Мультиагентные платформы в банках: автоматизация без роста штата

Как банки используют мультиагентные ИИ-платформы, что важно учесть при их внедрении и почему простые роботы уже не справляются с текущими задачами.

Банки тратят уйму времени на ручную обработку данных. Заявки, сканы документов, комплаенс-проверки — все это требует десятков сотрудников и дней ожидания для клиента. А простые роботы (RPA) не справляются: они не умеют работать с неструктурированными данными — сканами, рукописным текстом, живыми формулировками из заявок. Монолитные ИИ-системы «все в одном» тоже не вариант: они дорогие, неповоротливые, и любое новое требование ЦБ или новый продукт тянет за собой пересборку всего механизма.

При этом финансовые организации по всему миру все активнее используют ИИ. Нейросети уже помогают управлять рисками, бороться с мошенничеством, настраивать маркетинг и обслуживать клиентов. В 2024 году технологии ИИ применяли 58% финансовых учреждений — годом ранее таких было только 37%. По данным EY, все опрошенные компании из финансового сектора в 2024 году вложили в ИИ больше, чем в 2023-м, а половина из них увеличила инвестиции более чем на 25%.

Выход — мультиагентные ИИ-платформы. По нашим оценкам и внутренним данным крупных розничных банков, они сокращают время андеррайтинга с нескольких дней до пары часов и снижают операционные расходы на 20–30%. Вместо одного тяжеловесного ИИ вы получаете среду, где работает несколько узких специалистов-агентов. Каждый делает свое дело и передает результат дальше по цепочке. Например, один агент распознает скан паспорта, другой сверяет данные с черными списками, третий принимает решение по кредиту. Агентов можно менять и обновлять по отдельности — новое требование ЦБ затронет только одного, а не всю систему целиком.

Мультиагентная платформа — это распределенная среда, в которой несколько специализированных ИИ-агентов выполняют конкретные функции в рамках сквозного процесса. Каждый агент отвечает за один узкий участок работы и передает результат следующему.

Типовые роли агентов в банках:

Возьмем обычный кредитный конвейер: клиент оставляет заявку на сайте, а дальше за дело берется сотрудник. Он проверяет сканы паспорта и справки, сверяет данные с разными базами, оценивает платежеспособность. Если заявка нестандартная — подключается старший специалист или служба безопасности. В лучшем случае клиент ждет ответа три дня, но чаще — дольше. Сотрудники загружены рутиной, и чем больше заявок, тем больше нужно нанимать людей.

Классическая схема работы такова: заявка попадает к сотруднику, и он вручную открывает вложения, проверяет комплектность, разбирает сканы — а они бывают разного качества, иногда нечитаемые. Потом переносит данные в несколько систем, отдельно проводит проверки по базам. На все это уходит очень много времени: ориентировочно из 100 заявок 65 требуют ручного вмешательства хотя бы на одном этапе.

Этот сценарий может измениться при надстройке мультиагентной платформы поверх существующих систем банка, в которой агенты будут работать последовательно. Первый соберет данные из заявки и приложений. Второй распознает сканы — включая сложные и неидеального качества. Третий проверит данные по внутренним и внешним базам. Четвертый применит скоринговую модель и выдаст решение. Нестандартные случаи уйдут к человеку — но уже с готовой аналитикой, где именно возникла проблема и что уже проверено.

Мультиагентная платформа не заменяет существующие банковские системы — она надстраивается над ними как интеллектуальный слой. Для типового банка требуется настроить четыре уровня интеграции:

Каждая интеграция — отдельная задача, которая влияет на сроки и бюджет. Готовые коннекторы крупных вендоров закрывают типовые сценарии, но кастомная доработка неизбежна.

Многие банки застревают в промежуточном состоянии: RPA уже есть, но охватывает лишь часть процессов, а мультиагентная платформа еще не внедрена. Чтобы сдвинуться с этой точки, нужны три рычага:

Прозрачная оценка совокупной стоимости владения (TCO). Пока затраты на гибридную схему остаются невидимыми, решение об инвестициях в ИИ-платформу выглядит избыточным. Честный расчет должен включать: текущие потери от ручной обработки, стоимость поддержки существующих RPA-ботов, цену ошибок и задержек, а также упущенную выручку от клиентов, ушедших из-за долгого ответа. Такой подход переводит проект из категории затрат в инвестицию со сроком окупаемости от 12 до 18 месяцев.

Стандартизация внутреннего регламента. Технологическое решение не заменяет внутренний порядок. До старта банк должен утвердить критерии отбора процессов для автоматизации, метрики измерения результата и порядок перестройки работы подразделений. Без этой нормативной базы даже хорошо настроенная платформа буксует из-за организационного сопротивления.

Внутренние и внешние стимулы. Руководство банка может помочь внедрению, если свяжет премирование сотрудников с тем, сколько процессов уже автоматизировано, и добавит время ручной обработки в их ключевые показатели. А регулятор подталкивает с другой стороны: ЦБ требует все более быстрого ответа по заявкам и комплаенсу, и банкам, которые до сих пор работают в гибридном режиме, становится все сложнее укладываться в эти сроки.

Даже хорошая технология не работает сама по себе. Мы выделили четыре вещи, которые могут затормозить проект, если не подумать о них заранее.

Помимо внешних рисков, у мультиагентных платформ есть и внутренние ограничения. Для полной объективности перечислим их.

Высокая стоимость внедрения. Лицензии на мультиагентные платформы, инфраструктура для их работы и услуги интеграторов — это существенные вложения. Стартовые затраты, включая первоначальную настройку и подключение, плюс регулярная плата за использование делают технологию заметной статьей расходов. Для небольших банков это может стать барьером.

Сложность настройки и отладки. Если обычную автоматизацию по правилам достаточно запрограммировать один раз, то агенты учатся и принимают решения сами и отладить их взаимодействие заметно сложнее. Даже мелкая ошибка в настройках или промпте одного агента может лавинообразно разваливать весь процесс.

Непрозрачность логики. В отличие от жестких скриптов, мультиагентная система может прийти к правильному решению, но неочевидным путем. В банке, где каждый отказ в кредите или антифрод-блокировка должны быть объяснимы клиенту и регулятору, это становится серьезной проблемой. Платформу придется дополнять модулями для отслеживания и интерпретации решений, что увеличивает сложность внедрения.

Если вы решили попробовать мультиагентную платформу, не нужно браться за все сразу. Вот простая последовательность, которая работает на практике.

Переход на мультиагентные платформы — это перестройка сквозных процессов, благодаря которой банк начинает быстрее и дешевле обрабатывать растущий поток заявок, и ему не нужно каждый раз нанимать новых людей. Те, кто откладывает этот переход, проигрывают дважды: теряют в операционной эффективности и накапливают регуляторный риск — требования ЦБ к скорости обработки заявок и комплаенс-ответа ужесточаются, и банк, работающий в гибридном режиме, рано или поздно просто не будет успевать укладываться в эти сроки.