Когда ИИ клиента становится контрагентом: банкинг в мире взаимодействия агентов

Десятилетиями корпоративный банкинг строился на простом предположении: с другой стороны отношений всегда находится человек. Портфельный менеджер звонит на торговую площадку. Аналитик входит в исследовательский портал. Трейдер запрашивает котировки. Рабочие процессы, средства контроля, схемы комплаенса и модели взаимоотношений во всей индустрии были созданы именно с учетом этой идеи.

Это предположение начинает меняться. Все чаще первое взаимодействие может вообще исходить не от человека, а от программного обеспечения, действующего от имени клиента. Институциональный банкинг вступает в эру взаимодействия агентов, когда ПО, действующее в интересах клиента, взаимодействует с системами банка и, все чаще, с собственным ИИ банка.

ИИ-системы на стороне покупателей начинают получать аналитические материалы, запрашивать котировки, использовать аналитику и в некоторых случаях инициировать исполнение сделок через программные интерфейсы. Человек не исчез из процесса, но уровень доступа становится автоматизированным.

Это не незаметный сдвиг. В определенных сегментах рынка ИИ-агенты на стороне клиентов уже напрямую взаимодействуют с банковской инфраструктурой. Более широкий вопрос заключается в том, готовы ли банки к такому взаимодействию, поскольку оно влечет за собой проблемы владения, управления и инфраструктурные вызовы.

Последние тенденции в сфере ИИ от экспертов

Получайте тщательно отобранную аналитику по самым важным и захватывающим новостям об искусственном интеллекте. Подписывайтесь на нашу рассылку Think Newsletter дважды в неделю.

Большая часть внимания индустрии к ИИ была сосредоточена на внутренних задачах: обобщении исследований, ведении протоколов встреч, автоматизации рабочих процессов и инструментах повышения производительности для банковских работников. Эта работа важна, но она не является главным структурным изменением. Более важным событием является то, что сами институциональные клиенты быстро внедряют ИИ, особенно хедж-фонды, количественные фонды и крупные управляющие активами, которые уже работают на базе высокоавтоматизированной инфраструктуры.

Прайм-брокеридж — самый яркий пример. Клиенты уже получают данные о позициях, финансировании, маржинальной аналитике и рисках через API и структурированные интерфейсы. Переход от традиционных API к доступу, управляемому ИИ-агентами, не является технически огромным скачком.

Проблема редко заключается в том, «как нам это сделать», а в том, «знаем ли мы, как мы это сделали». Чего не хватает, так это уровня управления (governance).

Что происходит, когда организацией, запрашивающей информацию, является не конкретный аналитик, а автономный клиентский агент? Кто санкционировал доступ? Какие разрешения применяются? Что именно фиксируется в логах? Как выглядит надзор, когда решения все чаще принимаются при участии машин?

У большинства банков пока нет четких ответов.

Протокол контекста модели (Model Context Protocol, MCP) — это открытый стандарт, который позволяет ИИ-агентам подключаться напрямую к внешним источникам данных и сервисам через структурированные интерфейсы.

MCP привлек много внимания в последнее время, но идея, лежащая в основе технической терминологии, относительно проста. Вместо создания разовой интеграции для каждой системы ИИ-агент может использовать общий протокол, чтобы узнать, что предлагает сервис, и взаимодействовать с ним.

На практике ИИ-агент на стороне клиента может напрямую загружать исследования банка, проверять наличие активов или условия финансирования, а также получать аналитику рисков. Он может сравнивать цены у разных контрагентов и, потенциально, автоматически направлять ордера на исполнение. Каждый шаг все дальше уводит агента от простого чтения информации к совершению действий на ее основе.

Как только взаимодействие становится машинным, операционная модель начинает сильно отличаться от традиционного портала или клиентского интерфейса. Она сводится к вопросам прав доступа, контроля полномочий, возможности аудита и управления на машинной скорости.

Некоторые компании уже движутся в этом направлении. IG Group внедрила уровень MCP только для чтения. ThinkMarkets поддержала рабочие процессы с возможностью исполнения сделок. Aiera распространяет аналитические исследования sell-side в ИИ-системы buy-side со встроенным отслеживанием прав доступа. Компания Huatai Securities в Китае запустила специализированную инфраструктуру, нацеленную на интеграцию институционального ИИ.

Ничто из этого больше не является научной фантастикой. Это ранний этап, фрагментированный и неравномерно внедряемый, но это реальность.

Институциональный банкинг по своей сути — это информационный бизнес.

