Почти в каждой отрасли, включая финансы, давно применяют то, что мы сейчас называем «традиционным машинным обучением», используя его для прогнозного моделирования, оценки кредитоспособности и анализа рисков.
Но с нынешним ажиотажем вокруг больших языковых моделей (LLM) и агентского ИИ я начинаю задаваться вопросом: как эта отрасль может по-настоящему воспользоваться этой новой технологией? В отличие от многих других секторов, финансы регулируются строгими правилами, правилами конфиденциальности данных и структурами управления — условиями, которые, на мой взгляд, кажутся немного противоречащими концепции автономности агентского ИИ.
Чтобы удовлетворить своё любопытство, я посетил Конференцию по агентскому финансированию [1], которая прошла в Джакарте, Индонезия, 16 октября 2025 года. Мероприятие, организованное Algoritma Data Science School [2], собрало ведущих практиков из банков, страховых компаний, финтеха, государственных учреждений и стартапов в области ИИ в Индонезии, чтобы изучить, как агентский ИИ может изменить финансовый сектор.
Хотя обсуждения были сосредоточены в основном на Индонезии, многие из идей отражали проблемы и возможности, с которыми сталкивается более широкий ландшафт — от Юго-Восточной Азии или даже мировой финансовой индустрии. В этой статье я поделюсь своими ключевыми выводами, идеями и размышлениями по итогам мероприятия.
Дисклеймер: я не имею отношения ни к одной из компаний или организаций, упомянутых в этой статье. Они упоминаются исключительно для ясности и иллюстрации. Для получения дополнительной информации о них обратитесь к разделу ссылок в конце этой статьи.
1. ROI ИИ
Каждый раз, когда компания планирует начать новый проект или внедрить новую технологию, неизбежно возникает вопрос о возврате инвестиций (ROI). Это естественно, поскольку для начала чего-то нового — особенно с ИИ — требуются немалые вложения в создание или интеграцию таких систем. Важно измерить, сколько финансовой отдачи компания получает в обмен на эти инвестиции.
Однако в случае внедрения ИИ точно измерить ROI может быть сложно. Это происходит потому, что большую часть времени, когда компания интегрирует решение ИИ в существующие операции, бывает трудно выделить ценность, созданную исключительно ИИ. Влияние обычно распределяется между несколькими командами и технологиями, что затрудняет определение вклада.
Один из подходов, о котором я узнал от докладчиков, заключается в том, чтобы посмотреть, как организации внедряют ИИ на разных уровнях зрелости:
- Повышение производительности
- Достижение технического совершенства
- Расширение или создание потоков доходов
Рассматривая эти уровни, мы понимаем, что ROI не всегда отражает полную картину воздействия ИИ. Многие организации теперь начинают дополнять ROI возвратом ценности (ROV) [3], более целостным подходом, который измеряет не только финансовую отдачу, но и отвечает на вопросы, например:
- Улучшил ли ИИ качество принятия решений?
- Повысил ли он удовлетворённость клиентов?
- Улучшил ли он внутреннюю производительность?
Другой не менее важный аспект — стоимость бездействия (COI). Это потенциальные потери, которые компания несёт, не внедряя или откладывая внедрение ИИ. По данным Forbes [4], есть четыре ключевые области, в которых компания столкнётся с проблемами, если решит «подождать и посмотреть»:
- увеличение разрыва в знаниях;
- трудности с привлечением ведущих специалистов в области ИИ;
- упущенные возможности обучения;
- рост операционной неэффективности по сравнению с конкурентами, которые уже стали использовать ИИ.
В заключение, хотя ROI всегда останется фундаментальным компонентом в процессе принятия решений о внедрении ИИ, компаниям необходимо дополнить его другими подходами, такими как возврат ценности (ROV) и стоимость бездействия (COI), чтобы получить полную картину воздействия ИИ и его стратегической важности.
2. Вызовы в регулируемых секторах
Второй ключевой вывод, который я хочу здесь обсудить, — это безопасность.
Как я упоминал ранее, одно из основных различий между финансовым и другими секторами заключается в строгом регулировании и высоком уровне защиты данных. Например, Индонезийское управление финансовых услуг (OJK) требует от банков размещать свои центры обработки данных и центры аварийного восстановления в пределах границ Индонезии [5].
В результате этого регулирования финансовые учреждения не могут свободно внедрять облачные системы. Они должны обеспечить безопасность всех данных и соответствие местным нормам. Поэтому многие организации предпочитают запускать свои системы ИИ на локальных или гибридных инфраструктурах, а не полагаться полностью на облако.
Кроме того, в условиях роста числа утечек данных и фишинговых атак финансовый сектор должен ещё больше усилить свои системы кибербезопасности. Один из докладчиков подчеркнул, что всё должно быть защищено и соответствовать требованиям до развёртывания — или лучше вообще не развёртывать. Стоимость неудачи в этой области, будь то финансовые или репутационные потери, может быть намного больше, чем стоимость задержки.
