Инвестиционный банкинг на базе AI: архитектура контроля для оригинации, оценки и исполнения

1. Определить инвестиционно-банковскую деятельность, изначально выстроенную вокруг AI, как контролируемую систему принятия решений

Инвестиционно-банковская деятельность — это бизнес, основанный на доказательствах и профессиональном суждении. Команда по сделке собирает информацию от клиентов, из публичных документов, рыночных данных, контрагентов, консультантов и собственных предыдущих наработок. Она преобразует эту информацию в точку зрения по стратегии, стоимости, способности привлекать финансирование, риску, структуре процесса и переговорам. Качество работы зависит как от лежащих в её основе доказательств, так и от профессиональных решений, применённых к ним.

Искусственный интеллект меняет скорость и масштаб обработки информации. Он может искать по большим наборам документов, классифицировать текст, извлекать структурированные факты, сравнивать пункты, создавать первые черновики, выявлять аномалии и помогать вести записи рабочих процессов. Эти возможности могут снизить механическую нагрузку и расширить объём рассматриваемой информации. Они также могут порождать необоснованные утверждения, противоречивые расчёты, сбои в раскрытии информации и инциденты конфиденциальности, если работают вне контролируемого процесса.

Вопрос проектирования поэтому носит структурный характер. Компания должна решить, какие работы могут выполняться с помощью AI, какая информация может поступать в каждый инструмент, какие результаты требуют проверки, какие записи необходимо хранить и какие решения остаются исключительно за человеком. Структура управления рисками AI NIST организует деятельность по управлению рисками AI вокруг функций руководства, картирования, измерения и управления.[1] Её профиль генеративного AI распространяет эти функции на риски, которые могут быть новыми или усиливаться в генеративных системах.[2] Эти функции дают полезный словарь контроля, а процесс сделки обеспечивает операционный контекст.

Система работы со сделками, изначально построенная на AI, должна сохранять четыре инварианта. Доказательства остаются идентифицируемыми. Полномочия на принятие решений остаются закреплёнными за ответственными лицами. Конфиденциальная информация остаётся в пределах утверждённых границ. Экономические выводы остаются воспроизводимыми. Если хотя бы один инвариант нарушается, скорость выдачи результатов имеет мало профессиональной ценности.

Операционная модель должна различать помощь, рекомендацию и полномочия. Помощь включает поиск информации, извлечение, форматирование и поддержку рабочих процессов. Рекомендация включает ранжированные цели, интерпретацию сценариев и предлагаемые действия по дью-дилидженсу. Полномочия включают консультирование клиентов, утверждение оценки, решения по конфликтам интересов, раскрытие информации и обязывающие обязательства по сделкам. Бремя контроля возрастает по мере смещения работы от помощи к полномочиям.

2. Составьте карту процесса сделки до выбора инструментов

Выбор инструментов должен следовать процессу сделки. Фирма, которая начинает с модели общего назначения, может накопить разрозненные пилотные проекты без надёжного протокола сделок. Карта рабочего процесса определяет рабочие продукты, источники, владельцев решений, передачи и точки утверждения, которые должны оставаться согласованными от инициирования до закрытия.

Процесс начинается со сбора рыночной информации и информации о взаимоотношениях. Потенциальные клиенты, активы и контрагенты выявляются из разрешённых источников. Сотрудники по покрытию клиентов оценивают релевантность, характер взаимоотношений, сроки и потенциальную потребность. До продвижения мандата механизмы контроля конфликтов интересов, принятия клиента, противодействия финансовым преступлениям и принятия задания действуют в соответствии с юридическими и регуляторными обязанностями фирмы.

После принятия мандата команда формулирует стратегический вопрос и создаёт хранилище доказательств. Организуется финансовая, коммерческая, операционная, юридическая, техническая и рыночная информация. Анализ оценки и финансирования преобразует доказательства в сценарии. Дью-дилидженс проверяет инвестиционную гипотезу и исключения. Управление процессом координирует взаимодействие с рынком, конфиденциальность, заявки, утверждения, документацию, финансирование и закрытие.

На каждом этапе AI может помогать с ограниченной задачей. Карта рабочего процесса должна фиксировать класс входных данных, разрешённую среду модели, ожидаемый результат, ответственного проверяющего и правило хранения записей. Одна и та же задача может нести разный риск в разных контекстах. Подготовка резюме публичного годового отчёта существенно отличается от резюмирования проекта документа для совета директоров, содержащего чувствительную к рынку информацию.

Помощь AI остаётся ограниченной утверждёнными данными, доказательствами и правами людей на принятие решений на каждом этапе.

