Финансовые компании осознали: для агентного AI нужна готовность данных

Финансовые сервисы готовят агентный AI для автоматизации операций: анализ кредитных заявок, обнаружение мошенничества, управление портфелем. Но встречают неожиданную проблему — успех зависит не от сложности алгоритма, а от готовности данных.

Агентный AI в финансах Агентный AI — это системы, которые принимают решения и действуют автономно.

В финансовом секторе это значит: агент смотрит на входящий запрос, анализирует доступные данные и быстро решает — одобрить кредит, зафиксировать подозрительную транзакцию или перебалансировать портфель. Всё это должно происходить в режиме реального времени, потому что финансовые рынки меняются каждую секунду. При этом финсервисы работают в одном из самых регулируемых секторов экономики. Каждое решение агента может быть оспорено регулятором — и компания должна объяснить, почему именно это решение было принято.

Данные важнее, чем алгоритм

Здесь и кроется главный парадокс: компании инвестируют в GPT-5, в мощные трансформеры, в сложные системы — а в результате агент начинает работать плохо. Потому что агент получает устаревшие данные, неполные данные, противоречивые данные. Пример: риск-менеджер обучает агента принимать решения на основе кредитных историй клиентов.

Но если история не обновляется в реальном времени, агент будет рекомендовать кредиты людям, которые уже дефолтили в другом банке. Или: агент анализирует сделки для выявления мошенничества, но получает информацию с задержкой в два часа. За эти два часа мошенник уже вывел деньги.

Вызовы, которые блокируют даже самый умный AI: Актуальность в реальном времени — данные должны обновляться секунда в секунду, а не раз в день Согласованность между системами — CRM видит одно, бэк-офис видит другое, дата-лейк третье Регуляторная полнота — все данные для KYC, AML, PCI-DSS должны быть задокументированы и доступны для аудита Качество истории — плохие данные из прошлого обучают агентов делать плохые решения * Интеграция в реальный процесс — агент рекомендует, но операционные системы его не слышат ## Регулирование как архитектура В страховых компаниях и банках агент не может просто сказать «одобряю». Он должен документировать каждый шаг: какие данные использовал, какие правила применил, какой результат получил. Регулятор требует, чтобы это было объяснимо.

Значит, данные должны быть не просто актуальными, но и аудируемыми. Каждое значение — с временной меткой, источником, версией схемы. Когда Центральный банк начнёт проверку, компания должна доказать, что агент соблюдал все требования.

Это значит, что архитектура данных должна изначально быть спроектирована под регулирование, а не добавлена позже.

От экспериментов к production

Многие финсервисы начинают с пилотов — берут небольшой набор данных, обучают агента на исторических данных, пускают его в песочницу. Но когда наступает время выводить агента в production, выясняется, что инфраструктуры данных просто не существует. Нет системы, которая бы объединяла данные в реальном времени. Нет governance-слоя, который бы отслеживал качество. Нет способа откатить решение, если данные оказались повреждены. Финсервисы, которые добились успеха, сначала построили инфраструктуру данных, потом запустили агентов. Это долгий путь — дороже и медленнее, чем закупить GPT-5 и надеяться на лучшее.

Что это значит

Финансовым компаниям придётся инвестировать больше в инфраструктуру данных, чем в сам AI. Data lakes, real-time pipelines, governance frameworks — это будет конкурентное преимущество. Компания с хорошими данными выпустит агента быстро и будет быстро его совершенствовать. Компания, которая думала, что ей нужен «лучший алгоритм», будет отставать.