Успешные компании, как правило, обладают:

• Лучшим контекстом
• Лучшим таймингом
• Лучшей интеграцией в рабочие процессы клиентов
• Более быстрым доступом к информации и ликвидности

Эта динамика становится еще более важной, когда «пользователем», потребляющим ваши услуги, является программное обеспечение. ИИ-агент естественным образом предпочтет платформу с более чистыми интерфейсами, лучше структурированными данными, более быстрым поиском и более четкими правами доступа. Со временем простота машинного доступа может иметь почти такое же значение, как и сами базовые отношения.

Это особенно важно в прайм-брокеридже, где продукт уже глубоко операционный и ориентирован на данные. Сегодня у хедж-фонда могут быть команды, которые вручную извлекают данные о финансировании, наличии активов и аналитику от нескольких провайдеров. Завтра большая часть этого процесса сравнения может происходить автоматически через контролируемые клиентом ИИ-системы.

Этот поворот меняет всю конкурентную среду, поскольку фактором дифференциации становится уже не просто сила клиентских отношений, а качество лежащего в их основе инфраструктурного слоя.

Инвестиции в ИИ происходят повсеместно в ведущих банках, но большая их часть по-прежнему направлена вовнутрь. Банки создают исследовательские инструменты и внутренние copilots, обобщают встречи, автоматизируют рабочие процессы и облегчают поиск собственных знаний. Эти возможности полезны и становятся все более необходимыми. Но они также быстро превращаются в стандарт. Более сложная и менее заезженная задача — создание управления и инфраструктуры, необходимых для взаимодействия с клиентскими агентами. Это требует систем, для поддержки которых большинство институтов никогда не проектировались:

• Модели прав доступа для не-людей
• Выдача разрешений в реальном времени
• Журналы аудита на машинном уровне
• Специфичные для ИИ средства контроля комплаенса
• Системы надзора за автономными рабочими процессами

Это одна из причин, почему ориентированный на клиентов ИИ развивался намного медленнее, чем внутренние внедрения. Бремя управления здесь объективно выше. Но именно это бремя делает технологию защищенной от копирования после ее создания. Любой банк может лицензировать одни и те же модели. Очень немногие способны быстро перестроить лежащую в основе инфраструктуру комплаенса, прав доступа и аудита, необходимую для безопасной поддержки взаимодействия машин с клиентами в масштабе.

Регуляторы уже начали обращать на это внимание. FINRA recently flagged governance around agentic AI interactions в качестве нового приоритета проверок. Это важно, поскольку многие существующие нормативные базы предполагают наличие человека-лица, принимающего решения где-то в цепочке рабочего процесса.

Индустрии еще предстоит разрешить ряд базовых вопросов. Кто несет ответственность, когда автономное решение принимает система? Как банк должен осуществлять надзор за деятельностью, инициированной ИИ клиента? Как требования применимости (suitability) и обязанности наилучшего исполнения (best execution) соотносятся с ситуацией, когда контрагентом является ПО? И как проводить аудит рабочего процесса, который в значительной степени управляется машинами?

Эти вопросы станут еще более актуальными по мере того, как системы с возможностью совершения сделок будут получать все большее распространение. Проблема для банков заключается в том, что инфраструктура управления создается годами, в то время как ожидания клиентов могут измениться очень быстро, как только новая модель доступа докажет свою полезность.

Рынок сегодня по-прежнему говорит об ИИ в основном как об инструменте повышения производительности. Это понятно, поскольку прирост эффективности виден, измерим и относительно прост в реализации. Любое учреждение может улучшить внутренние рабочие процессы с помощью суммирования, вторых пилотов (copilots) и автоматизации.

Более масштабным изменением является реорганизация самого уровня институционального доступа. Когда клиенты начинают взаимодействовать через автономные системы, а не исключительно через людей, экономика и конкурентная динамика институционального банкинга начинают меняться.

Новый формат взаимодействия требует защитных механизмов для работы в масштабе:

• Инфраструктура регулируемого доступа
• Машиночитаемые клиентские интерфейсы
• Системы разграничения прав доступа
• Проверяемость (аудируемость)
• Операционное доверие

Эти возможности сложнее продвигать на рынке, чем чат-ботов и вторых пилотов. Их также гораздо сложнее скопировать. Как только клиенты начнут ожидать такого уровня интеграции от каждого поставщика услуг, наверстать упущенное быстро не получится.

Банкам не нужны все ответы уже сегодня. Но им действительно необходимо начать задавать правильные вопросы прямо сейчас. Какие клиентские агенты уже обращаются к нашим API? Что им разрешено видеть? Сможем ли мы восстановить то, что они сделали, и почему?

Банки, которые смогут уверенно ответить на эти вопросы, зададут стандарты для этого рынка. Остальным придется жить по чужим правилам.

Ананд Пандья (Anand Pandya)

Руководитель направления современных платформ данных для финансовых услуг

IBM