3. Классифицируйте информацию по чувствительности и разрешённому использованию

Данные инвестиционно-банковской деятельности нельзя рассматривать как единый недифференцированный корпус. Публичные отчётные документы, лицензированные рыночные данные, конфиденциальная информация клиентов, персональные данные, существенная непубличная информация и материалы, защищённые юридической привилегией, подразумевают разные права и обязанности. Фирма должна классифицировать информацию до её поступления в систему AI и обеспечивать соблюдение классификации через управление доступом, маршрутизацию и технические средства контроля.

Публичная доступность не устраняет все ограничения. Лицензии на рыночные данные могут ограничивать хранение, преобразование и повторное распространение. Условия использования веб-сайтов могут ограничивать автоматизированный сбор. Персональные данные могут появляться в публичных записях и всё равно требовать законной и соразмерной обработки. Проекты клиентских материалов могут сочетать публичные факты с конфиденциальными допущениями и поэтому наследовать более высокий класс конфиденциальности.

Закон UAE о защите персональных данных устанавливает федеральную основу для обработки персональных данных, безопасности, конфиденциальности и трансграничной передачи.[3] Управление информационного комиссара Великобритании отмечает, что высшее руководство несёт ответственность за последствия использования AI для защиты данных и должно быть способно продемонстрировать, как обеспечена защита данных на этапе проектирования и по умолчанию.[4] Применимый юридический анализ зависит от контролёра, обработчика, цели, субъектов данных и соответствующих юрисдикций.

Практическая система использует небольшое число классов, соблюдение которых можно обеспечить. Каждый класс определяет разрешённые источники, места хранения, среды моделей, поисковые индексы, сроки хранения, журналирование и утверждения людьми. При отсутствии классификации уместен запрет по умолчанию. Пользователи не должны определять допустимость данных интуитивно в момент отправки запроса.

Таблица 1. Классификация информации и граница использования AI

Окончательная политика требует актуальной проверки с точки зрения права, договоров и регулирования.

4. Создайте архитектуру контроля данных на основе зон и применения политик

Техническая архитектура должна предотвращать несанкционированный путь данных, а не полагаться исключительно на обучение и напоминания. Контролируемая архитектура разделяет исходные системы, приём данных, управляемое хранение, модельные сервисы, проверку выходных данных и постоянную запись сделки. Решения по политике принимаются на каждой границе.

Исходные системы могут включать публичные репозитории, лицензированные базы данных, клиентские виртуальные комнаты данных, системы управления взаимоотношениями с клиентами, финансовые модели, управление электронной почтой и документами. Коннектор должен работать через одобренный идентификатор и извлекать только те записи, которые требуются для задачи. Перед попаданием в поисковый индекс содержимое сканируется, классифицируется и снабжается тегами источника, владельца, даты и прав.

Уровень моделей должен предоставлять одобренные модели через управляемый шлюз. Шлюз применяет правила доступа, блокирует запрещённое содержимое, фиксирует модель и версию, устанавливает правила хранения и ограничения на обучение, а также сохраняет промпты и выходные данные там, где это разрешено. Для задач высокого риска можно использовать частную среду извлечения данных или модель, работающую внутри контролируемого периметра. Условия поставщика, субпроцессоры и места хранения данных должны проверяться до использования.

Выходные данные попадают в очередь проверки, а не в итоговую запись клиента. Проверяющий проверяет доказательства, расчёты, интерпретацию, тон и конфиденциальность. Одобренные материалы переносятся в рабочее пространство сделки вместе с подтверждающим реестром. Отклонённые материалы сохраняются или удаляются в соответствии с политикой, но должны использоваться для мониторинга моделей и процессов.

Архитектура требует процедур аварийного доступа (break-glass). Если поставщик, модель или коннектор становятся недоступны, команда должна иметь возможность продолжить критическую работу на основе контролируемых исходных записей. Концентрация зависимостей и резкие изменения моделей могут стать рисками сделки, когда график закрытия зависит от одного внешнего сервиса.

Обеспечение соблюдения политик разделяет источники, модельные сервисы, проверку и эталонную запись сделки.

5. Создавайте реестр доказательств для каждого существенного утверждения

Связный вывод может маскировать слабые доказательства. Реестр доказательств восстанавливает прослеживаемость, связывая каждое существенное утверждение, извлечённый факт, вход модели и вывод по сделке с идентифицируемым источником и записью о проверке. Он должен функционировать как рабочий контроль, а не как приложение, собранное после предоставления консультации.

Каждая запись реестра должна фиксировать утверждение, исходный документ, точное местоположение, дату источника, дату доступа, права, метод извлечения, преобразование, модель и версию, промпт или инструкцию, проверяющего, дату проверки и последующее использование. Для финансового показателя также должны фиксироваться единицы измерения, валюта, период, учётная база и сверка. При извлечении пункта договора следует сохранять версию документа — подписанную или черновую — и соответствующий раздел.

