- Сопоставьте каждое требование с тем, что реально есть на платформе: уровнем верификации, анкетой, правилом риска, элементом мониторинга или рабочим процессом
- Создайте план конфигурации для проверки командой комплаенса перед началом разработки
- Постройте предложенную конфигурацию в песочнице или тестовой среде
- Сравните построенную конфигурацию с исходной политикой, затем протестируйте ее на репрезентативных кейсах и известных исключениях
- Получите одобрение развертывания от авторизованного пользователя, после чего фиксируйте изменения и контролируйте результаты
Сопоставление навыков агента с задачами комплаенса
Каждый навык ИИ-агента должен соответствовать определенной задаче комплаенса и направлять агента в подходе к ней. Навык анализа политики может инструктировать агента прочитать документ и создать план конфигурации. Навык конфигурации может направлять агента через создание уровней верификации в песочнице, а навык рассмотрения дел может описывать, как извлекать и анализировать данные заявителей.
Это различие важно для ИИ-агентов в финансовом секторе, где доступ к данным клиентов, подготовка черновиков настроек и изменение активных элементов контроля могут создавать значительные риски. Сами навыки не следует рассматривать как границы безопасности или разрешений. Вместо этого подключенная платформа должна обеспечивать контроль того, что агент может читать или изменять, ограничивая изменения активных настроек верификации и мониторинга посредством надлежащих механизмов контроля доступа и авторизации.
ИИ-агенты в банках и финансовом секторе
Реалистичные варианты использования в банковском деле включают сбор материалов для периодических обзоров KYC, получение транзакций, вызвавших срабатывание правила мониторинга, и составление проектов регуляторных отчетов для проверки человеком.
Фрагментация — практическое препятствие. Идентификационные записи находятся в платформе KYC, транзакции — в платежной системе или основной банковской системе, оповещения — в инструменте мониторинга, а заметки по расследованиям — в программном обеспечении для управления делами. В отчете Кембриджа за 2026 год отмечено, что 46% опрошенных поставщиков решений на базе ИИ столкнулись с устаревшими или изолированными системами у клиентов, а 41% сообщили об ограничениях на обмен данными.
Каждое подключение требует ответа на два вопроса: что агент может читать и что он может изменять. Периодический обзор ориентирован на чтение. Агент может собрать статус верификации, недавние транзакции, предыдущие оповещения и решения по прошлым обзорам, а затем передать собранный файл аналитику.
Риски ИИ, управление и человеческий надзор
Агент может неверно истолковать политику, придумать требование или выбрать неправильный инструмент. Вредоносные инструкции, скрытые в документе или подключенном источнике данных, могут манипулировать его поведением, а избыточные разрешения могут позволить небольшой ошибке изменить активные конфигурации или записи клиентов.
Ревьюеры также могут чрезмерно доверять выводам агента, а неполные записи могут затруднить расследование ошибок. Обновления моделей могут изменить поведение агента, а зависимость от внешних поставщиков может создать операционные риски.
Для снижения рисков эффективное управление ИИ и комплаенс-контроль должны включать:
- доступ, ограниченный информацией и действиями, необходимыми для каждой задачи, с отдельными разрешениями на чтение информации, создание черновиков и изменение активных настроек
- утвержденные инструменты и источники данных
- тестирование в песочнице или тестовой среде перед применением изменений к продуктивным системам
- человеческое утверждение для действий, влияющих на клиентов, пороговые значения рисков или регуляторные отчеты, а также для случаев, когда требования неясны
- записи полученных инструкций, использованных источников, примененных инструментов и внесенных изменений
- резервный процесс на случай недоступности агента или внешнего поставщика
