Управляющая компания средней величины с активами под управлением около 40 миллиардов долларов, работающая в США, Великобритании и ЕС. Команда комплаенса, примерно 25 человек, проверяла переписку с клиентами (письма, расшифровки чатов, подготовленные маркетинговые материалы) на соответствие регуляторной рамке, охватывающей SEC, FCA, ESMA и внутреннюю политику. Рамка расширялась быстрее, чем команда успевала, отставание выросло с дней до недель, а время старших сотрудников уходило на разбор проверок первого уровня, которые можно было закрыть последовательным применением уже существующих правил.
Руководитель комплаенса заказал оценку: может ли AI-ассистент ускорить первичную проверку, сохранив полный аудиторский след, ссылку на источник для каждого решения и действующую иерархию эскалации? Условие, не подлежавшее обсуждению: ни одно решение, выданное AI, не действует без подписи конкретного комплаенс-офицера. AI здесь ускоритель, а не тот, кто принимает решение.
Неверное решение AI, которое комплаенс-офицер подписал не глядя, было наихудшим возможным исходом. Система должна была излагать своё рассуждение достаточно внятно, чтобы офицер заметил, когда AI ошибается, а не просто звучать убедительно, когда он прав.
Каждое решение AI должно было восстанавливаться и спустя месяцы: какая норма процитирована, какая редакция какой политики, какое прежнее внутреннее решение, каким было окно контекста модели и каким был ответ. Обычного хранения журналов для этого не хватало.
Комплаенс-офицерам по складу профессии платят за то, чтобы не верить утверждению без доказательства. Система, выдающая ответы без источника или со слабым обоснованием, была бы заброшена через неделю после запуска.
Общая продолжительность работы: 18 недель на этапах с первого по третий, плюс сопровождение четвёртого этапа до запуска.
Область сузили до первичной проверки переписки с клиентами по определённому подмножеству регуляторных правил: проверка маркетинговых утверждений, проверка ограниченных получателей и пометка обещающих формулировок и тона. Вне области: любое участие AI в надзоре за сделками и в противодействии отмыванию, поскольку оба отнесены к высокому риску по EU AI Act и потребовали бы другого режима governance. Базовый показатель: среднее число проверок на офицера в день, измеренное за предыдущий квартал и составившее 18 проверок в день.
Генерация с опорой на поиск по библиотеке политик компании, по релевантным регуляторным текстам (правила SEC о маркетинге, стандарты поведения FCA, руководства ESMA) и по трём годам прежних внутренних решений. Языковая модель в частном контуре поставщика (Azure OpenAI) в развёртывании, управляемом самой компанией, чтобы выполнить требования к месту хранения данных по регионам. Схема ответа требовала структурированного вывода: решение (норма, пометка, эскалация), уровень уверенности, ссылки на источники с указанием конкретного пункта и краткое обоснование на языке, которым пользуется комплаенс-офицер.
Базовый набор из 12 контролей адаптирован под потребности регуляторного аудита. Отдельный контроль, о котором стоит сказать: неизменяемый журнал по каждому запросу, фиксирующий полное окно контекста, версию модели, ответ, решение офицера принять или отклонить и отметки времени. Журналы хранились в отдельном аудиторском хранилище со сроком 7 лет, совпадающим с политикой хранения компании. Классификация риска по EU AI Act: ограниченный, то есть обязательства по прозрачности, а не полный режим высокого риска. Поимённо ответственный: руководитель комплаенса, эскалация на директора по рискам.
Разработку разделили: компоненты AI (поиск, оркестрация модели, контроль схемы ответа) делал профильный партнёр по внедрению, а встраивание в действующий рабочий инструмент комплаенса делала внутренняя RegTech-команда. Введены три контрольные точки governance: первая на четвёртой неделе (проверка данных и прав доступа), вторая на восьмой (полнота и неизменяемость аудиторского журнала), третья на одиннадцатой (калибровка порогов уверенности по эталонному набору исторических решений).
Рост в 3,1 раза на офицера в день: с базовых 18 до медианы 56 проверок в день в процессе с поддержкой AI. Отставание закрыто за 7 недель после запуска пилота.
На уровне базового значения. И это главное: AI не увеличил число эскалаций, то есть применял правила так же, как их применяли старшие сотрудники. В этой области это самый важный признак качества.
100% решений уходили минимум с одной точной ссылкой. В среднем 2,3 ссылки на решение. Выборочная аудиторская проверка показала точность 98%.
11% в устойчивом режиме. Внутри целевого коридора 8-15%: достаточно высокая, чтобы подтвердить, что офицеры применяют собственное суждение, и достаточно низкая, чтобы показать пользу сверх полностью ручной проверки.
Выборка поднимается за 60 секунд. Выборочные запросы регулятора возвращали полную восстановимую запись по каждому обращению, включая версию модели и снимок окна контекста.
23 из 25 офицеров работают с инструментом ежедневно в течение 8 недель после запуска. Двое не перешли, потому что уходили с должности по не связанным причинам; никто из оставшихся в должности не отказался им пользоваться.
Калибровка порогов уверенности на третьем этапе опиралась на эталонный набор из 200 решений, собранный из прошлых дел. Через два месяца команда увидела, что набор недопредставляет пограничные случаи, которые встречаются редко, но важны, когда встречаются, в первую очередь маркетинговые сценарии на стыке юрисдикций. Расширение набора должно было стать результатом первого этапа: больше сразу, а не дополнено позже.
Когда офицеры отклоняли решение AI, первоначальный интерфейс фиксировал сам факт, но не причину. Введение структурированной фиксации причины на третьем месяце позволило бы раньше донастроить модель и промпты. В дальнейших работах фиксация причины входит в интерфейс запуска, а не добавляется потом.
Компания добровольно проинформировала FCA об архитектуре системы ещё до внедрения. Этот разговор оказался существенным, когда полгода спустя рынок RegTech привлёк внимание регуляторов: предварительное обращение зачли как свидетельство добросовестного внедрения. В регулируемых отраслях мы с тех пор рекомендуем добровольное обращение к регулятору как результат третьего этапа.
Европейский промышленный производитель, извлечение данных из документов контроля качества поставщиков, 78% обрабатывается автоматически от начала до конца.
Читать кейс
Модель зрелости и базовый набор из 12 контролей, применённые в этом проекте.
К странице governance
Разбор архитектуры покажет уровень регуляторных требований, самое рискованное архитектурное решение и стоит ли идти дальше обследования.