Основная идея статьи заключается в том, что конкуренция в области финансового ИИ сосредоточена не на том, кто создаст более умного «финансового ChatGPT», а на том, кто сможет глубоко интегрироваться в повседневные инструменты финансовых специалистов (такие как Excel, PPT, Word) и ключевые бизнес-процессы (например, Due Diligence, утверждение) и напрямую генерировать официальные «результаты», пригодные для проверки и архивирования.

Автор статьи: Resonant Ones

Источник: Su Chu.AI

Конкуренция в области финансового ИИ заключается не в том, кто умеет общаться, а в том, кто сможет интегрироваться в Excel, PowerPoint и процессы утверждения.

Многие считают, что конкуренция в области финансового ИИ заключается в обучении более крупной модели, лучше понимающей финансы.

Но Claude for Financial Services раскрыл настоящий ответ: суть финансового ИИ — не модель, а рабочий процесс.

Он не заставляет ИИ общаться с пользователями о акциях, а позволяет ИИ войти в Excel, PowerPoint, Word, исследование инвестиций, инвестиционный банкинг, Due Diligence, соответствие требованиям, сверку и потоки одобрения.

Это крайне важно для отечественных предпринимателей. Если вы всё ещё работаете над «финансовой версией ChatGPT», велика вероятность, что вас поглотят крупные компании, данные и офисные пакеты; но если вы сможете взять под контроль ежедневно повторяющиеся Excel, PPT, Word и пакеты согласований финансовых учреждений, возможности только начинаются.

Реальная ситуация

В прошлом месяце я поговорил с другом, который работает в частном капитале. Их команда проводила дью дилидженс по потребительской компании и получила Data Room с 17 папками и более чем 400 файлами — договорами, аудиторскими отчетами, банковскими выписками, детализацией заказов, протоколами интервью и материалами руководства.

Раньше одному вице-президенту с двумя аналитиками требовалось две недели, чтобы подготовить черновик качественного IC-меморандума.

А теперь? Если бы кто-то (или агент) мог за 24 часа пройти весь процесс: анализ данных, маркировка рисков, выявление пропущенных пунктов и создание черновика — считаете ли вы, что клиенты заплатили бы за это?

Это не научная фантастика. Claude for Financial Services уже делает это. И он открывает не приложение, а целую продуктовую парадигму: «Агент + Навык + Коннектор + Результат + Одобрение человека».

Сначала рассмотрим первое открытие. Структура продукта Claude for Financial Services на самом деле проста: Agent отвечает за конечные задачи, Skill накапливает профессиональные финансовые процессы, Connector подключается к финансовым данным и внутренним системам предприятия, Excel, PowerPoint и Word обеспечивают финальные результаты, а также права доступа, ссылки, аудит и ручная проверка гарантируют, что продукт пригоден для использования в финансовых учреждениях.

Раньше форма финансового ИИ заключалась в том, что вы задавали вопрос, а ИИ давал ответ. Но настоящая потребность финансовых учреждений заключается в следующем: предоставьте мне набор данных, а я подготовлю результат, который можно проверить, цитировать, архивировать и интегрировать в бизнес-систему. Разница между этими двумя подходами огромна. Ценность финансового ИИ заключается в результате, а не в чат-окне.

Еще одним важным изменением является то, что внутренние финансовые учреждения больше не находятся в состоянии ожидания.

В 2025–2026 годах я вижу внедрение в три уровня. Банки продвигаются быстрее всего: Китайский банк строительства завершил частное развертывание DeepSeek, охватив сотни сценариев. Фонд CITIC Construction Investment использует DeepSeek для Due Diligence REITs: объем работы пяти сотрудников за 70 дней сократился до одного сотрудника за 10 дней — эффективность повысилась в 30 раз.

Также присоединились: China People's Insurance Property & Casualty, China Construction Bank Securities использует мультиагентные системы для предоставления инвестиционных консультаций, China People's Insurance Property & Casualty интегрировала DeepSeek для создания базы профессиональных знаний, а крупная модель Ping An была вызвана 818 миллионов раз за полгода.

Но действительно интересно третье поколение — PE, управление активами и управление богатством. У них много данных, достаточный бюджет и высокое давление по срокам выполнения, но пока большинство из них находятся на стадии POC. Это не отставание, это окно возможностей для стартапов.

Когда речь заходит о входе стартапов, многие сразу думают о создании финансовой версии ChatGPT. Но это сопряжено с большими рисками, поскольку одновременно придется столкнуться с тремя категориями сильных конкурентов.

Производители моделей будут делать общие возможности все более доступными по цене. Финансовые терминалы, такие как Wind, Choice, iFinD и Tonghuashun, уже имеют доступ к данным и пользовательским каналам; после интеграции ИИ трудно будет отдельно взимать плату за универсальные финансовые вопросы. Крупные финансовые учреждения склоняются к созданию собственных внутренних AI-платформ, включая общие возможности в свою систему прав доступа.

Стартап напрямую сражается, находясь под ударом с трех сторон.

Но если взглянуть на это с другой стороны — не с точки зрения входа, а с точки зрения операционного уровня, ситуация будет другой. Что такое вертикальный операционный уровень? Это углубление ИИ в рамках конкретной должности, конкретного процесса или конкретного результата. Например: структурирование материалов Due Diligence для PE/инвестиционных банков, аудит финансовых моделей в Excel, первичный обзор кредитных документов, автоматическая генерация таблиц для проверки соответствия, помощь в проверке материалов по страховому возмещению и страхованию, автоматическое оформление протоколов встреч клиентских менеджеров.

