ИИ‑агенты в финансах: гид по технологии и сценариям

В начале мая 2026 года Anthropic за два дня выкатила десять готовых агентов для банков и объединилась с Blackstone, Hellman & Friedman и Goldman Sachs на 1,5 млрд долларов, создав новую сервисную компанию для внедрения Claude в портфельные бизнесы этих инвесторов.

Эта новость — маркер большого сдвига, что ИИ-агенты в финансах перестают быть пилотами и становятся инфраструктурой. По данным Wolters Kluwer, за год доля финансовых команд, использующих агентного AI, вырастет с 6 до 44% — шестикратный рост, рекордный среди индустрий. Разбираем, как устроены ИИ-агенты в финансах, какие сценарии работают на международном и российском рынке и какие ограничения нужно учитывать при внедрении в РФ.

ИИ-агенты в финансовых услугах — это не чат-боты и не AI-ассистенты типа Copilot. Чат-бот отвечает по сценарию, ассистент помогает частично ускориться в моменте. Автономные агенты ИИ в финансах устроены иначе: агент получает на вход цель — например, «подготовь черновик кредитного меморандума по заемщику X» — сам декомпозирует ее на шаги, обращается к нужным системам, принимает решения по ходу и возвращает результат. Роль человека меняется: вместо оператора процесса он становится проверяющим.

Один универсальный агент плохо справляется с реальными финансовыми процессами. Слишком разнородные данные, много источников данных высокая цена ошибки в кредитном решении или санкционном скрининге. Поэтому индустриальный стандарт — мультиагентные системы в финансах: связка из нескольких узкоспециализированных агентов под управлением человека-супервайзера.

Архитектура устроена так:

1. Супервайзер принимает запрос и определяет, какие подзадачи нужно решить и в каком порядке
2. Профильные агенты — KYC, комплаенс, кредитный анализ, рыночные данные, документооборот — выполняют каждый свой кусок работы
3. Результат уходит супервайзеру

Между агентами и внешними системами стоят интеграции с правами доступа и аудиторским логом: каждое действие фиксируется и может быть позже воспроизведено. Так работают ИИ-агенты в финансах на промышленном уровне.

Похожую модель Anthropic использует в десяти финансовых шаблонах, запущенных 5 мая 2026 года: каждый шаблон собран из навыков (логика задачи), интеграций с данными через протокол MCP и субагентов под отдельные подзадачи.

KYC, AML и санкционный скрининг

Самый отработанный сценарий, в котором AI-агенты в финансах дают самый предсказуемый эффект. Nasdaq Verafin в 2025 году запустила Agentic AI Workforce — пакет цифровых работников для AML-комплаенса.

Их санкционный AI-агент закрывает до 80% входящих оповещений автономно: проводит расследование, фиксирует решение по ложным срабатываниям, эскалирует реальные совпадения с готовым досье. Решение Verafin развернуто более чем в 2 600 финансовых институтах с совокупными активами свыше 10 трлн долларов.

Кредитные меморандумы и андеррайтинг

Агент собирает финансовую отчетность заемщика, разносит данные по отчету о прибылях, балансу и движению денежных средств, рассчитывает кредитные коэффициенты, проверяет соответствие условиям договора и готовит черновик документа для кредитного комитета. Сценарий вошел в финансовый пакет Anthropic; о пилотах заявили JPMorgan, Citi и AIG.

В России похожую логику реализует Сбер: банк запустил линейку из 17 сервисных AI-агентов на базе GigaChat для бизнеса, которые обслуживают корпоративных клиентов по платежам, эквайрингу, зарплатным проектам.

Аналитика и исследования для инвестбанкинга

На международном рынке выстроена экосистема интеграций: Claude через MCP подключается к FactSet, S&P Capital IQ, Moody’s и другим. Агенты готовят презентации для клиентов, обзоры рынков, материалы для комплексной проверки сделок и инвестиционные меморандумы.

Помимо самих агентов для финансов, Anthropic формально создал AI-native сервисную компанию для внедрения Claude в портфельные компании инвесторов. По оценке Fortune, структура ставит Anthropic в прямую конкуренцию с крупнейшими консалтинговыми компаниями мира.

За этим — важный для тренда тезис. Модели и агенты сами по себе не дают трансформации: нужны инженеры внедрения, которые перестраивают процессы у клиента. По оценке Sequoia Capital, на каждый доллар, потраченный на софт, компания тратит шесть на услуги по его внедрению — то есть рынок внедрения корпоративного ПО в шесть раз больше самого рынка лицензий.

Из этого следуют три микро-вывода:

Сценарии те же — KYC, скоринг, антифрод, аналитика, — но маршруты внедрения другие. Использовать Claude, GPT-5 или Gemini в промышленной эксплуатации российского банка нельзя.

1. Закон 152-ФЗ «О персональных данных» и требования ЦБ к локализации хранения и обработки. Отправлять клиентские данные на внешние LLM в США или ЕС банк под лицензией не может.
2. Практическая доступность: внешние модели недоступны без обходных схем, на которые финансовый институт не пойдет по операционным и репутационным соображениям.
3. Формирующееся отраслевое регулирование. В июле 2025 года Банк России опубликовал Кодекс этики разработки и применения ИИ на финансовом рынке с пятью принципами: человекоцентричность, справедливость, прозрачность, безопасность и ответственное управление рисками.

Параллельно обсуждается более жесткая рамка. По данным Forbes, при ЦБ создана рабочая группа по ответственности при использовании AI на финансовом рынке. По данным «Известий», банки видят риски в возможном вступлении регулирования AI с 2027 года и просят переходный период — особенно по требованиям к маркировке и локализации разработки LLM.

Там, где ИИ агенты для банков уже вышли из пилотов в промышленную эксплуатацию, повторяется один и тот же набор решений — и на международном рынке, и в России.

Модели разворачиваются ближе к данным. На международном рынке Anthropic и OpenAI продают агентов через соглашения о защищенной обработке данных и развертывание в облаке клиента — Bedrock, Azure, Vertex. В России банки идут дальше: модели работают внутри контура. У Сбера это GigaChat, у Яндекса — YandexGPT, у банков с открытым стеком — дотюненные Qwen.

Под агентами стоит платформа, а не россыпь скриптов. У Anthropic эту роль играют Claude Managed Agents с готовыми шаблонами. На российском рынке банки приходят к тому же выводу: чтобы запустить десятки агентов под разные процессы, нужна одна инфраструктура с управлением правами доступа, аудиторским логом и метриками. Один из примеров такого решения — Just AI Agent Platform, на которой собирают и оркеструют агентов под бизнес-задачи.

Безопасность агентов — отдельный продуктовый слой. По классификации OWASP для LLM, основные риски агентного AI — внедрение вредоносных промптов через входящие документы, утечка чувствительных данных через ответы и действия агента, выходящие за пределы заявленных полномочий. Эту часть закрывают отдельные продукты — например, Jay Guard в линейке Just AI.

AI-агенты в финансах на международном рынке прошел стадию пилотов; российский идет тем же маршрутом, но в собственной логике: на локальных моделях, во внутреннем контуре банка и с оглядкой на регуляторную рамку ЦБ. Конкурентная разница между банками будет считаться не в том, кто запустил AI-агента в финансах раньше, а в том, кто выстроил под этих агентов инфраструктуру и контур безопасности так, чтобы их можно было масштабировать.