Goldman Sachs acelera implantação de agentes de IA e transforma trabalho de desenvolvedores

Goldman Sachs уже не ограничивается внутренними AI-ботами для отдельных задач. По словам CIO Марко Ардженти, банк перестраивает подход к внедрению ИИ на фоне быстрого роста агентных платформ и новых инструментов для разработки.

От пилотов к системе

Полтора года назад разговор об ИИ в Goldman Sachs шел в основном вокруг внутренних инструментов и отдельных сценариев автоматизации. Теперь фокус шире: банк смотрит на ИИ как на слой инфраструктуры, который должен встраиваться в ежедневную работу команд, а не жить в виде набора экспериментальных сервисов. Появление агентных платформ вроде Claude Code сдвинуло планку ожиданий: бизнесу нужны не просто ответы модели, а системы, которые умеют выполнять цепочки действий, работать с кодом и ускорять реальные процессы.

Для крупного банка это означает более жесткие требования к архитектуре. Нельзя просто открыть доступ к новой модели и ждать эффекта. Нужно понять, где агенту разрешено действовать самостоятельно, какие данные ему доступны, как фиксируются его действия и кто отвечает за результат.

Поэтому внедрение ИИ в банке выглядит не как быстрый запуск модной функции, а как постепенная сборка контролируемой платформы с правилами, логированием и внутренними ограничениями.

Как меняется разработка Отдельная тема — AI coding.

Инструменты, которые помогают писать, проверять и переписывать код, уже заметно меняют работу разработчиков и инженеров. Речь не только об ускорении рутинных задач, но и о другом распределении времени: меньше усилий уходит на шаблонный код, первичные черновики и поиск типовых решений, больше — на ревью, постановку задачи, архитектуру и проверку того, что сгенерировал агент. Для банка с большим инженерным штатом это не косметическая оптимизация, а изменение производственного контура.

• Быстрее появляются прототипы внутренних инструментов Инженеры чаще работают как ревьюеры и постановщики задач для агентов Растет ценность качественной документации, тестов и стандартов кода * Ошибки смещаются из написания кода в область проверки, безопасности и контроля доступа Но выигрыш не приходит автоматически. Если у команды слабые тесты, запутанный код или неформализованные правила разработки, AI coding начинает тиражировать хаос так же быстро, как и полезные решения. Поэтому крупные компании параллельно пересматривают процессы: где обязателен human-in-the-loop, какие изменения можно предлагать автоматически, как проверять безопасность кода и как измерять реальную продуктивность, а не количество сгенерированных строк. Именно поэтому внедрение таких инструментов быстро упирается в дисциплину команды.

Данные и регуляторика

Самая сложная часть масштабирования ИИ в банке — не интерфейс и не выбор модели, а данные. Чтобы агент или ассистент приносил пользу, ему нужен доступ к внутреннему контексту: документам, системам, политикам, исходному коду, истории операций. Но именно здесь у финансовой отрасли самые жесткие ограничения.

Каждый новый сценарий упирается в классификацию данных, разграничение прав, требования по хранению, аудит и объяснимость решений. Чем мощнее агент, тем выше цена ошибки и тем строже должен быть периметр. Отсюда и регуляторный вопрос.

Банку недостаточно доказать, что модель работает быстро и удобно. Нужно показать, что её использование воспроизводимо, контролируемо и соответствует внутренним и внешним требованиям. В реальной эксплуатации это означает журналы действий, ограничения на использование чувствительных данных, проверку поставщиков моделей и понятные маршруты эскалации, когда AI ошибается или выходит за пределы допустимого.

Для Goldman Sachs внедрение ИИ — это одновременно инженерный проект, проект по управлению риском и длинная работа с комплаенсом.

Что это значит

Главный вывод из позиции Goldman Sachs прост: эпоха «чат-бота для экспериментов» заканчивается. Следующий этап — AI как управляемая корпоративная инфраструктура, где ценность дают не отдельные демо, а связка из агентов, данных, процессов контроля и новой роли инженера.