Эти направления выглядят менее масштабно, чем «финансовые большие модели», но более соответствуют бюджету клиентов.

Какие продукты стоят того, чтобы их делать?

В итоге я пришёл к выводу, что необходимо одновременно выполнить четыре условия.

Сможете обработать данные

Наиболее ценные сценарии часто требуют интеграции с внутренними файлами клиента, CRM, облачными хранилищами, электронной почтой, договорами и системами согласования. Обработка только открытых веб-страниц имеет ограниченную ценность.

Рабочий процесс

Финансовые пользователи не будут менять свои рабочие привычки ради ИИ. Продукт должен интегрироваться в те инструменты, которые они уже используют: Excel, PPT, Feishu, Enterprise WeChat, DingTalk, WPS, CRM.

Предоставьте документы

Финансовые учреждения платят не за ответы, а за материалы. Только если можно предоставить проверочный лист, меморандум, презентацию и Excel, возникает готовность платить.

Оставьте границы ответственности

ИИ должен поддерживать ссылки, отслеживание, права доступа, аудит и ручную проверку. Не предоставляет инвестиционных рекомендаций, не осуществляет автоматические сделки, не заменяет окончательное одобрение.

Без одной из этих четырех продуктов很难 выводить в реальную производственную среду.

Если расширить перспективу и посмотреть на следующие 24 месяца, я считаю, что есть семь наиболее интересных ниш.

Исследования и Due Diligence на первом месте. Много данных, мало времени, четкие результаты — это наиболее близкое направление к Hebbia и Rogo.

Во-вторых, аудит моделей Excel — инвестиционные банки, частные фонды, кредитные организации и управляющие компании используют огромное количество Excel-файлов с ошибками в формулах, жестко закодированными значениями и несогласованными допущениями — здесь огромный потенциал для использования ИИ.

На третьем месте — вспомогательная проверка кредитов: банки и небанковские организации требуют первоначальной проверки документов, анализа движения средств, извлечения рисков и генерации отчетов о кредитовании. На четвертом месте — проверка соответствия нормативным требованиям: сравнение с регламентами, проверка маркетинговых материалов, проверка KYC — все это идеально подходит для AI-ассистента с возможностью ссылок и сохранения следов.

Администрирование фонда и финансовая операционная сверка, оценка, проверка расходов и аудиторские рабочие документы очень стандартизированы, а стоимость ошибок высока.

Страховые выплаты и документы для оценки рисков многочисленны, правила сложны, нагрузка на проверку велика, но ручное подтверждение обязательно.

Наконец, менеджер по работе с клиентами и инвестиционный консультант Copilot — не ИИ напрямую дает инвестиционные рекомендации, а помогает консультантам подготовиться к встречам, объяснить продукты, составлять протоколы встреч и обновлять CRM.

У этих семи направлений есть общее предположение: продукт должен быть аудитируемым, цитируемым и возможным для приватизации.

Финансовые учреждения не примут «ИИ, вероятно, так сказал». Откуда взяты цифры? Где ссылки? Кто проверял? Данные не выходят за пределы? Это базовые условия для принятия решения о закупке. Поэтому с самого начала необходимо проектировать возможность отслеживания источников, ручное утверждение, изоляцию данных и фиксацию операций. Это не стоимость соблюдения норм, а барьер для входа на рынок.

Существует еще более крупный тренд. После коммерциализации возможностей моделей возможности смещаются в сторону рабочих процессов, коннекторов и уровня управления. Как раньше облачные вычисления превратили ИТ-инфраструктуру в API, новые предприниматели сегодня создают SaaS-решения на этой основе. То же самое происходит и с современными крупными моделями — тот, кто сможет обернуть отраслевые рабочие процессы поверх них, получит преимущество.

Информационная плотность, высокие требования к формату и сильные ограничения ответственности в финансовой отрасли определяют, что она не может быть быстро охвачена универсальными ИИ. Именно это и является безопасной зоной для стартапов.

Как стартапу войти на рынок

Не начинайте с платформы.

Найдите узкую область: с реальными данными, фиксированным шаблоном, четким результатом, ручной проверкой, бюджетом отдела и возможностью проверки ROI за 60–90 дней.

Не говорите так:

Я создаю ИИ-платформу для финансовых учреждений.

Нужно сказать так:

Сначала я автоматически структурирую материалы Data Room для команды PE/FA, чтобы сгенерировать Q&A по дилиженту, список рисков и черновик IC Memo.

Чем конкретнее, тем выше вероятность исполнения.

Максимальный риск заменяется крупными компаниями?

Общий вход будет заменен. Общие вопросы по финансам, краткие сводки исследований и простые запросы данных легко покрываются крупными моделями и финансовыми терминалами.

Но вертикальные глубокие процессы — нет.

Крупные компании не хотят заниматься грязной работой для каждой узкой должности. Сложность действительно в том, чтобы подключиться к внутренним системам клиента, понять процессы должности, адаптироваться под шаблоны клиента и сопровождать клиента от POC до производства.

Эти вопросы не могут быть автоматически решены с помощью API модели.