a16z：Дотримання правил повсюдно, величезні можливості у галузі штучного інтелекту

Автор: Джеймс да Коста, Ангела Стрендж; Джерело: a16z; Переклад: Shaw, Кінгс Фінанс

За останні двадцять років найшвидше зростаючими професіями в США були майстри манікюру та масажисти стоп.

Але одразу за ними йде спеціаліст з комплаєнсу.****

Обсяг діяльності у сфері комплаєнсу значно більший, ніж уявляють багато. Кожна фінансова операція, що входить або виходить із компанії, перебуває під контролем регуляторних вимог: виплата зарплати повинна відповідати законодавству про оплату праці, звіти про доходи — відповідати податковим вимогам, перекази — дотримуватися правил платежів та боротьби з відмиванням грошей, а ідентифікація клієнтів — відповідати системам перевірки особистості. У сферах із жорстким регулюванням навіть спосіб і частота комунікації між компанією та клієнтами потрапляють у сферу комплаєнсу.

Зараз у США понад 400 тисяч працюючих спеціалістів з комплаєнсу, щорічні витрати на персонал у цій сфері перевищують 40 мільярдів доларів, а послуги консалтингу, аутсорсингу та інші додаткові посади — ще сотні мільярдів. Лише у банківській сфері, у період з 2010 по 2014 роки, кількість нових регуляторних положень у розділі 12 (банки та банківські операції) у Федеральному кодексі США перевищила всі норми, прийняті у цьому розділі з 1980 року.

Незважаючи на високий попит, пропозиція кадрів у сфері комплаєнсу залишається обмеженою. Бюро статистики праці США прогнозує, що протягом наступних десяти років щорічний дефіцит таких фахівців перевищить 33 тисячі. Ситуація у галузі погіршується: 87% новачків у цій сфері зрештою звільняються, річна плинність кадрів перевищує 20%, а великі компанії постійно наймають і втрачають фахівців, створюючи замкнене коло.

Зі зростанням складності глобального бізнес-середовища зростає й кількість законів і нормативів, що регулюють діяльність компаній, але підходи до їхнього виконання залишаються дуже однорідними: компанії просто збільшують кількість співробітників для вирішення проблем.

Однак досвід показує, що просто збільшення людських ресурсів не дає бажаного ефекту. Наприклад, Bank of TD у 2024 році оштрафували на 3 мільярди доларів за неспроможність ефективно контролювати 92% транзакцій. З 2018 року банк накопичив понад 70 тисяч попереджень про ризики, але так і не зміг їх своєчасно обробити.

Bank of TD — не виняток. За останнє десятиліття майже всі великі фінансові установи стикнулися з проблемою постійного розширення команд і зростання навантаження, при цьому значна частина роботи досі виконується вручну, що ускладнює ситуацію.

Комплаєнс — це рутина: складні процеси, бюрократія, довгий час на обробку паперових документів, тому переважно все робиться вручну, а витрати на персонал — високі. Ці проблеми та інерція галузі зробили сферу комплаєнсу довгий час “Льодовиком” для стартапів.

Чому ж ситуація змінюється?

1. Технічний прорив: від “можна лише тестувати” до “надійно”

Якщо продукт лише ледве працює, його ринковий потенціал обмежений; але якщо довести його до досконалості, масштаб ринку може зрости у сотні разів. Саме так і у сфері комплаєнсу: продукт із точністю 90% все ще не може задовольнити вимоги.**

Обробка документів — один із ключових етапів роботи у цій сфері, і яскравий приклад. Технологія оптичного розпізнавання символів (OCR) існує десятки років і здатна розпізнавати текст. Але у таких сферах, як кредитна перевірка, допуск до бізнесу, страхові виплати — “базової” здатності недостатньо. Зараз візуальні мовні моделі (VLM) не лише розпізнають контент, а й розуміють цілісну логіку документа, що значно знижує кількість помилок, і компанії масово впроваджують ці технології, укладаючи партнерські угоди. Це не просто невелика технологічна ітерація, а справжній прорив: від “можна тестувати” до “можна довірити ключові бізнес-процеси”.

Крім того, штучний інтелект має багато інших сильних сторін: по-перше, він може з точністю, близькою до людської, читати, витягати інформацію з документів і робити логічні висновки — будь то реєстраційні документи компаній, фінансові звіти або PDF із 400 сторінок регуляторних нормативів. По-друге, інтелектуальні агенти можуть працювати з застарілими системами так само, як і люди, без очікування розробки API або місяців інтеграції. По-третє, вони здатні виконувати довгострокові завдання: автоматично запускати весь робочий процес — збір даних, порівняльну перевірку баз даних, позначати аномалії, генерувати та подавати звіти — і не лише допомагати, а й самостійно виконувати весь цикл.

