Рассказываем, почему банк отказался от готовых моделей и что ждет финансовый ИИ в ближайшем будущем.
Когда банк говорит, что «не просто использует ИИ, а создаёт его», это звучит либо как бравада, либо как стратегия. У Capital One есть все основания для второй формулировки. На конференции VB Transform 2026 топ-менеджер по машинному обучению Кел Вани рассказал, как банк строит собственную мультиагентную платформу на основе open-weight моделей и проприетарных данных. Это не просто модный тренд, а выверенная архитектура, которая уже обрабатывает миллионы обращений.
Почему Capital One отказался от готовых решений? Как система из нескольких агентов справляется с задачами, где одна большая модель пасует, и куда движется финансовый ИИ в ближайшие годы? Разбираемся по шагам.
Платформа ИИ Capital One: ставка на open-weight модели и проприетарные данные
Пока одни финансовые гиганты послушно покупают доступ к проприетарным моделям, Capital One Bank пошел другим путем. Вместо того чтобы целиком полагаться на готовые фронтальные модели, банк построил собственную масштабируемую мультиагентную архитектуру на основе глубоко настроенных open-weight моделей. Кел Вани, MVP по машинному обучению в Capital One, сформулировал позицию коротко и без лишней скромности: «В Capital One мы не просто используем ИИ, мы создаем ИИ».
Такой подход не возник на пустом месте. Ранние инвестиции банка в трансформацию данных и облачные технологии заложили основу, которая позволила быстро развернуть современные ИИ-решения. По словам Вани, именно эта база дала возможность принимать ключевые архитектурные решения: строить централизованную корпоративную платформу ИИ со встроенным управлением, глубоко настраивать открытые модели с использованием проприетарных данных и разрабатывать собственный мультиагентный оркестратор.
Секретный ингредиент — проприетарные данные
Capital One Bank относится к своим данным как к уникальному конкурентному преимуществу. «Мы считаем наши данные огромным преимуществом, которого нет ни у кого другого и которое не могут предоставить обычные фронтальные модели», — поясняет Вани. Именно поэтому для тонкой настройки open-weight моделей используются внутренние данные банка, а не публичные датасеты. При этом реальные данные критически важны для обеспечения свежего контекста во время живых взаимодействий с клиентами и сотрудниками — без них любая модель быстро устареет.
У такого подхода нашелся и неожиданный бонус — расширяемость. Вани отмечает: «Настраивая открытые модели для одного сценария, мы получаем выгоду для всего портфеля». Похоже, внутри Capital One Bank обнаружили, что обучение модели на специфике банка, его политиках и терминологии дает общий подъем качества сразу по всем направлениям. Проще говоря, инвестиции в одну задачу окупаются в масштабах всей организации.
Мультиагентные рабочие процессы Capital One: MACAW, Chat Concierge и автоматизация инфраструктуры
Миллионы звонков и одна неудачная LLM
Возьмем, к примеру, workflow для банковского фрода. Это не какая-то абстрактная задача в вакууме — это миллионы звонков в год. И каждый такой звонок может длиться от четырех минут до целого часа. Когда в Capital One попробовали скормить все это одной большой языковой модели, та, мягко говоря, не справилась. Слишком много нюансов, слишком длинный контекст, слишком высокая цена ошибки.
Решение? Разделить задачу между специализированными сущностями. Так родился мультиагентный процесс MACAW, где каждый агент отвечает строго за свой фронт работ. Первым в бой идет понимающий агент — он разбирает, что именно клиент хочет сказать и какое у него намерение. Дальше в игру вступает рассуждающий агент: ему дают четкие инструкции и он генерирует краткую выжимку разговора. Затем проверяющий агент факт-чекает эту выжимку, сверяя ее с реальными деталями беседы. И наконец объясняющий агент превращает все это в аккуратно оформленный документ, который уходит сотрудникам поддержки.