3. Агентский ИИ в действии
Мы обсудили два наиболее важных аспекта перед внедрением ИИ в организации. Теперь давайте рассмотрим некоторые примеры использования агентского ИИ, о которых говорили докладчики на мероприятии.
Безлюдная финансовая отчётность
Традиционно финансовые аналитики полагаются на большие объёмы различных данных — таких как рыночные цены, отчёты компаний и настроения в новостях — для построения своего анализа. Этот процесс требует как скорости, так и точности, поскольку финансовый ландшафт быстро меняется.
С помощью агентского ИИ этот рабочий процесс можно переосмыслить. Подключаясь к надёжным источникам данных в режиме реального времени, агенты ИИ с разной специализацией (например, исследования рынка, отчётность по компаниям и новостям, анализ исторических данных и разработка отчётов) сотрудничают автономно для создания кратких отчётов на основе данных.
Лица, принимающие решения, или аналитики могут просто задавать вопросы на естественном языке, а затем мультиагентная система координирует работу этих специализированных агентов для предоставления отчёта в формате PDF или слайдов в течение нескольких секунд.
Кроме того, для повторяющихся задач отчётности (например, ежедневных или еженедельных обновлений) пользователь может запланировать систему для генерации отчёта с использованием самых последних рыночных данных.
На мой взгляд, надёжность источника данных является наиболее важным фактором в этом случае использования. Чтобы сделать отчёт достоверным, нельзя позволять специализированному агенту придумывать данные — то, что мы называем галлюцинациями. Поэтому вместо использования собственных обучающих данных нужно снабжать их проверенным набором данных.
Особенно для целей анализа рынка платформы вроде Sectors.app предоставляют список API-конечных точек, к которым могут обращаться агенты ИИ для получения фактических рыночных данных. Использование проверенного источника, такого как этот — или любого другого верифицированного источника, — помогает минимизировать галлюцинации, обеспечивая точность при одновременном повышении производительности аналитиков.
_Пару месяцев назад я начал свой путь в агентском ИИ, используя API Sectors.app и OpenAI Agents SDK. Я создал простое приложение Streamlit, которое позволяет пользователям взаимодействовать с агентами ИИ и задавать вопросы, связанные с компаниями, котирующимися на Индонезийской фондовой бирже (IDX).
Я опубликовал этот проект на своём GitHub, и ссылку на репозиторий можно найти в конце этой статьи.
Аудит с помощью ИИ
Одно из обсуждений, которое меня удивило, было связано с Комиссией по аудиту Индонезии (BPK) — государственным учреждением, ответственным за аудит управления и подотчётности государственных финансов. Что привлекло моё внимание, так это то, как далеко они уже продвинулись во внедрении решений ИИ в свою деятельность, чего я не ожидал от государственного органа.
В сотрудничестве с Supertype BPK интегрировала решения ИИ в свою платформу BIDICS, превратив огромный объём аудиторских документов в доступную для поиска базу знаний для поддержки процесса аудита — от поиска, анализа и визуализации ключевых данных, содержащихся в отчётах [7].
Они используют LLM для извлечения данных и категоризации документов, а также для генерации предварительных аналитических выводов. ИИ-инсайты помогают аудиторам BPK в планировании, оценке рисков и принятии решений перед проведением подробных полевых проверок [8].
Одним из ключевых вызовов, упомянутых докладчиком, была необходимость обеспечения того, чтобы доступ к данным был ограничен только уполномоченными аудиторами, чтобы предотвратить любое потенциальное злоупотребление. Это особенно важно, поскольку BPK имеет право собирать и управлять большим объёмом конфиденциальных финансовых данных и документов.
Кроме того, BPK придерживается подхода «человек в контуре», то есть все окончательные решения должны приниматься под надзором человека — важнейшая гарантия, учитывая влияние каждого действия, предпринимаемого учреждением.
4. Когда ИИ движется слишком быстро
Это, наверное, мой любимый вывод, который я получил на мероприятии, когда эксперты поделились другой стороной ажиотажа вокруг ИИ.
Давайте продолжим обсуждение NOTAPOS с того места, где остановились. На раннем этапе разработки построение пользовательской модели, которая могла бы понимать специфические знания предметной области — в данном случае юридический контекст Индонезии, — требовало ручной настройки. Им пришлось снабдить модель сотнями юридических документов, чтобы она могла изучить необходимый контекст и терминологию.
Теперь, с быстрым развитием LLM с более крупными и разнообразными обучающими данными, большая часть этого контекста уже существует как часть их знаний. Задачи, которые ранее требовали обширной ручной настройки, теперь могут быть выполнены немедленно, без дополнительной настройки, что делает разработку быстрее и значительно более рентабельной.
