AI‑агент для анализа требований в финтехе: автоматический контекст и раннее выявление проблем
Новый AI‑инструмент собирает документы, формирует чек‑лист требований и обнаруживает скрытые риски до начала разработки, но пока сталкивается с «галлюцинациями» и неполным покрытием.
В статье компании Svoi на Habr AI рассказывается о запуске собственного AI‑агента, предназначенного для анализа бизнес‑требований в проектах финтех. Инструмент автоматически собирает контекст из технических заданий, пользовательских историй, регуляторных документов и формирует готовый чек‑лист требований, который сразу попадает в систему тестирования.
По словам разработчиков, агент позволяет инженерам экономить до 30‑40 % времени на подготовку тестовых сценариев: вместо ручного копирования и сопоставления требований система за несколько секунд генерирует список проверок, включая проверку соответствия требованиям AML, KYC и PCI‑DSS. При этом первая версия продукта уже успешно интегрирована в два внутренних проекта компании, где инженеры отметили рост скорости подготовки к спринту.
Однако в процессе эксплуатации команда обнаружила две серьёзные проблемы. Во-первых, AI‑модель иногда пропускала отдельные требования, особенно если они были зафиксированы в малоформатных PDF‑документах. Во‑вторых, система додумывала связи между документами, что приводило к появлению ложных «рисков», требующих дополнительной валидации человеком. Авторы признают, что такие «галлюцинации» типичны для больших языковых моделей, работающих без строгой верификации источников.
Для решения проблемы команда планирует внедрить гибридный подход: использовать LLM‑модель для первичной агрегации, а затем проверять результаты через правила‑базу и ручные ревью. Также рассматривается возможность дообучения модели на внутреннем наборе требований с помощью LangChain и RAG‑архитектуры.
Статья завершает рекомендациями по настройке промптов, построению пайплайна сбора контекста и методикам оценки качества сгенерированных чек‑листов.
Для разработчиков и студентов AI‑курсов это пример практического применения LLM в бизнес‑процессе, показывающий, как быстро можно получить ценность, но и где появляются риски. Важно сочетать генеративный слой с проверкой правил и ручным контролем, иначе можно получить ложные требования. Такой гибридный подход уже становится «золотой серединой» в индустрии финтех, где ошибки дорого обходятся. Инструмент открывает возможность автоматизировать рутинный анализ требований, но требует построения надёжного пайплайна валидации, что может стать темой для учебных проектов. Следите за обновлениями: команда обещает выпустить публичный API к концу года.
