Anthropic нещодавно представила AI-агента, спеціалізованого на фінансових сервісах, націлившись на сценарії для інвестиційних банків, управління активами, страхування, кредитного аналізу та корпоративних фінансів. Згідно з оголошенням Anthropic, ці шаблони агентів можна застосовувати для створення pitchbook, проходження KYC-перевірок, закриття місячних підсумків тощо у фінансовій індустрії — для високовитратних за часом задач, а також їх можна інтегрувати з Claude Cowork, Claude Code та Claude Managed Agents.
Але сказати, що це замінить фінансових дослідників, поки що зарано. Подкаст «Hardcore 財經通識» на Facebook зазначив, що у Anthropic є конкретний біль усередині фінансової дослідницької індустрії: масове оновлення великого обсягу важливої, але надзвичайно повторюваної інформації. Однак фінансові дані часто не є очевидно неправильними: junior analyst з часом шляхом практики нарощує так званий data sense. Багато інформації — це не лише «вміти витягнути», а й розуміти, що саме компанія цього разу змінила в підходах, які показники не можна напряму порівнювати з попередніми, і які цифри є лише «упаковкою» з боку менеджменту.
Anthorpic може допомогти фінансовій дослідницькій індустрії в оновленні інформації
Цього разу Anthropic запускає 10 агентів для фінансових сервісів, які можуть виконувати завдання на кшталт підготовки презентацій, аналізу фінзвітів, написання credit memo тощо.
Колишній ведучий подкасту «Hardcore 財經通識» Paku, який раніше працював у великій вітчизняній фінансовій групі в трейдинг-залі, зазначив, що реакція ринку на такі інструменти легко зводиться до двох крайнощів: з одного боку — «фінансова апокаліптика», «AI, який зламає інвестування»; з іншого — хвиля самопрезентацій, де багато користувачів вихваляються, як за кілька годин vibe coding вони зробили інвестдвигуни з вражаючою результативністю бектестів. Але він вважає, що обидва наративи надто спрощують реальну роботу фінансових досліджень.
Paku каже, що у Anthropic є конкретний біль усередині фінансової дослідницької індустрії: масове оновлення великого обсягу важливої, але надзвичайно повторюваної інформації. У фундаментальному дослідженні для будь-якої сторони — buy-side чи sell-side — фінзвіт, earning call, бази даних, pitchbook, моделі та клієнтські звіти між собою взаємопов’язані. Перш ніж аналітик зможе побудувати модель, дані мають бути готовими; а оскільки специфіка компаній надзвичайно різна, у процесі дослідження майже неминуче потрібні допоміжні відомості для зв’язування різних баз і структурування документів.
Особливо в сезон звітності: якщо sell-side аналітик покриває цілий сектор, йому доводиться одночасно оновлювати великі масиви фінзвітів, earning call, ключових показників, фінансових моделей і дослідницьких звітів. Навіть за наявності підтримки junior analyst весь процес усе одно нагадує пекло: metrics, на яких акцентують різні компанії, відрізняються, підхід до коригування моделей — теж, а клієнти часто є великими фондами з надзвичайно дорогою часовою вартістю. Тому аналітики мають витягти за короткий час те, що справді є цінною best idea.
Найбільша абсурдність фінансового дослідження: 80% часу йде на роботу низької цінності
Paku вважає, що справді парадоксальна річ фінансових досліджень у тому, що результат часто дуже сильно залежить від початкового напряму суджень: наприклад, які ключові показники дивитися, на які тренди робити фокус, як працювати з відсутніми даними, як порівнювати різні компанії між собою. Але на практиці аналітики витрачають купу часу на збирання даних, витягування Excel, оновлення звітів і підготовку презентацій.
Інакше кажучи, результат дослідження може на 80% залежати від суджень, але робочий час на 80% «з’їдають» упорядкування даних та оновлення форматів.
Саме це і є точкою входу для фінансових агентів Anthropic. Агент не намагається напряму знайти «інвестування Святого Грааля» замість аналітика, а намагається зібрати workflow дослідження приблизно на 60% готовності: спочатку допомогти аналітику знайти дані, з’єднати бази даних, оновити моделі, упорядкувати презентації та документи, а потім — щоб люди природною мовою вказали, де помилка, що потрібно доповнити, і на якому етапі потрібні нові дані.