Реестр помогает различать четыре состояния: факт из источника, заверение руководства, аналитическое допущение и профессиональный вывод. Эти состояния не должны смешиваться. Прогноз руководства может быть допустимым входом, оставаясь прогнозом. Сформированная моделью группа сопоставимых компаний может поддерживать исследование, но при этом должна оставаться предметом человеческого отбора и проверки сопоставимости.

API EDGAR Комиссии по ценным бумагам и биржам США (SEC) обеспечивают доступ в реальном времени к поданным документам и стандартизированным фактам XBRL без аутентификации.[5] Машиночитаемые источники могут улучшить извлечение данных и сверку. Аналитику всё ещё необходимо проверять таксономию, период, единицы измерения, контекст подачи документов и специфичные для компании расширения. Автоматизация не устраняет необходимость бухгалтерской интерпретации.

Качество доказательств следует оценивать отдельно от важности утверждения. Существенное утверждение, подтверждённое только презентацией без даты, требует эскалации. Менее существенный операционный момент может требовать более лёгкой проверки. Реестр позволяет соразмерять усилия по проверке с последствиями решения.

Каждый существенный результат сохраняет цепочку от источника до решения.

Таблица 2. Минимальные поля реестра доказательств

Глубина реестра должна определяться существенностью и нормативным контекстом.

6. Используйте AI в привлечении сделок, не превращая корреляцию в потребность клиента

AI может расширить охват привлечения сделок, объединяя публичные отчётные документы, данные о структуре собственности, события финансирования, кадровые изменения руководства, стратегические объявления, отраслевые данные и информацию о связях. Он может выявлять такие закономерности, как окна рефинансирования, концентрация портфеля, капитальные затраты, история приобретений или изменение акционеров. Эти закономерности могут помочь банкиру подготовить релевантную гипотезу.

Сигнал не является доказательством того, что компания хочет получить консультацию. Специалист по покрытию должен проверить триггер, понять лицо, принимающее решения, оценить контекст взаимоотношений и сформировать конкретную гипотезу ценности. Шаблонное сообщение, сгенерированное из автоматически собранной информации, может подорвать доверие и создать проблемы защиты данных, маркетинга или конфиденциальности.

В записи о привлечении сделки должно быть указано, почему потенциальный клиент входит в область охвата, какие публичные доказательства подтверждают гипотезу, какие прежние связи можно использовать и какой способ связи разрешён. Сводки по клиентам, сгенерированные AI, должны сохранять ссылки на источники и даты. Чувствительные заметки CRM должны оставаться в утверждённой среде и не должны использоваться для обучения публичной модели.

Квалификация должна измерять вероятную ценность клиента и соответствие, а не объём сгенерированных обращений. Полезные критерии включают стратегическую важность, правдоподобность сделки, доступ к лицам, принимающим решения, соответствие мандату, потенциал вознаграждения, конфликты, ресурсную ёмкость и сроки. Ответственный специалист по покрытию утверждает план по клиенту и каждое внешнее сообщение.

Система должна учиться на результатах. Встречи, квалифицированные возможности, подписанные мандаты, завершённые сделки и полученные вознаграждения дают всё более сильные доказательства. Показатели открываемости и количество сгенерированных контактов — слабые коммерческие метрики. Поэтому система оценки ценности должна связывать активность по привлечению сделок с подтверждённым продвижением по пути мандата.

7. Управляйте отбором возможностей и конфликтами до углубления анализа

Модель скрининга с поддержкой AI может ранжировать возможности по соответствию мандату, отраслевой релевантности, масштабу сделки, взаимоотношениям и срокам. Модель должна раскрывать свои факторы и исходные данные. Она не должна создавать непрозрачную оценку приоритета, которая вытесняет суждение по покрытию или контроль конфликтов.

Анализ конфликтов требует авторитетных внутренних записей, сопоставления сущностей и юридической интерпретации. AI может помочь, выявляя имена, аффилированные лица, фонды, директоров и предыдущие дела. Ложноотрицательные результаты особенно дорого обходятся, поскольку пропущенная связь может раскрыть конфиденциальную информацию или подорвать обязанности перед клиентом. Функция контроля конфликтов сохраняет полномочия по принятию решений и должна документировать область поиска, неоднозначные совпадения и их разрешение.

Приём клиента может включать проверку личности, структуры собственности, санкций, финансовых преступлений, репутации, источника средств и риска взаимодействия. AI может упорядочивать доказательства и отмечать несоответствия. Он не должен принимать окончательное решение о приёме клиента, если только конкретная правовая и нормативная база не допускает такое решение и система корпоративного управления фирмы не одобрила его. Сотрудники, проводящие проверку, должны иметь доступ к исходным доказательствам и основанию каждого оповещения.