Этот и другие подобные случаи, возникшие из-за быстрого прогресса ИИ, ставят новую дилемму:
Стоит ли нам продолжать строить сейчас или подождать следующего большого скачка, который может сделать сегодняшние усилия устаревшими?
С точки зрения личного размышления, этот вопрос связан с более ранним обсуждением в статье — стоимостью бездействия. В такой быстроразвивающейся области ожидание может показаться способом избежать «ненужных» затрат, но реальный риск заключается в том, чтобы отстать — упустить шанс научиться, экспериментировать и адаптироваться к технологиям по мере их развития.
Мы не можем просто ждать. Как мудро заметил докладчик: «Ключ в том, чтобы уметь предсказывать, где технология окажется через шесть месяцев». Речь идёт не всегда о погоне за каждой новой тенденцией, а о том, чтобы оставаться адаптивным и готовым использовать каждую возможность по мере её появления.
5. Главный вопрос: заменит ли ИИ людей?
Одна вещь, которую я действительно ценю в этой конференции, — это то, как она объединила людей из разных слоёв общества. Это разнообразие отразилось в том, как они по-разному отвечали на один и тот же большой вопрос — заменит ли ИИ людей?
Конечно, на этот вопрос нельзя ответить простым да или нет. Большинство компаний считают, что ИИ здесь не для того, чтобы заменить людей, а скорее для того, чтобы расширить их возможности. Чтобы это обеспечить, организации должны вкладывать значительные средства в целевые программы обучения, чтобы помочь сотрудникам использовать ИИ — по крайней мере, для повышения производительности.
Однако обучение само по себе не гарантирует, что люди будут эффективно использовать ИИ, особенно в компаниях с разными поколениями и культурами. Всегда будет группа, сопротивляющаяся переменам, рассматривающая ИИ как угрозу или просто слишком сложную для использования. Здесь лидерство становится решающим — для руководства и изменения мышления.
Тем не менее, если ИИ может выполнять определённые повторяющиеся или канцелярские задачи — возможно, лучше, чем люди, — что происходит с теми, чья роль определяется в основном этой работой? Одна компания поделилась, что они перевели ряд бэк-офисных должностей на более ориентированные на клиента позиции, поскольку ИИ взял на себя административные задачи. (К сожалению, у меня не было возможности подробнее узнать, почему именно так, а не иначе.)
В конечном счёте, и компании, и сотрудники несут ответственность за обеспечение непрерывного переобучения и повышения квалификации, чтобы оставаться актуальными в условиях продолжающейся трансформации ИИ на рабочем месте.
Заключение
Агентский ИИ открывает множество возможностей: повышение производительности, достижение технического совершенства и создание совершенно нового направления бизнеса. Однако ничто из этого не может произойти без прочного фундамента в виде регулирования, безопасности данных, инфраструктуры и готовности людей.
В этой статье мы обсудили некоторые из моих ключевых выводов с конференции. Я благодарен за возможность увидеть, как разные организации реагируют на эту новую эру трансформации.
Конечно, это ещё не конец пути. Части того, о чём мы говорили здесь, скоро станут неактуальными. Однако такова реальность быстрой эволюции ИИ. Тем не менее мы не можем позволить себе просто ждать и смотреть.
Ссылки
[1] Supertype — Agentic Finance Conference https://supertype.ai/agentic-finance
[2] Algoritma Data Science School https://algorit.ma/
[3] Yedda Stancil — ROI (Return on Investment) vs. ROV (Return on Value): Understanding the Key Differences https://www.VK.com/pulse/title-roi-return-investment-vs-rov-value-key-yedda-stancil/
[4] Forbes — The Hidden Cost of Inaction on AI: Why You Can’t Afford to Wait and See https://www.forbes.com/councils/forbestechcouncil/2025/06/26/the-hidden-cost-of-inaction-on-ai-why-you-cant-afford-to-wait-and-see/
[5] OJK Regulation No. 11/POJK.03/2022 — Implementation of Information Technology by Commercial Banks. https://ojk.go.id/en/regulasi/Documents/Pages/Implementation-of-Information-Technology-by-Commercial-Banks/OJK%20Regulation%2011%202022%20concerning%20Implementation%20of%20Information%20Technology%20by%20Commercial%20Banks.pdf
[6] Sectors.app — Sector Financial API https://sectors.app/api
[7] Supertype.ai — LLM Development and Collaboration with BPK https://supertype.ai/llm-development
[8] INTOSAI Journal — BPK BIDICS: From A Question That Has No Answer https://intosaijournal.org/journal-entry/bpk-big-data-analytics-bidics-from-a-question-that-has-no-answer/
[9] NOTAPOS — AI-Powered Legal Document Management Platform https://notapos.co/