Большинство enterprise-развертываний AI пока упирается в ассистентов кодинга и чат-ботов поддержки. Morgan Stanley пошёл дальше: банк запустил AI-агентов в один из самых требовательных процессов в финансах - сверку прибылей и убытков (P&L) - и сократил время работы вдвое. Контринтуитивный момент: банк добился этого, сделав систему менее автономной, а не более.

Человек остаётся в цикле. Его решения постоянно превращаются в повторяемые правила, которые система применяет сама. «Это скорее коллега, чем копайлот», - говорит Тодд Джонсон, управляющий директор Morgan Stanley. Внутренняя агентная система называется FIXR, и она выходит далеко за рамки «ген AI 1.0».

«Мы считаем, что именно здесь открывается возможность для более сложной работы в организации». - Тодд Джонсон, Morgan Stanley

Как работает FIXR

Каждый торговый день дески Morgan Stanley проводят сотни тысяч транзакций. В конце дня контролёры должны сверить P&L между Financial, Risk, Operations и Trade Capture системами. Сотни тысяч атрибутов регулярно не сходятся.

Раньше на сверку одной книги уходило до шести часов. Теперь FIXR делает это за два-три часа. На масштабе примерно 100 контролёров это экономит около 1500 часов в неделю.

После ночных расчётов P&L система автоматически анализирует расхождения и предлагает решения на основе выученных правил. Несколько агентов работают вместе:

  • Один интерпретирует предыдущие указания и формирует решения на начало дня.
  • Второй учится на поведении контролёров и документирует правила, которые они применяют.
  • Третий превращает повторяющиеся паттерны в постоянную автоматизированную логику.

Со временем система может автоматически закрывать расхождения, с которыми уже сталкивалась, предлагать решения для менее знакомых, просить помощи, когда не уверена, и маркировать для человеческой проверки.

Детерминизм как стратегия

Ключевое решение команды - сознательное ограничение того, насколько рабочий процесс зависит от суждений модели. «Если есть возможность сделать что-то предписанным и повторяемым - это дешевле по токенам и надёжнее по контролю», - объясняет Джонсон. LLM остаётся для того, где детерминированный подход не работает.

Когда система получает достаточно фидбека по конкретному типу расхождения, Morgan Stanley превращает этот паттерн в жёсткое правило, а не оставляет его на усмотрение модели.

Принцип: автоматизируй повторяемое жёсткими правилами, а LLM используй только там, где нужна гибкость. Это дешевле, надёжнее и проще для аудита.

Процесс прежде AI

До внедрения любого AI команда провела тщательную оценку процессов - картировала и проанализировала рабочие потоки, чтобы понять, где автоматизация даст максимум эффекта: агенты, традиционная автоматизация или просто реинжиниринг неэффективного шага.

«Если мы можем исправить это до того, как добавим агентов в задачу, тогда мы действительно трансформируем возможность», - говорит Джонсон.

Расширяемость была так же важна, как экономия времени. Команда выбрала P&L-сверку потому, что сотни контролёров делали эту работу глобально - в Северной и Южной Америке, Европе, Азии. Один кейс, доказать эффективность, расширить.

Что это значит для бизнеса

Кейс Morgan Stanley - лучшая иллюстрация того, как нужно внедрять AI-агентов в бизнес-процессы. Не «давайте сделаем систему умнее», а «давайте поймём процесс, автоматизируем повторяемое жёсткими правилами, а AI оставим для сложных случаев».

Для бизнеса во Владивостоке и на Дальнем Востоке этот подход особенно важен. Автоматизация с помощью ии даёт результаты только когда вы наводите порядок в процессах до того, как подключать нейросети. Ии агенты для бизнеса работают, когда чётко определены границы их ответственности. Ии агенты новости вроде этого кейса - сигнал, что практика внедрения, а не просто технология, определяет результат.