Paku описує це так, що це схоже на «дуже швидкого, але все ж такого, який потребує команди “окрема фраза — окрема дія” junior». Цінність тут не в тому, щоб замінити досвідчених аналітиків, а в тому, щоб зменшити обсяг масової роботи низької цінності, і повернути справжні дослідницькі судження людині.
Найбільший ризик: помилки у фінансових даних зазвичай є прихованими
Втім, Paku також підкреслює: найбільший виклик для фінансових агентів — не те, чи можуть вони писати звіти, а те, чи здатні вони забезпечити коректність даних.
Він зазначає, що найбільш проблемне в оновленні фінансових даних те, що помилки часто не є очевидно «явними». Цифри можуть виглядати так, ніби вони всі на місці, але насправді вони можуть бути повністю зміщені, логіка може не сходитися або визначення можуть бути неправильними. Ще гірше те, що чим далі помилка поширюється в пайплайні, тим вища експоненційна вартість її відстеження. Якщо модель, презентація, звіт і інвестмемо побудовані на помилкових даних, зрештою доведеться повертатися й шукати помилки — і ця вартість значно більша, ніж якщо спочатку людина чітко визначить джерела даних і їх визначення.
Саме тут junior analyst з часом і «прокачує» навичку, відому як data sense. Багато ключових відомостей не лежать у структурованих базах даних, а заховані в management presentation, earning call, примітках до фінзвітів і в метриках, які компанії визначають самостійно. Ці відомості — це не лише «вміти витягнути», а й знати, що саме компанія цього разу змінила в підходах, які показники не можна напряму порівнювати з попередніми, і які цифри є лише «упаковкою» менеджменту.
Подібні проблеми трапляються і в фінансових AI benchmark. Нещодавнє дослідження BankerToolBench показало, що навіть найкращі фронтирні моделі у тестах end-to-end робочого процесу на рівні junior analyst у інвестбанку не проходять майже половину критеріїв оцінювання, а оцінка банкіра показує, що їхній результат не досягає client-ready стандарту на 0%. Це свідчить, що AI-агенти вже можуть справлятися з частиною задач, але до можливості напряму здавати високоризикові фінансові результати все ще є очевидний розрив.
AI може писати SQL, але не може вільно розгортати LTV і churn rate
Paku також зазначив, що якщо йдеться лише про просте завдання витягування даних, то AI справді може бути дуже ефективним. Особливо за умов, коли сучасні ETL-інструменти вже доволі зрілі, а також за умови хороших інтерфейсів і ручного втручання у системі фінансовий агент може реально підвищити ефективність робочого процесу досліджень.
Але справді небезпечно, коли користувач просить AI самостійно рахувати більш складні або надзвичайно залежні від визначень метрики — наприклад, LTV зі сегментацією, churn rate, або unit economics. Якщо людина спершу не закладе чіткі формули та benchmark, а натомість дозволить AI «вільно розгортатися», результат може бути вкрай небезпечним. Причина в тому, що ці метрики — це не просто математичні вправи, а показники, які залежать від бізнес-визначень, підходів до трактування даних і контексту індустрії. Один помилковий розрахунок — і весь інвестпідхід може піти хибним шляхом.
Фінансовий агент від Anthropic — це не «AI-інвестування Святого Грааля» і не іграшка, яка дозволяє користувачам за 2 години vibe coding зібрати backtest-двигун з річною дохідністю 2000%. Це інструмент, який намагається перебудувати робочий процес фінансових досліджень.
Найімовірніша зміна, яку він принесе, — це звільнити analyst від масової рутини з оновлення даних, Excel-упорядкування, форматування звітів і підготовки презентацій, щоб люди могли повернути час на судження: які показники важливі, які тренди реально варто відстежувати, яким даним не можна довіряти, і які способи порівнянь можуть ввести в оману.
Ця стаття «Anthorpic запустила фінансових AI-агентів, інсайдери розповіли ключове: Claude не може замінити аналітиків» вперше з’явилася в «链新聞 ABMedia».
