Краткое содержание анализа
В 2026 году внедрение крупных моделей в финансовых организациях вступило в фазу активной конкуренции, однако большинство проектов все еще находятся на стадии пилотных тестов (POC/внутренних демонстраций), и лишь немногие из них действительно приносят коммерческую пользу. Проблема не в самих моделях, а в трех основных трудностях с данными (хаотичность данных, невозможность их понимания для ИИ, сложности их использования) и в отсутствии комплексных команд, способных объединить бизнес-процессы, данные и технологии. Решение заключается в создании трехуровневой архитектуры: «управление данными → подготовка ИИ к использованию → внедрение приложений», замене полномасштабного управления подходом, ориентированным на конкретные сценарии и быстрые результаты, а также в преодолении организационных барьеров с помощью модели FDE (инженеров, занимающихся передовыми технологиями) и четырех ключевых типов специалистов.
I. Внедрение крупных финансовых моделей: много обсуждений, но мало реальных результатов
Ведущие финансовые организации активно работают над проектами крупных моделей, охватывающими инвестиционные исследования, контроль рисков, обслуживание клиентов и другие области, но большинство из них все еще находятся на стадии проверки концепций (например, демонстрации руководству возможностей ИИ для ответов на простые вопросы). Почему? Не в моделях дело — универсальные крупные модели быстро совершенствуются, и их стоимость снижается, проблема в данных и отсутствии специалистов, способных связать бизнес-процессы, данные и технологии.
II. Три основные проблемы с данными, мешающие внедрению
ИИ хочет работать, но ему не хватает необходимых данных:
Проблема 1: хаотичность базовых данных
В финансовых организациях слишком много различных систем (кредитование в банках, финансовые продукты от разных производителей, системы брокерских и управленческих компаний несовместимы), что приводит к:
- разным идентификаторам одного и того же клиента в разных системах (например, в кредитной системе он называется «Чжан Сань 123», а в финансовой системе — «Мистер Чжан 456»);
- несоответствию форматов данных;
- низкому качеству данных (непонятно, как рассчитываются показатели, при изменениях приходится отправлять письма с уведомлениями, что увеличивает вероятность ошибок).
Проще говоря, данные не организованы должным образом, и ИИ не может использовать их эффективно.
Проблема 2: данные не подготовлены для использования ИИ
Даже если данные доступны, их нельзя сразу использовать для работы ИИ. Например, в отчете о финансовых результатах человек может понять значение показателя «чистая прибыль», но ИИ не знает, что это такое, откуда он взят и как он связан с другими показателями. Использование таких данных сопряжено с тремя трудностями: невозможностью точного определения данных, несоответствием интерфейсов и непониманием бизнес-терминологии (например, значение показателя «коэффициент левериджа» может отличаться в разных организациях).
Проблема 3: неправильное использование данных ИИ
Универсальные крупные модели имеют ограниченный доступ к специализированным данным, которые обновляются медленно, что приводит к ошибкам (например, неправильным расчетам изменений цен). Кроме того, высокие требования к конформности финансовых данных ограничивают их использование. Например, при оценке кредитоспособности облигаций ИИ может произвольно вводить данные, которые невозможно проверить.
III. Создание контроля над данными
Для решения этих проблем необходима трехуровневая архитектура:
1. Управление данными: сначала необходимо упорядочить данные
Речь идет не просто о единообразии идентификаторов, а о решении трех ключевых проблем:
- единый идентификатор для одного и того же клиента/процесса во всех системах;
- четкое определение источника данных;
- стандартизация показателей (например, для показателя EBITDA должны быть установлены четкие правила использования в разных сценариях).
Это возможно только при совместных усилиях специалистов по бизнесу и данным: бизнес-эксперты определяют, как показатели используются на практике, а специалисты по данным разрабатывают стандарты для систем.
2. Подготовка данных для использования ИИ
Упорядоченные данные должны быть представлены в формате, понятном для ИИ. Для этого необходимо создать систему бизнес-знаний (например, четкое определение понятия «коэффициент левериджа» для разных организаций) и присвоение данных соответствующих меток.
3. Внедрение приложений: ограничение свободы действий ИИ
Источником ошибок является неправильное использование данных. Решение — разделение сложных процессов на более простые этапы и введение ограничений:
- разделение процессов на отдельные шаги (например, инвестиции в облигации на выбор ценных бумаг, оценку рисков, выполнение сделок);
- использование только проверенных данных;
- автоматическое перенаправление высокорисковых задач на людей.
В результате проверка данных между системами занимает несколько секунд, а не недели, и каждый шаг может быть проверен.
IV. Практический подход к внедрению
Многие организации планируют сначала управить всеми данными, а затем внедрить крупные модели, но это невозможно — процесс управления данными бесконечен (системы постоянно обновляются, данные меняются), и к моменту завершения упущены важные бизнес-возможности.
Правильный подход — ориентация на конкретные сценарии и быстрые результаты. Например, при оценке кредитоспособности облигаций сначала необходимо улучшить управление данными, связанными с оценкой, финансовыми показателями и другими аспектами.
V. Заключение
Внедрение крупных финансовых моделей требует тщательной подготовки и совместных усилий специалистов по бизнесу и данным. Организационные барьеры и несоответствие данных существенно снижают эффективность их использования.