У юридичній сфері з’являється все більше великих мовних моделей із високою точністю, що дозволяє галузі сміливо впроваджувати штучний інтелект. Зараз багато моделей у тестах на юридичних задачах LegalBench показують результати від 80% до 100%. Це важливо, оскільки суть комплаєнсу — застосовувати юридичну логіку у реальних бізнес-сценаріях: читати нормативи, порівнювати їх із ситуацією, виявляти аномалії, позначати нечіткі формулювання.

2. Термін проходження: від повільного до швидкого

Зараз ризик для компанії не оновити систему комплаєнсу — більший, ніж ризик змін у самій трансформації. Тривалий час регульовані компанії користувалися складними інструментами управління, ризиками та комплаєнсом (GRC) і застарілими системами з низькою стабільністю. Це через високий опір змінам: при будь-якому аудиті помилка коштує дорого; тому краще залишатися на старому, “досить хорошому” рівні, ніж ризикувати.

Штучний інтелект кардинально змінює цю ситуацію. Відділи комплаєнсу вже не просто витрати — вони стають джерелом доходу. У фінансових послугах підвищення швидкості і точності ідентифікації клієнтів (KYC/B) дозволяє скоротити час відкриття рахунків, знизити відтік клієнтів і швидше отримувати дохід. Оптимізація моніторингу боротьби з відмиванням грошей зменшує кількість помилкових спрацьовувань, що допомагає уникнути помилкових позначок і зберегти довіру клієнтів. Перевірка маркетингового контенту стає швидшою, і реклама швидше доходить до цільової аудиторії.

Це змінює логіку конкуренції: компанії, що швидко цифровізують комплаєнс, не лише знижують витрати, а й отримують перевагу у залученні клієнтів, яких не зможуть утримати конкуренти із застарілими системами. Зараз змагання йде не просто за технології штучного інтелекту, а за здатність компаній їх застосовувати.

Крім того, з появою інтелектуальних агентів, які швидко стануть основним інструментом роботи в мережі, виникає новий ризик. Традиційні системи комплаєнсу розраховані на людського оператора. Якщо ж транзакції почнуть виконувати автономні інтелектуальні агенти, потрібно буде розробляти нові AI-рішення для ідентифікації особистості, аналізу намірів і визначення відповідальності.

Ці зміни означають, що раніше майже не купували спеціалізоване програмне забезпечення для комплаєнсу, а тепер компанії активно його впроваджують.

Три основні компоненти системи комплаєнсу

Усі регульовані компанії мають три ключові елементи у сфері комплаєнсу:

• Регуляторні правила: зовнішні закони, внутрішні політики та багато інтерпретацій і зв’язків між ними.

• Програмне забезпечення: реалізація правил у вигляді програм, включаючи GRC-платформи, системи управління справами, інструменти санкційного скринінгу та автоматизацію процесів. Такі системи зазвичай нестабільні.

• Виконавчий персонал: відповідальні за роботу з системами — обробку документів, заповнення форм, перевірку даних, підготовку звітів.

Основна робота у сфері комплаєнсу — це витяг інформації з документів, ручна перевірка даних на точність і відсутність суперечностей, а також постійний моніторинг (регулярне повторення перших двох процесів).

Наприклад, у банківській сфері звіт про підозрілі операції (SAR): коли система NICE Actimize видає попередження про підозрілі транзакції, спеціалістка з комплаєнсу Сара перевіряє їх. Вона входить у систему, витягує повний потік транзакцій, потім із незалежних баз даних і спільних файлів перевіряє документи клієнта, джерела фінансування та ідентифікаційні дані. Потім порівнює цю інформацію з внутрішніми правилами, вирішує, чи потрібно подавати звіт про підозрілі операції, і складає висновки. Нарешті, вона повертає дані у NICE Actimize, вручну копіює та вставляє інформацію з різних систем.

Кожен із цих етапів — потенційна точка входу для стартапів, що працюють з AI.

3. Перетворення регуляторних правил у код

Законодавство США, зокрема розділ 12 Федерального кодексу (про регулювання грошових служб, Федеральний резерв, FDIC — понад 70 розділів), регуляторні агентства, SEC, CFTC, а також регіональні закони — всі ці норми публікуються у форматі PDF. Раніше їх потрібно було читати і інтерпретувати вручну, щоб створити внутрішні політики і слідкувати за змінами.

Штучний інтелект може перетворювати регуляторні норми у стандартизований код, зберігати їх у структурованому вигляді, автоматично оновлювати і викликати для виконання інтелектуальними агентами. Наприклад, 400-сторінковий регуляторний документ тепер можна розбити на чіткий список обов’язків, що автоматично перевіряється системою. Регуляторні правила перестають бути просто документами для читання — вони стають логікою, яку виконує програма. Це змінює підхід: моніторинг стає цілодобовим і безперервним, а впровадження нових правил — швидким і простим, займаючи кілька хвилин замість кварталів.

