Anthropic недавно запустила AI-агента, предназначенного специально для финансовых услуг, и нацелилась на такие сценарии, как инвестиционные банки, управление активами, страхование, кредитный анализ и корпоративные финансы. Согласно объявлению Anthropic, эти шаблоны agent’ов можно использовать для подготовки pitchbook, проверки KYC, закрытия месяца и других трудоёмких задач в финансовой сфере, а также интегрировать Claude Cowork, Claude Code и Claude Managed Agents.
Но говорить, что это заменит финансовых исследователей, пока преждевременно: подкаст «Hardcore финансовое просвещение» на Facebook отметил, что у Anthropic есть конкретная точка попадания в один из болевых моментов финансовой исследовательской индустрии — большое количество действительно важных, но при этом крайне повторяющихся задач по обновлению информации. При этом финансовые данные часто не содержат явных ошибок: junior analyst со временем нарабатывает так называемый data sense. Многие сведения недостаточно просто «получить» — ещё нужно понимать, что именно изменилось в компании на этот раз, какие показатели нельзя напрямую сравнивать с предыдущими периодами, а какие цифры — лишь упаковка решений менеджмента.
Anthorpic помогает финансовой исследовательской индустрии с обновлением информации
На этот раз Anthropic представила 10 агентов для финансовых услуг, которые могут выполнять задачи вроде создания презентаций, проверки финансовой отчётности, написания credit memo и т. п.
Бывший ведущий 《Hardcore финансовое просвещение》, который ранее работал в отечественной крупной финкомпании в трейдинговом зале, Paku, отметил, что реакция рынка на такие инструменты легко уходит в две крайности: с одной стороны, «конец света для финансовой индустрии», «AI взломает инвестиционную святую чашу», а с другой — множество пользователей хвастаются тем, что за несколько часов vibe coding собрали инвестиционный движок с поразительными результатами бэктестов. Но он считает, что обе эти истории чрезмерно упрощают реальную работу финансовых исследований.
Paku говорит, что у Anthropic есть чёткое попадание в болевую точку финансовой исследовательской индустрии: огромное количество важных, но при этом очень повторяющихся задач по обновлению информации. В фундаментальных исследованиях, будь то buy-side или sell-side, финансовая отчётность, earning call, базы данных, презентации, модели и клиентские отчёты взаимосвязаны. Прежде чем аналитик построит модель, данные должны быть уже готовы; при этом различия в особенностях компаний крайне велики, и почти неизбежно в процессе исследований требуется помощь с сопоставлением информации между разными базами данных и документами.
Особенно в сезон отчётностей: если sell-side-аналитик покрывает целый сектор, ему нужно одновременно обновлять массу финансовой отчётности, earning call, ключевые метрики, финмодели и исследовательские отчёты. Даже при поддержке junior analyst весь процесс всё равно похож на ад: у каждой компании разные metrics, разные способы настройки модели, а клиенты — это зачастую крайне дорогие по времени крупные фонды, поэтому аналитикам приходится за короткий срок извлекать действительно ценные best idea.
Самая абсурдная часть финансовых исследований: 80% времени уходит на низкую ценность работы
По мнению Paku, подлинная парадоксальность финансовых исследований в том, что итог часто сильно зависит от того, с какого направления ты стартуешь: какие ключевые метрики смотреть, какие тренды фокусировать, как работать с потерянными данными, как сравнивать компании между собой. Но на практике аналитики тратят массу времени на сбор данных, протягивание Excel, обновление отчётов и подготовку презентаций.
Иными словами, результаты исследования могут на 80% зависеть от суждений, но рабочее время на 80% съедают подготовка данных и обновление форматов.
Именно здесь и точка входа для финансовых agent’ов от Anthropic. Агент не пытается напрямую найти «инвестиционную святую чашу» вместо аналитика, а стремится выдать workflow исследования примерно на 60% готовности: сначала помочь аналитикам собрать данные, связать базы данных, обновить модели, упорядочить презентации и документы, а затем человек с помощью естественного языка укажет, где есть ошибки, что нужно дополнить и в каком месте требуется новые данные.
