Goldman Sachs расширяет использование Anthropic Claude в операционной деятельности по учёту торгов и привлечению клиентов

Крупные финансовые учреждения ускоряют эксперименты с генеративным ИИ, и Goldman Sachs теперь масштабирует платформу Anthropic Claude на несколько рабочих процессов в бэк-офисе.

Goldman Sachs внедряет генеративный ИИ в бэк-офис

Goldman Sachs планирует развернуть модель Claude от Anthropic в учёте сделок и onboarding клиентов, позиционируя этот запуск как часть более широкой инициативы среди крупных банков по использованию генеративного ИИ для повышения эффективности. Первоначальный акцент делается на операционных процессах, расположенных в бэк-офисе, которые ранее полагались на большие команды, занимающиеся проверкой документов, сверкой и соблюдением нормативных требований.

Несколько банков уже применяют генеративный ИИ для работы с знаниями. JPMorgan Chase предоставляет сотрудникам доступ к набору больших языковых моделей для поиска информации и анализа данных. Более того, Bank of America использует своего помощника Erica для ответов на внутренние вопросы по технологиям и HR. Citi и Goldman оба используют инструменты ИИ для поддержки разработчиков в задачах программирования, что показывает, что ранние внедрения больше сосредоточены на исследованиях и разработке программного обеспечения, чем на операциях.

Тем не менее, в отчёте American Banker отмечается новая тенденция: использование генеративного ИИ для операционных задач, таких как учёт сделок и проверки «знай своего клиента» (KYC). Это свидетельствует о сдвиге от чисто аналитических сценариев к автоматизации транзакционно-ориентированных рабочих процессов, которые напрямую влияют на ежедневную банковскую деятельность.

Автоматизация крайних случаев в KYC и сверке

Многие автоматизируемые банковские процессы основаны на правилах, включают сбор данных, их проверку в внутренних и внешних базах данных и создание необходимой документации. В теории, традиционное программное обеспечение уже справляется с большей частью этой работы. Однако Marco Argenti, главный информационный директор Goldman, утверждает, что даже если платформа на основе правил решает большинство случаев, небольшой процент транзакций выходит за пределы заданных параметров и создаёт тысячи исключений в масштабах.

Он приводит в пример проверку личности в рамках KYC. Незначительные расхождения в записях клиентов или документы, близкие к сроку истечения, могут создавать крайние случаи, требующие человеческого суждения. Более того, такие исключения обычно сосредоточены в средах с высоким объёмом, что делает ручной обзор дорогим и медленным.

Argenti считает, что нейронные сети могут решать эти микро-решения, поскольку они используют контекстуальное рассуждение там, где отсутствуют или неоднозначны фиксированные правила. В этой системе генеративный ИИ дополняет существующие движки правил, а не заменяет их. Операционные преимущества достигаются за счёт сокращения доли случаев, требующих ручного вмешательства, что в свою очередь сокращает время разрешения исключений и повышает эффективность обработки.

Уроки от разработки программного обеспечения с помощью ИИ

Ранее работа Goldman с Claude для внутренней разработки программного обеспечения повлияла на решение расширить использование ИИ в другие операционные области. Разработчики банка используют версию Claude в сочетании с агентом Devin от Cognition для поддержки рабочих процессов программирования. В этом процессе инженеры задают спецификации и нормативные ограничения, агент генерирует код, а разработчики затем проверяют и дорабатывают результат.

Агент Devin также выполняет тестирование и валидацию кода. Argenti описывает эту систему как структурное изменение рабочих процессов разработчиков, при котором агенты ИИ работают по четко определённым инструкциям. Кроме того, сочетание спецификаций и автоматизированного тестирования повысило продуктивность разработчиков и сократило сроки выполнения проектов.

Этот опыт убедил Goldman, что агенты ИИ могут безопасно выполнять узкоспециализированные задачи в регулируемой среде, при условии чёткого разделения ответственности между людьми и системами. Однако слой человеческого контроля остаётся ключевым, особенно когда результаты имеют нормативные или рискованные последствия.

От программирования к документозависимым операционным рабочим процессам

Для учёта сделок и onboarding клиентов руководители проектов Goldman и Anthropic сначала изучили существующие рабочие процессы с экспертами в области, чтобы выявить узкие места. Внедрённые агенты ИИ теперь проверяют документы, извлекают сущности, определяют необходимость дополнительных документов, оценивают структуру собственности и инициируют дополнительные проверки соответствия, где это необходимо. Эти задачи обычно связаны с большим объёмом документов и требуют индивидуального суждения, что делает их подходящими для поддержки решений с помощью ИИ.