Наприклад, у Бразилії, де понад 10 000 профспілок і щороку змінюється близько 900 правил, автоматизація процесу — ключова. Компанія Tako створила систему, яка автоматично перевіряє відповідність зарплат і профспілкових вимог, відповідає на складні питання з HR і попереджає про порушення ще до їхнього виникнення.

2. Повна заміна застарілих систем

Багато систем комплаєнсу створені ще до епохи хмарних технологій і працюють у ручному режимі: копіювання, вставка, перемикання між системами. Це призводить до низької ефективності, оскільки людський фактор залишається головним зв’язком. Такі системи важко замінити через високі ризики і витрати, а керівники часто не схвалюють масштабних проектів.

З часом компанії накопичують технічний борг, що стає перешкодою для впровадження AI.

Зараз існує три підходи до трансформації:

1. Залишити стару систему і додати “безголовий” інтерфейс: використовувати існуючу систему як бекенд, а зверху — створити інтелектуального агента або новий інтерфейс.
2. Розробити нову систему з нуля: перепроектувати ядро, бази даних, інтерфейси, системи безпеки і аудиту.
3. Купити готову AI-платформу: перейти на сучасну платформу, спеціально створену для автоматизації і роботи з машиноючитаними даними.

Якщо у компанії зберігаються важливі дані, налаштовані зв’язки із зовнішніми джерелами і внутрішні бізнес-логіки, то зазвичай вона обирає перший варіант. Але це створює ризики: конкуренти, що використовують AI для зниження витрат і підвищення доходів, отримують перевагу, а застарілі системи ускладнюють інтеграцію нових інструментів, наприклад голосових агентів, які працюють із застарілими програмами 90-х років.

Заміна систем — не лише можливість, а й необхідність для розкриття потенціалу AI. Традиційні системи побудовані навколо ручної роботи: ізольовані дані, повільна обробка, жорстке закодовані правила, відсутність реального часу. У банківській сфері це проявляється у таких системах, як Jack Henry, NICE Actimize, Smarsh.

Приклади:

• Valon (іпотечні кредити): компанія створила систему ValonOS — AI-операційну платформу, яка замінила понад 25 застарілих систем і підвищила прибутковість до 60%. Вона автоматизує весь процес обробки кредитів, має стандартизовані процеси і аудит, і вже працює у секторі на понад трильйон доларів.

• Vesta (кредитування): платформа інтегрує вимоги CFPB, TRID, HMDA і регіональні норми у США, оновлює правила автоматично, підвищуючи точність аудиту і ефективність на 25–50%.

• Sardine (фінансовий моніторинг): замінює NICE Actimize, працює у хмарі, виявляє шахрайство і відмивання грошей у реальному часі, підвищуючи швидкість перевірок у 30 разів. Наприклад, автоматичний інструмент для звіту про підозрілі операції (SAR) може заповнити 60–100 полів за 1 хвилину, тоді як раніше — понад 30 хвилин.

3. Співпраця людини і машини, підсилення людської роботи

Головні задачі комплаєнсу — це три повторювані операції: аналіз документів, ручна перевірка процесів і постійний моніторинг.

Раніше єдиний спосіб — це людські операції у застарілих системах. Тепер інтелектуальні агенти вирішують цю проблему.

Наприклад, у банківському відкритті рахунку: клієнт подає заявку, а спеціаліст з комплаєнсу перевіряє документи (паспорт, свідоцтво про реєстрацію), витягує дані, вводить їх у системи і виконує перевірки. З AI весь процес стає автоматичним: документи аналізуються миттєво, дані порівнюються у кількох базах, а лише підозрілі випадки передаються людині для остаточної перевірки.

Приклад:

Factor Labs не замінила системи, а створила поверх них застосунок. Інтелектуальний агент автоматизує обробку спорів і повернення платежів у банках і платіжних системах. Він слідує інструкціям, імітуючи дії оператора: входить у поштову скриньку, перевіряє дані, формує документи і відправляє їх назад клієнту у вигляді PDF.

Висновки

Всі три шляхи мають практичну цінність, і у майбутньому більшість нових платформ поєднають їх. Компанії обирають найоптимальніший варіант залежно від ситуації:

1. Якщо регуляторні зміни часті і швидкі, — краще перетворювати правила у код.
2. Якщо потрібно замінити ядро системи, — або створити нову з нуля, або купити готову AI-платформу. Це актуально, якщо ринок новий і конкуренція слабка або ж старі системи дуже дорогі і важко модернізуються.
3. Якщо потрібно швидко отримати результати і є багато накопичених даних, — краще застосовувати людсько-штучний тандем.

З часом ці підходи зіллються у єдину систему. Лідери галузі зможуть одночасно автоматизувати правила, оновлювати ядро бізнесу і масштабувати інтелектуальних агентів.