Для бизнеса границы возможностей агентных финансов определяются тем, насколько устойчив результат, сколько стоит его проверка и кто отвечает за последствия. Некоторые ограничения сокращаются в процессе совершенствования больших языковых моделей (LLM), другие требуют изменения процессов, договоров и системы управления, но подавляющее большинство из них по-прежнему требуют участия пользователя-человека.
К примеру, в августе 2026 года банк DBS сообщил о внедрении агентной системы для подготовки кредитных заключений, которую использует примерно 1500 сотрудников. Специализированные AI-агенты выполняют более 70 задач, однако результатом их работы становится лишь черновик документа, который проверяют непосредственно сотрудники, способные дать компетентную оценку с пониманием специфики конкретного клиента и обстоятельств сделки.
Словом, теоретическая возможность высокой степени автоматизации не обязательно предполагает ее практическую целесообразность, а для оценки возможностей агентных систем важно понимать их основные ограничения. Именно в этом контексте особую ценность приобретает информация о том, чего пока не могут агентные финансы.
Гарантировать надежность в нестандартных ситуациях
Успешное выполнение задачи еще не означает, что AI-агент будет столь же надежен при повторных запусках или изменении исходных условий. Anthropic в руководстве по оценке агентов отдельно рассматривает способность системы получить правильный результат хотя бы с одной попытки и стабильно выполнять задачу при повторных попытках. Для финансовых операций это принципиальное различие, поскольку повторный запуск не отменяет последствий уже совершенной ошибки.
Например, при сверке счета от поставщика с договором агент может без затруднений обработать стандартную операцию, но столкнуться со сложностями при частичной поставке, корректировке суммы или наличии ранее внесенного аванса. Поэтому оценка его надежности должна учитывать:
Устойчивость результатов. Насколько стабильно агент выполняет одну и ту же задачу при повторных запусках.
Обработку исключений. Способен ли он учитывать изменения условий сделки, а не просто извлекать данные из документов.
Работу с неопределенностью. Может ли система распознать недостаток или противоречивость информации и передать решение специалисту, если безопасное продолжение операции невозможно.
Сочетать сложный анализ с жесткими сроками
Качество ответа, время его подготовки и стоимость обработки необходимо оценивать в совокупности. Особенно это важно для задач, в которых агент последовательно запрашивает информацию из нескольких систем, потому что ускорение отдельных вычислений не гарантирует, что длительность процесса в целом будет соответствовать ожиданиям.
Специалисты Microsoft опубликовали в июле 2026 года результаты бенчмарк-исследования, в рамках которого использовали 251 тестовый запрос по финансовым обязательствам, показателям компаний и подготовке аналитических справок. При сравнении универсальных агентных систем выяснилось, что в режиме с ограничением времени в 60 секунд они показывали значительно худшие результаты, чем при увеличении лимита до 300 секунд и выделении дополнительных ресурсов на обработку запроса. Причина заключалась в том, что для получения необходимой информации агентам зачастую требовалось несколько последовательных обращений к внешним системам, которые они не всегда успевали завершить за минуту.
Для бизнеса это означает необходимость оценивать AI-агентов с учетом реальных требований к скорости и качеству работы. Поэтому в отдельных случаях эффективнее поручить агенту проверку отдельных показателей в финансовой отчетности компании, чем делегировать ему весь процесс оценки ее финансового состояния с сопутствующими затратами на длительный анализ и обработку исключений.
Подтверждать исполнение сделки фактом оплаты
Даже правильно авторизованный и исполненный платеж не гарантирует, что покупка достигла своей цели. Например, AI-агент может приобрести набор данных у разрешенного поставщика, соблюсти установленный бюджет и получить подтверждение перевода, но впоследствии выяснить, что предоставленная информация не соответствует требованиям заказа.
Это различие отражено в исследовании Authority–Inference Separation in Agentic Finance, опубликованном в августе 2026 года. Авторы показывают на примере публичных записей блокчейн-сети Base, что сведения о транзакции позволяют подтвердить проведение расчета, но сами по себе не доказывают, что поставщик исполнил обязательства перед покупателем.
Поэтому полноценная автоматизация сделки требует отдельной проверки полученного результата на соответствие согласованным условиям. AI-агент может участвовать в такой проверке, выявлять расхождения и инициировать претензию, однако успешное проведение платежа само по себе не гарантирует исполнения обязательств контрагентом.