Автоматизируя извлечение данных и предварительную оценку, агенты сокращают время, которое аналитики тратят на ручное сравнение. Однако они не заменяют окончательное решение. Вместо этого они предоставляют структурированные данные и рекомендации по дальнейшим действиям, позволяя специалистам сосредоточиться на сложных или рискованных случаях, а не на рутинной обработке файлов.

Indranil Bandyopadhyay, главный аналитик в Forrester, объясняет, что сверка в учёте сделок требует сравнения разрозненных данных из внутренних регистров, подтверждений контрагентов и банковских выписок. Типичный рабочий процесс зависит от точного извлечения и сопоставления цифр и текста из нескольких документов. В этом контексте Claude от Anthropic позиционируется как способ масштабировать этот документозависимый этап сопоставления.

Почему Claude подходит для сценариев сверки и onboarding

Bandyopadhyay отмечает, что способность Claude обрабатывать большие окна контекста и следовать подробным инструкциям делает его особенно подходящим для сложных процессов сверки. Для onboarding клиентов аналитикам необходимо анализировать паспорта и корпоративные регистрационные документы, а затем сопоставлять все источники. Кроме того, необходимость интерпретации неструктурированных документов добавляет сложности, с которыми традиционные инструменты на основе правил справляться не могут.

В этой среде возможности ИИ по извлечению структурированных данных, выявлению несоответствий и обнаружению отсутствующих документов являются важными преимуществами. В результате снижается общая нагрузка на аналитиков и ускоряется цикл onboarding, при этом сохраняются стандарты управления, требуемые в банковской сфере.

Ключевым моментом является то, что платформы учёта и соблюдения нормативных требований остаются основными системами учёта. Claude работает на уровне рабочего процесса, отвечая за извлечение и сравнение, а человеческие аналитики занимаются исключениями, которые выявляет код. По мнению Bandyopadhyay, операционная ценность в строго регулируемых секторах, таких как банковское дело, заключается именно в этом разделении труда, а не в полном автоматизированном процессе.

Управление рисками, неопределённость и человеческий контроль

Jonathan Pelosi, руководитель отдела финансовых услуг в Anthropic, говорит, что Claude обучен выявлять неопределённость и предоставлять атрибуцию источников, создавая аудитный след, который снижает эффект галлюцинаций. Кроме того, эти дизайнерские решения направлены на повышение прозрачности поведения ИИ для команд по управлению рисками и регуляторов, связывая выводы с подтверждающими их доказательствами.

Bandyopadhyay также подчёркивает важность человеческого контроля и валидации, призывая учреждения разрабатывать системы так, чтобы ошибки обнаруживались на ранних этапах рабочего процесса. Он признаёт, что при правильном мониторинге агенты ИИ могут выполнять значительную часть повторяющихся проверок и сравнений гораздо быстрее человеческого персонала.

Marco Argenti из Goldman отвергает идею, что системы ИИ по своей природе легче обмануть, чем человека. Он считает, что социальные инженерные атаки в основном эксплуатируют уязвимости человека, тогда как модели ИИ могут обнаруживать тонкие аномалии в масштабах. Однако он повторяет, что оптимальная схема — это сочетание человеческого суждения и автоматизированного контроля в интегрированных командах.

Последствия для банковских операций

По словам Argenti, такое сочетание означает значительный рост операционной мощности без пропорционального увеличения штата, даже учитывая известные проблемы с внедрением ИИ. Более того, это позволяет банкам управлять растущими нормативными и документационными нагрузками, контролируя рост численности сотрудников.

Во всём банковском секторе генеративный ИИ становится инструментом повышения операционной эффективности за счёт ускорения обработки документов, сокращения времени обработки исключений и увеличения пропускной способности в рабочих процессах с высоким объёмом. Однако необходимость человеческого контроля остаётся, и учреждения должны сохранять свои существующие системы учёта и структуры управления, используя ИИ в основном для оптимизации верхних слоёв этих систем.

В целом, работа Goldman с Claude и связанными агентами демонстрирует прагматическую модель использования генеративного ИИ в финансах: автоматизация документов и задач, близких к правилам; чёткое выявление исключений; и сохранение ответственности за ключевые решения и соблюдение нормативных требований за человеческими экспертами.