Пока стартапы пытаются скормить ChatGPT корпоративный чарт и получить на выходе работу мечты, настоящие гиганты вроде Morgan Stanley идут другим, куда более скучным, но эффективным путем. Ребята просто взяли и заставили ИИ делать самую нудную, критичную к ошибкам и жесткую по срокам работу в банке — сверку прибылей и убытков (P&L). И у них получилось. Но с одним хитрым условием: нейросеть не получила полной свободы. Наоборот — ей намеренно укоротили поводок.
Парадокс FIXR: меньше автономности — больше результата
Каждый торговый день в Morgan Stanley — это адский коктейль из транзакций по акциям, долговым обязательствам и прочим финансовым инструментам. А наутро контролеры должны свести данные по P&L из четырех огромных систем: Finance, Risk, Operations и Trade Capture. Сотни тысяч атрибутов не сходятся (это называют «breaks»). Раньше контролерам приходилось вручную копаться в каждом расхождении, принимать решение, делать корректировку — и все это до жесткого утреннего дедлайна. На один «бук» уходило до шести часов.
Теперь эту работу делает агентная система FIXR. Время сократилось до 2-3 часов. Сотня контролеров в сумме экономят около 1500 часов в неделю. И это не предел. Но как именно FIXR это делает?
Система построена не на тотальной замене человека, а на его партнерстве с машиной. Тодд Джонсон, управляющий директор Morgan Stanley, недавно выступал на мероприятии VB AI Impact и четко сформулировал философию: «Это скорее коллега, чем копилот». И это ключевое отличие от кучи поделок, которые сейчас пихают во все дыры под видом ИИ-трансформации.
Как работает внутренний агент: от хеллоуинских страшилок к чистому профиту
После того, как вечерний расчет P&L завершен, FIXR автоматически анализирует все «breaks» и предлагает варианты решений, основанные на выученных правилах. Внутри системы трудится целая команда агентов:
Первый — интерпретирует прошлые решения руководства и предлагает варианты «на старте дня».
Второй — учится на поведении контролера и документирует правила, которые тот применяет.
Третий — превращает повторяющиеся паттерны в постоянную, автоматическую логику.
Со временем система учится автоматически закрывать некоторые расхождения, которые уже видела. Для других — предлагает решения, но если сомневается — просит помощи у человека. И только когда один и тот же тип «break» решается одним и тем же методом раз за разом, FIXR превращает это в железобетонное правило.
Критически важно, что человек из этого цикла не выходит. Он просматривает, одобряет или отклоняет каждую рекомендацию. А затем эти решения возвращаются обратно в систему для обучения следующего цикла. «Вы все еще сохраняете человеческую ответственность, даже когда начинаете автоматизировать», — напоминает Джонсон.
Процесс — всему голова
До того как впустить в дело какой-либо ИИ, команда Джонсона провела «очень тщательную» оценку процессного интеллекта. Они нарисовали карты рабочих потоков и искали, где автоматизация даст максимальный эффект. Где нужны агенты, где — традиционная автоматизация, а где — просто реинжиниринг неэффективного шага? «Если мы сможем исправить это до того, как добавим агентов, тогда мы действительно трансформируем задачу», — говорит он.
Сам процесс сверки P&L был забит ручными операциями. FIXR забрал на себя их львиную долю, освободив контролеров для «более ценного анализа» и «глубокой оценки рисков». Но экономия времени — не единственная цель. Джонсон подчеркивает, что выбор пал именно на этот use case, потому что сотни контролеров по всему миру делают одно и то же. То есть решение масштабируемо: начали с одного кейса, доказали эффективность — поехали внедрять дальше.
Детерминизм как осознанный выбор
Самое интересное — это инженерное решение. Команда намеренно ограничила, насколько работа системы зависит от «мнения» языковой модели. «Если у вас есть возможность сделать что-то предписанным и повторяемым — это дешевле с точки зрения потребления токенов, более повторяемо с точки зрения контроля», — объясняет Джонсон.
Иными словами: пусть LLM делает только то, где не нужен жесткий, детерминированный workflow. Как только система получает от контролера обратную связь по конкретному типу расхождения, Morgan Stanley превращает этот паттерн в фиксированное правило. Модель при этом уже не гадает — она выполняет код. Дешево, надежно, предсказуемо.
Люди по-прежнему в ответе за то, что делает ИИ
В эпоху агентного ИИ встает фундаментальный вопрос: агенты — это код или цифровые сотрудники? Джонсон считает, что «и то, и другое понемногу». А значит, нужны разные подходы к управлению. Технические команды по-прежнему отвечают за защиту (файрволы, шифрование), но появляется и новый уровень ответственности: человеческий фактор.
«Один из наших принципов управления ИИ: за все должен отвечать человек, даже при высокой степени автоматизации», — подчеркивает он. И это не единоразовое тестирование. «Вы никогда не сможете сказать: 'Мы сделали всю оценку и тестирование. Пошли.'» — шутит Джонсон. — «Придется постоянно следить за системой по мере ее эволюции».
Это прямой вызов стартап-культуре «запустили и забыли». Morgan Stanley, в отличие от многих, играет вдолгую.
Что дальше? Никаких «песочных кладбищ»
Опыт Morgan Stanley удивительно точно совпадает с тем, что показывает рынок. Недавний опрос VentureBeat показал: 74% респондентов сообщили о нулевой или низкой отдаче от тонкой настройки кастомных моделей. Почти все описали «кладбище песочниц» — ИИ-проекты, которые оказались слишком дорогими в поддержке. Подход Morgan Stanley — «сначала процесс, покупка готовых решений и бленд» — выглядит на этом фоне куда более устойчивым.
Проблема управления вскрылась еще одна: 38% опрошенных назвали отсутствие единого ответственного лица главным барьером для продакшн-ИИ. И только 2 из 87 компаний имели активный мониторинг для отслеживания сбоев моделей. Morgan Stanley с его FIXR явно идет в фарватере, а не в хвосте этого тренда.