Обеспечивать окупаемость самим фактом автоматизации
Экономический эффект от внедрения агентных систем нельзя измерять только количеством сэкономленных рабочих часов, поскольку проверка и согласование решений AI-агентов также требуют времени сотрудников.
При оценке агентного проекта целесообразно учитывать:
стоимость работы моделей и доступа к внешним данным;
время проверки результатов и обработки исключений;
расходы на интеграцию, сопровождение и повторное тестирование;
затраты на исправление ошибок и восстановление операций.
В этом контексте показателен совокупный расход ресурсов на корректно завершенную задачу с учетом всех проверок, который необходимо сравнивать с характеристиками существующих бизнес-процессов, включая уже используемые методы автоматизации.
Для типовых финансовых расчетов, выполняемых по заранее заданным правилам, использование агентных систем может оказаться избыточной мерой, поскольку экономический потенциал AI-агентов выше в процессах, требующих анализа неоднородной информации и самостоятельного выбора последовательности действий.
Разницу между эффективностью и финансовым эффектом показывает отчет Deloitte State of AI in the Enterprise 2026, в ходе подготовки которого в августе-сентябре 2025 года были опрошены 3235 руководителей из 24 стран. О повышении производительности и эффективности сообщили 66% респондентов, о снижении затрат — 40%, о росте выручки — 20%. Стоит отметить, что данные опроса относятся к корпоративному применению решений на базе искусственного интеллекта в целом.
Сохранять предсказуемость после обновлений
Успешное тестирование AI-агента не гарантирует, что он сохранит прежнюю надежность после обновления модели, подключения новых инструментов или изменения источников данных. Поэтому финансовой организации необходимо отслеживать фактическую работу системы и фиксировать изменения, способные повлиять на ее поведение.
Служба регулирования отрасли финансовых услуг (FINRA) в надзорном отчете на 2026 год отмечает сложности аудита многоэтапных агентных решений и рекомендует сохранять сведения об используемых версиях моделей, запросах, действиях агентов и их результатах. Такая информация позволяет восстановить последовательность операций и установить, в каких условиях система принимала решения.
Более системный подход предлагается в исследовании Agent Reliability Profiles in Financial Services, опубликованном в октябре 2026 года. Авторы предлагают оценивать надежность каждого агента применительно к конкретным условиям эксплуатации, уровню автономии, разрешенным действиям и установленным ограничениям. Подход пока остается исследовательской концепцией, однако позволяет констатировать, что результаты проверки подтверждают надежность системы лишь в определенных условиях, а не во всех возможных сценариях ее применения.
Для бизнеса это означает необходимость повторной оценки надежности AI-агента после существенных изменений его конфигурации, поскольку распространение результатов предыдущих испытаний на обновленную систему или другие финансовые процессы может привести к недооценке рисков и ошибочным решениям о степени допустимой автономии.
Снимать ответственность с финансовой организации
Использование AI-агентов для выполнения финансовых операций не освобождает бизнес от ответственности за соблюдение действующих нормативных требований. В отчете FINRA на 2026 год прямо указано, что использование генеративного искусственного интеллекта не отменяет обязанностей компаний в области надзора, хранения записей, коммуникаций и добросовестного ведения бизнеса.
Отдельно FINRA разъясняет, что передача регулируемой функции внешнему поставщику не освобождает компанию от ответственности за соблюдение применимых требований. Следовательно, коммерческое использование агентной системы само по себе не переносит регуляторные обязательства на ее разработчика. При этом распределение договорной ответственности за конкретный ущерб остается отдельным вопросом.
Эффективный контроль за действиями AI-агентов предполагает четкое распределение полномочий и ответственности сотрудников помимо их участия в согласовании операций. Специалисты должны иметь доступ к необходимой информации, возможность приостанавливать операции и устранять последствия ошибок, иначе человеческий контроль может остаться формальностью.
Дальнейшее развитие агентных финансов будет зависеть от способности бизнеса обеспечивать надежность автономных операций и контролировать связанные с ними риски. Поэтому степень самостоятельности AI-агентов должна определяться не потенциальными возможностями технологии, а подтвержденными результатами ее применения в конкретных финансовых процессах.