Paku описывает это как нечто похожее на «junior, который работает очень быстро, но всё равно требует команду “одна команда — одно действие”». Ценность не в том, чтобы заменить старших аналитиков, а в том, чтобы опустить количество потраченных человеко-часов на низкоценные задачи и вернуть настоящие исследовательские суждения человеку.
Главный риск: ошибки в финансовых данных обычно скрытые
При этом Paku подчёркивает, что главный вызов для финансовых agent’ов — не вопрос «может ли он написать отчёт», а вопрос «может ли он гарантировать корректность данных».
Он отмечает, что самое неприятное в обновлении финансовых данных — то, что ошибки часто не бывают явными. Цифры могут «выглядеть так, будто всё на месте», но на самом деле быть полностью смещёнными, логически несостоятельными или иметь ошибочное определение. Хуже того: чем дальше ошибка распространяется по цепочке, тем выше становится стоимость отслеживания. Когда модель, презентации, отчёт и инвестиционный memo построены на неверных данных, в итоге возвращаться назад и искать ошибку гораздо дороже, чем изначально — силами человека — определить источники данных и корректность их определений.
Вот где junior analyst растёт со временем — то есть в так называемом data sense. Многие ключевые сведения не лежат в структурированных базах данных, а спрятаны в management presentation, earning call, примечаниях к финансовой отчётности и метриках, которые компании задают сами. Эти данные недостаточно просто «получить» — нужно ещё понимать, что именно изменило компания в этот раз, какие показатели нельзя напрямую сравнивать с прошлым, и какие цифры — просто упаковка со стороны менеджмента.
Похожие проблемы возникают и в финансовых AI benchmark. Недавно исследование BankerToolBench показало: даже лучшие передовые модели при тестировании end-to-end рабочего процесса на стороне junior analyst в инвестиционном банке всё равно не проходят почти половину пунктов оценки, а банковские специалисты оценивают их выход на уровне 0% до стандарта client-ready. Это демонстрирует: AI agent уже умеет справляться с частью задач, но до непосредственной поставки высокорисковых финансовых результатов всё ещё есть заметный разрыв.
AI может писать SQL, но не может свободно разбираться с LTV и churn rate
Paku также отметил: если речь только о простых задачах по извлечению данных, AI действительно может быть очень эффективным. Особенно в условиях, когда современные ETL-инструменты уже достаточно зрелые, при наличии подходящего интерфейса и систем с ручным вмешательством финансовый agent вполне способен повысить эффективность исследовательского workflow.
Но действительно опасно становится, когда пользователь просит AI самостоятельно вычислять более сложные или сильно зависящие от определений метрики — например, LTV по сегментам, churn rate, unit economics. Если человек заранее не задаст чёткие формулы и benchmark, а просто позволит AI «проявлять инициативу», результат может оказаться крайне рискованным. Причина в том, что эти метрики — не просто математика: они зависят от бизнес-определений, трактовок данных и контекста отрасли. Если формула окажется неверной, весь инвестиционный вывод может поехать.
Финансовый agent от Anthropic — это не «AI-инвестиционная святая чаша» и не игрушка, позволяющая пользователю за два часа vibe coding собрать backtest engine с 2000% годовых. Это инструмент для попытки перестроить рабочий процесс финансовых исследований.
Самое вероятное изменение, которое он принесёт, — высвободить аналитиков от огромного объёма рутины по обновлению данных, Excel-операций, форматированию отчётов и сбору презентаций, чтобы человек мог вернуть себе время на суждения: какие метрики важны, какие тренды стоит отслеживать, каким данным нельзя доверять, и какие способы сравнения могут вводить в заблуждение.
Эта статья «Anthorpic продвигает специализированных AI-агентов для финансов, инсайдеры раскрывают ключ: Claude не может заменить аналитиков» впервые появилась в «LienNews ABMedia».
