Как ИИ-агенты меняют банковское кредитование: опыт MUFG и Sakana AI

Искусственный интеллект в банковской сфере – тема, о которой говорят давно. Но одно дело – рассуждать о перспективах, и совсем другое – попытаться встроить ИИ-агента в реальные банковские процессы. Именно этим занялись Sakana AI совместно с одним из крупнейших финансовых холдингов Японии – MUFG (Mitsubishi UFJ Financial Group). Недавно компании опубликовали интервью с участниками проекта – своего рода взгляд изнутри на то, как это происходило.

Зачем банку ИИ-агент?

Кредитование – это не просто выдача денег. За каждым решением стоит большой объём аналитической работы: изучение финансового положения заёмщика, оценка рисков, проверка документов, соответствие нормативным требованиям. Всё это традиционно делают люди – и это требует времени, ресурсов и высокой концентрации.

Идея проекта состояла в том, чтобы часть этой работы передать ИИ-агенту. Проще говоря – не просто использовать ИИ как инструмент поиска или суммаризации, а дать ему возможность самостоятельно выполнять последовательность шагов: собирать нужную информацию, анализировать её и формировать структурированный вывод.

Это принципиально отличается от привычного сценария, где пользователь задаёт вопрос – и получает ответ. ИИ-агент действует как участник процесса, а не просто консультант на подхвате.

Банк это не стартап как ИИ внедряют в критические процессы

Банк – это не стартап. И это меняет всё

Одна из центральных тем интервью – разница между тем, как ИИ работает в лабораторных условиях, и тем, чего требует реальная банковская среда.

В банке есть жёсткие требования к точности. Ошибка в оценке кредитного риска – это не просто неудобство, это потенциальные финансовые потери и репутационный ущерб. Поэтому к ИИ здесь подходят с принципиально иной меркой, чем, например, в продуктовом чат-боте.

Участники проекта отмечают: банковские процессы исторически строились без расчёта на ИИ. Они оптимизированы под людей – с определёнными форматами документов, устоявшимися процедурами проверки, внутренними регламентами. Встроить в это агента, который работает иначе, – задача нетривиальная.

Кроме того, в финансовой сфере существует особая чувствительность к объяснимости решений. Если сотрудник банка принимает решение – он может объяснить, почему. От ИИ ждут того же. Это накладывает дополнительные требования на то, как агент формирует и представляет свои выводы.

Как обучить ИИ работать с финансовыми данными и документами

Что значит «научить» агента работать с финансовыми данными

В интервью команда рассказывает, что одной из ключевых сложностей стала работа с финансовой документацией. Банковские документы – это не просто текст. Это таблицы, специфическая терминология, сокращения, принятые в японской финансовой отрасли, и форматы, которые могут сильно различаться в зависимости от типа заёмщика.

ИИ-агенту нужно не просто «прочитать» документ, но и правильно интерпретировать его в контексте конкретной задачи. Это требовало тщательной настройки и итеративного тестирования – многократного уточнения того, как агент понимает задачу и какие шаги предпринимает для её решения.

Отдельный вызов – обеспечить стабильность. ИИ-модели могут вести себя по-разному в похожих ситуациях. В банковском контексте это недопустимо: процесс должен быть воспроизводимым и предсказуемым.

Сотрудничество между банком и разработчиком ИИ: новый формат

Сотрудничество, которое само стало экспериментом

Интересно, что формат взаимодействия между Sakana AI и MUFG сам по себе оказался нестандартным. Обычно в подобных проектах есть чёткое разделение: одна сторона – технический исполнитель, другая – заказчик с набором требований. Здесь всё было устроено иначе.

Команды работали в тесном контакте, совместно разбираясь в том, что вообще возможно, а что – нет. По словам участников, это потребовало от банковской стороны готовности мыслить иначе, а от технической – глубокого погружения в предметную область, которую они раньше не трогали.

Такой подход – когда заказчик и разработчик вместе исследуют пространство возможного – характерен для прикладных ИИ-проектов на переднем крае. Готовых рецептов нет, и это приходится принимать как данность.

ИИ в банке: осторожный оптимизм вместо громких заявлений

Осторожный оптимизм вместо громких обещаний

Показательно, как участники проекта говорят о результатах. Нет победных реляций в духе «ИИ теперь заменяет аналитиков». Вместо этого – взвешенная оценка: что удалось автоматизировать, где агент справляется уверенно, а где всё ещё нужен человек.

Это, пожалуй, и есть наиболее реалистичный взгляд на то, где сейчас находится прикладной ИИ в финансах. Не замена людей, а перераспределение нагрузки: рутинные, хорошо структурированные части процесса – агенту, нестандартные ситуации и финальная ответственность – человеку.

При этом даже частичная автоматизация в банковском кредитовании – это уже значимо. Если агент берёт на себя сбор и первичный анализ данных, аналитик получает возможность сосредоточиться на том, что действительно требует суждения.

Значение кейса внедрения ИИ-агентов для всей отрасли

Почему это важно за пределами одного банка

История этого проекта интересна не только как кейс MUFG или Sakana AI. Она отражает более широкую тенденцию: крупные организации с устоявшимися процессами начинают всерьёз разбираться, как ИИ-агенты могут встраиваться в их работу – не в виде пилотов ради пилотов, а как реальная часть операционной цепочки.

И здесь опыт банковской сферы показателен: если ИИ-агент может работать в условиях высоких требований к точности, объяснимости и соответствию регуляторным нормам – это сигнал о зрелости технологии, а не просто о её возможностях в идеальных условиях.

Открытые вопросы, конечно, остаются. Как масштабировать подобные решения? Как обеспечить их поддержку при изменении нормативной базы? Как выстраивать доверие к агенту среди сотрудников, которые привыкли работать иначе? Это не технические вопросы – это вопросы внедрения, и они, как правило, решаются дольше и сложнее, чем сама разработка.

Но то, что первый шаг сделан – и сделан вдумчиво, без попытки выдать желаемое за действительное, – уже само по себе говорит о многом.