ИИ-агенты для аудита и комплаенса: что умеют и где ломаются

За последний год к аудиту и комплаенсу подтянулись ИИ-агенты — программы, которые не просто отвечают на вопросы, а выполняют цепочку действий: находят документ, проверяют его против правила, отмечают отклонение и готовят черновик отчёта. Big Four анонсировали собственные внедрения на базе больших языковых моделей (KPMG и Deloitte публично заявляли о партнёрствах с OpenAI и Microsoft), а на рынке появились специализированные платформы вроде Norm Ai и Hebbia, которые продают именно комплаенс-агентов. Обещание одно: сократить рутину, где юрист или аудитор вручную сверяет сотни страниц с чек-листом. Проблема тоже одна: цена ошибки в аудите измеряется штрафами и отозванными лицензиями, а модель по-прежнему может уверенно выдумать пункт регламента.

Что вообще делает агент в аудите

Обычный чат-бот отвечает текстом. Агент¹ получает задачу и сам решает, какие шаги предпринять: подключиться к хранилищу документов, вытащить нужные файлы, прогнать их через набор проверок, при необходимости запросить данные из учётной системы и собрать результат. В комплаенсе это выглядит так:

• Проверка договоров. Агент сверяет текст контракта с внутренней политикой: есть ли пункт об обработке персональных данных, соответствует ли неустойка лимиту, нет ли запрещённых условий.
• Мониторинг транзакций. Отбор подозрительных операций для AML-процедур с объяснением, почему операция помечена.
• Подготовка к проверке. Сбор доказательной базы под конкретное требование регулятора — какие документы подтверждают выполнение контроля.
• Отслеживание изменений в регулировании. Агент читает обновления нормативки и показывает, какие внутренние политики устарели.

Ключевое отличие от старых rule-based систем — агент работает с неструктурированным текстом. Ему не нужно, чтобы данные были заранее размечены по полям: он читает договор так, как читал бы его человек.

Агент в аудите полезен ровно настолько, насколько проверяем его вывод. Ответ без ссылки на конкретный пункт документа — это не результат аудита, а красиво оформленная догадка.

Как устроена проверяемость

Главная техническая ставка здесь — RAG². Вместо того чтобы полагаться на память модели, система сначала находит релевантные фрагменты в ваших документах и регламентах, а потом просит модель ответить строго на их основе с указанием источника. Для аудита это критично: проверяющий должен видеть, из какого абзаца какого файла агент сделал вывод.

Платформы вроде Norm Ai позиционируют себя как раз вокруг трассируемости — каждое утверждение агента привязано к пункту регламента. Hebbia делает упор на работу с большими массивами документов и показ цепочки рассуждений. Без этой привязки любой вывод агента бесполезен для аудита, потому что его нельзя защитить перед регулятором.

Сравнение подходов

Инструменты делятся на три группы: специализированные комплаенс-платформы, горизонтальные ИИ-ассистенты общего назначения и модули внутри крупных ERP/аудиторских систем. Характеристики ниже — по публичным заявлениям вендоров на конец 2024 — начало 2025 года; актуальные детали и цены сверяйте на сайтах производителей.

Отдельно стоит держать в голове данные: комплаенс работает с чувствительной информацией. Публичный чат-бот без корпоративного контура и соглашения о неиспользовании данных для обучения — плохой выбор для реальных договоров и транзакций. Enterprise-версии обычно дают такие гарантии, но проверять формулировки контракта нужно самому.

Кому это пригодится и кому нет

Где агент реально экономит время

• Первичная сортировка договоров. Когда на входе сотни однотипных контрактов, агент за минуты выделит те, где нет нужного пункта или есть отклонение от шаблона. Юрист проверяет уже короткий список, а не всю стопку.
• Подготовка к аудиту. Сбор и раскладка доказательств по требованиям — рутина, которую агент делает быстрее человека, не теряя файлы.
• Мониторинг изменений нормативки. Постоянное сравнение обновлений регулирования с внутренними политиками, где человек просто физически не успевает читать всё.

Где на агента полагаться нельзя

• Финальное юридическое заключение. Ответственность за вывод несёт человек. Подпись под аудиторским заключением ставит не модель.
• Пограничные и нестандартные случаи. Там, где нужна трактовка намерения сторон или редкий прецедент, модель уверенно ошибается.
• Ситуации без проверяемого источника. Если агент не может показать, откуда взял вывод, этот вывод в аудите не используется.

Практический сценарий: агент прогоняет 400 договоров, отмечает 30 с потенциальными проблемами и для каждого показывает конкретный абзац. Человек проверяет эти 30 и принимает решение. Экономия реальная, ответственность остаётся на человеке — и это, по сути, единственная рабочая модель на сегодня.

Что проверить перед внедрением

1. Где физически хранятся и обрабатываются ваши документы и используются ли они для обучения модели.
2. Показывает ли агент источник каждого вывода — конкретный пункт, а не общую отсылку.
3. Есть ли лог действий агента: что он открывал, что проверял, что решил.
4. Кто отвечает за ошибку — в договоре с вендором и во внутреннем регламенте.
5. Как измеряется точность на ваших данных, а не на маркетинговом демо.

¹ Агент — программа на базе языковой модели, которая для решения задачи сама выбирает и выполняет последовательность действий (поиск документа, вызов инструмента, проверка), а не просто выдаёт текстовый ответ.

² RAG (retrieval-augmented generation) — подход, при котором модель сначала находит релевантные фрагменты в заданной базе документов, а потом формирует ответ на их основе, что снижает риск выдуманных фактов и позволяет показать источник.