Герман Кухтенков: «ИИ не должен быть собеседником, он должен быть сотрудником»

В индустрии искусственного интеллекта наступил момент истины. Согласно масштабному исследованию RAND Corporation, опубликованному в августе 2024 года, более 80% корпоративных ИИ-проектов заканчиваются провалом — это вдвое превышает традиционный уровень неудач в IT-секторе. Бизнес больше не готов инвестировать в бесконечные пилотные проекты, которые не приносят прибыли. Главная причина этого кризиса, по мнению Германа Кухтенкова, разработчика финансовых систем и основателя компании в сфере ИИ, кроется не в отсутствии вычислительных мощностей, а в технологическом разрыве: компании пытаются внедрять нейросети ради самой технологии, игнорируя реальные «боли» пользователей. В финансовом секторе этот разрыв ощущается острее всего, поскольку цена ошибки — реальные потери и регуляторные риски. По мнению эксперта, вопреки общепринятой точке зрения, во главе угла должна стоять не архитектура нейросетей, а их автономия и точность. С его подходом согласились эксперты международного хакатона UC Berkeley. В интервью — о нюансах создания автономных агентов и о том, как превратить «галлюцинирующий» ИИ в надежного аналитика для бизнеса.

𝓲

Фото: Личный архив Германа Кухтенкова

— Герман, вы более 10 лет создаете программы финансового планирования для крупных брендов и одним из первых начали использовать для этого искусственный интеллект. Как считаете, почему исследования в индустрии нередко погружаются в сложные абстракции и как сделать подход к ИИ более приземленным?

— За последние годы я все больше убеждаюсь, что ИИ в индустрии часто обсуждают через сложные абстракции потому, что так проще не смотреть в лицо реальному хаосу внутри компаний. В презентациях все идеально, но в реальности — конфликтующие дашборды, устаревшие Excel-файлы и разные версии правды о финансах. Это приводит к созданию «абстрактного ИИ», который не может ответить на простые вопросы. Более приземленный подход начинается с признания: контекст важнее самой модели. Важно не столько качество модели, сколько ее понимание специфики компании: структуры CRM и биллинга, распределения ответственности, доверия к данным. Мы начинаем с создания «карты» компании, а затем даем агентам доступ к задачам. Для бизнеса нужны скорость и полезность ИИ. Он должен быстро предоставлять понятные и проверяемые ответы, экономя время и деньги. Эффективность измеряется не количеством запросов, а стоимостью успешного действия: обнаружением ошибок в контрактах, выявлением недополученной маржи, помощью в планировании. Когда ИИ становится «рабочим коллегой», понимающим структуру компании и отвечающим быстро и по делу, он становится практичным инструментом.Цифровая трансформация социальной поддержки: опыт ФКУ «Соцтех» 2.2 т

— Опыт работы с глобальными компаниями — Intel и Samsung, например, — как-то помог вам научиться «заземлять» технологии на реальные бизнес-метрики?

— Да, этот опыт мне пригодился. Когда имеешь дело с корпоративными гигантами, где любая инновация должна защищать свой возврат инвестиций еще на этапе идеи, то понимаешь, что во главу угла надо ставить целесообразность инноваций. Поэтому для моей команды в Finalyst AI процесс «заземления» — это не только программирование, а, в первую очередь, работа с «болью» клиента. Мы видим, что в платежной индустрии компании теряют миллионы долларов просто потому, что их системы сверки не справляются с динамическим прайсингом и сложностью современных комиссий.

— Для решения проблемы вы разработали принципиально новый класс софта: автономных ИИ-агентов. В последние полгода технология становится все популярнее у бизнеса. В чем их особенность?