MACAW: когда ручной труд — зло
Раньше сотни сотрудников, специализирующихся на сложных случаях мошенничества, вынуждены были по крупицам восстанавливать детали длинных и запутанных разговоров вручную. Теперь это делает MACAW, автоматически создавая пост-звонковые резюме. Для поддержки это не просто удобство — это экономия тысяч человеко-часов, которые раньше уходили на механическое переписывание. Связка «проверяющий агент + объясняющий агент» стала своего рода конвейером, который выдает на-гора готовый структурированный отчет, а не сырую простыню текста.
Chat Concierge: тот же трюк, но для покупок
Та же архитектура мультиагентных систем перекочевала и в клиентский сервис. В основе Chat Concierge, который выступает в роли авто-консьержа для покупок, лежит кастомизированная версия открытой модели Meta* Llama, напичканная проприетарными данными банка. Принцип тот же — разделение труда, только роли слегка изменились: один агент болтает с клиентом, второй строит план действий на основе бизнес-правил, третий оценивает точность ответов, а четвертый объясняет и валидирует итоговый результат. Такой подход позволяет капитально экономить на времени клиента и не превращать процесс покупки в квест «угадай, что я хотел».
Оптимизация, которая не спрашивает разрешения
Любопытно, что Capital One пошел еще дальше и применил агентный подход к... настройке собственной инфраструктуры. В мире больших языковых моделей оптимизации появляются чуть ли не ежедневно, но беда в том, что две хорошие оптимизации, примененные вместе, иногда дают просадку производительности. Банк построил автономную агентную систему оптимизации, которая сама шерстит пространство поиска, проектирует и запускает эксперименты, настраивает бэкенд-хостинг, а потом кладет на стол исследователю готовую сводку результатов. Выглядит как сон инженера: вместо рутинной возни с конфигами — исследователь просто смотрит на итоги работы агента и принимает решение. Главное, чтобы агент однажды не решил, что исследователь — тоже балласт, который стоит оптимизировать.
Будущее ИИ в финансовых услугах: маршрутизация моделей и проактивные агенты
Что дальше? Кел Вани, судя по всему, смотрит далеко вперед. Первое, что он выделяет, — это маршрутизация запросов между несколькими моделями. Вместо того чтобы слепо доверять одной большой языковой модели, платформа будет направлять задачу туда, где её решат лучше всего. «Мы считаем, что можно получить лучшую точность, чем у любой отдельной модели, маршрутизируя запросы по более широкому набору доступных моделей, поскольку разные модели превосходят в разных областях», — объясняет Вани. Такой подход одновременно экономит деньги и повышает качество ответов.
Проактивный ИИ: система действует сама
Второй прогноз — ещё более смелый. ИИ должен перестать быть пассивным инструментом, который ждёт команды. «ИИ будет вмешиваться, как только обнаружит условия, требующие действий», — говорит Вани. Это значит, что система сама заметит аномалию, сама предложит помощь или предупредит о риске. Конечно, такой проактивности нужны строгие меры контроля и мониторинга, иначе ошибки могут обойтись дорого. Но выгода огромна: масштабное наблюдение за операциями и борьба с мошенничеством выйдут на новый уровень.
Уроки Capital One: без гибкости никуда
Вся история Capital One — это доказательство того, что ИИ агенты для бизнеса не работают по шаблону. Достичь измеримой ценности можно только выйдя за рамки готового ПО и собрав собственную, управляемую архитектуру. «Все эти ингредиенты были абсолютно критически важны для дифференциации в этой области и достижения планки качества, стоимости и задержек, которые мы перед собой поставили», — подчёркивает Вани. И судя по темпам развития, останавливаться банк явно не собирается.
Будущее финансового ИИ определенно не будет скучным. Capital One уже задаёт тренд, показывая, что даже консервативная отрасль может быть площадкой для смелых технических экспериментов. И если банк продолжит в том же духе, нас ждёт не просто автоматизация процессов, а полноценная интеллектуальная экосистема, где ИИ действует наравне с людьми.