— Наш ИИ-агент сначала изучает контракты и выявляет ключевые условия: тип прайсинга, ставки, комиссии, исключения и правила применения. Потом он самостоятельно подключается к разрозненным источникам данных — транзакциям, биллингу, сверкам и другим. Это позволяет ему восстановить реальную картину: как условия применялись к каждой транзакции. Затем агент сравнивает ожидаемые результаты с фактическими, находит несоответствия и подтверждает аномалии, проверяя их по нескольким источникам и первичным данным. Благодаря этому в итоговый отчет попадают только проверенные кейсы, без «галлюцинаций», которые так раздражают финансовых директоров.

— Почему именно сейчас, в 2026 году, способность ИИ доказывать свою окупаемость в цифрах стала вопросом жизни и смерти для продукта, а не просто приятным бонусом?

— Рынок стал намного прагматичнее. Инвесторы больше не покупают обещания светлого будущего. Им нужен инструмент, который в первый же месяц работы покажет: вот здесь вы теряли 0,3% выручки, я их нашел и помог вернуть. Если ваш продукт не может сформулировать свою пользу в цифрах на расчетном счету клиента — он попадет в те самые 80% провалов по версии RAND. Систему надо строить как «центр прибыли», а не как статью расходов на инновации.

— Ваш подход как один из самых перспективных назвали эксперты международного хакатона UC Berkeley в 2025 году, где ваша команда получила призовое место, обойдя более трех тысяч участников из Amazon, Microsoft и Стэнфорда. Что было признано ценным для рынка?

— Жюри отметило, что мы представили не просто технологию, а новую модель операционной эффективности. Рынок сегодня переходит к Agentic AI. Это системы, которые обладают высокой степенью автономии: они сами планируют шаги, используют внешние инструменты и, что самое важное, проводят самопроверку результата перед тем, как выдать его пользователю. Эпоха «просто чат-ботов» подошла к концу. ИИ не должен быть собеседником, он должен быть сотрудником.

— Ваша система по сути выполняет роль цифровой рабочей силы для финтеха. За счет чего?

— Наша архитектура трансформирует ИИ из советчика в исполнителя благодаря переходу от генерации текста к управлению процессами. Одним из ключевых методов является модульная мультиагентность. Вместо одной модели используется иерархия специализированных агентов. Один читает условия контрактов, другой анализирует поток транзакций, третий ищет расхождения между ними. Это позволяет масштабировать систему без потери качества, характерной для монолитных моделей. «Галлюцинации» минимизируются за счет того, что каждый вывод агента подтверждается конкретной ссылкой на источник в данных процессинга или параграф договора. Система интегрирована с банковскими API. Она не просто анализирует данные, а может использоваться для запуска процессов, например, сверки, формирования запросов или подавать сигналы о нарушениях. Внедренный цикл «планирование — действие — самопроверка» позволяет агенту корректировать свои шаги до финального выполнения задачи.

— Каким вы видите следующий этап эволюции искусственного интеллекта: как изменится роль человека-аналитика, когда рутинная проверка миллионов транзакций и условий контрактов полностью перейдет в зону ответственности автономных систем?

— Думаю, мы окончательно избавимся от иллюзии, что ИИ заменит эксперта. Напротив, ценность человека-профессионала вырастет, но его роль радикально трансформируется. Она сместится от «добытчика данных» к «архитектору стратегий». Раньше 80% времени финансового аналитика уходило на рутинную сверку транзакций и поиск аномалий в отчетах. Теперь эту работу забирают мультиагентные системы. Человек перемещается на уровень выше: он ставит агентам цели, определяет границы их автономности и интерпретирует сложные инсайты для принятия стратегических решений. Аналитик будущего — это менеджер «оркестра» специализированных агентов. Он должен понимать, как настроить взаимодействие между агентом по риск-менеджменту и агентом по финансовой аналитике, чтобы система работала как единый центр прибыли, а не как разрозненные инструменты. Такие продукты не вытесняют людей, а дают им возможность заниматься тем, что ИИ пока недоступно — творческим решением нетривиальных бизнес-задач и выстраиванием сложных партнерств.

Автор: Дмитрий Архипов