Архитектура скрининга также должна предотвращать преждевременное использование конфиденциальной информации. Команда может получить тизер до проверки на конфликты интересов, пока другое подразделение фирмы представляет связанную сторону. Доступ должен определяться разрешениями на уровне дел и информационными барьерами с первого документа.

Возможность становится активной только после фиксации необходимых одобрений и полномочий по проекту. Этот контрольный этап защищает как клиента, так и фирму и задает для последующей деятельности AI определенный правовой и операционный периметр.

8. Сделайте модели оценки воспроизводимыми и основанными на доказательствах

AI может помочь собрать данные по сопоставимым компаниям, сегментировать бизнес, нормализовать раскрытия, выявить прецедентные сделки и подготовить описания сценариев. Оценка остается профессиональным выводом. Модель требует явно заданной основы стоимости, даты оценки, валюты, структуры капитала, системы учета, прогноза и методологии.

МСФО (IFRS) 13 определяет справедливую стоимость для целей финансовой отчетности как цену выхода в упорядоченной сделке между участниками рынка на дату оценки и требует применения структуры оценки и раскрытия информации.[6] Консультирование по сделкам может использовать иные основы стоимости и контексты переговоров. Аналитик должен указать основу и избегать представления сгенерированного числа как вывода по бухгалтерскому учету или заключения о справедливости.

При выборе сопоставимых компаний следует сохранять причины включения и исключения. Система AI может найти компании со сходными формулировками, но иными моделями выручки, географией, масштабом, ростом, маржой, капиталоемкостью или риском. Банкир должен утвердить набор аналогов и зафиксировать корректировки. Прецедентные сделки требуют аналогичной осторожности, поскольку объявленные headline-стоимости могут не учитывать earn-out, принятый долг, условное вознаграждение и несопоставимые рыночные условия.

Каждый извлеченный финансовый факт должен сверяться с исходной отчетностью. Периоды, единицы измерения, валюты, продолжающаяся деятельность и учетная политика могут менять сопоставимость. Ячейки с формулами должны оставаться видимыми и проверяемыми. Сгенерированная модель, которую нельзя независимо воссоздать по данным бухгалтерского учета, не должна служить основой для клиентского вывода.

Диапазоны оценки должны увязываться со сценариями, а не создавать впечатление ложной точности. Выручку, маржу, реинвестирование, ставку дисконтирования, терминальные допущения и структуру капитала следует проверять в совокупности. Клиент должен видеть, какие переменные формируют диапазон и какие доказательства могли бы его сузить.

9. Контролируйте риск модели, сценарии и аналитическую неопределенность

Инвестиционно-банковский анализ сочетает традиционные финансовые модели с извлечением, классификацией и описанием при поддержке AI. У каждого компонента свои режимы отказов. В электронной таблице может быть ошибка в формуле. Модель извлечения может неверно прочитать таблицу. Языковая модель может сформулировать правдоподобный, но не подтвержденный вывод. Система контроля должна проверять каждый риск на соответствующем уровне.

Валидация начинается с предполагаемого использования. Команда должна определить, что модель должна делать, чего она делать не должна, совокупность входных данных, показатель эффективности, порог существенности и порядок эскалации. Тестирование должно включать репрезентативные документы, сложные макеты, отсутствующие поля, конфликтующие источники, вариации промптов и обновления модели.

В отчете FINRA о регуляторном надзоре за 2026 год управление, тестирование, мониторинг, документирование, журналы промптов и выходных данных, отслеживание версий моделей и проверка человеком названы в числе значимых факторов для использования генеративного AI.[7] Правила FINRA остаются технологически нейтральными; обязанности по надзору, коммуникациям, ведению учета и добросовестному ведению дел продолжают применяться, когда фирма использует AI.[7]

Анализ сценариев должен сохранять неопределенность, а не преобразовывать ее в единый сгенерированный прогноз. Модель должна различать управленческий сценарий, независимый базовый сценарий, негативный и позитивный сценарии. Корреляции и шоки по общим причинам должны быть явно заданы. Допущения должны иметь дату, ответственного и сравниваться с фактическими результатами.

Изменения в модели, поисковом корпусе или промпте могут изменить выходные данные без видимого выпуска программного обеспечения. Фирма должна определить, что считается существенным изменением и когда требуется повторная валидация. Для процесса, критичного для закрытия сделки, следует иметь замороженную конфигурацию или документированную версию, чтобы анализ можно было воспроизвести после события.

10. Используйте AI для углубления дью-дилидженса и сохранения ответственности за исключения

Дью-дилидженс — это процесс выявления исключений. AI может сопоставлять договоры, извлекать обязательства, анализировать клиентские когорты, выявлять финансовые аномалии, классифицировать технические документы и сверять индексы data room. Он может расширить охват и помочь командам сосредоточиться на существенных несоответствиях.

План дью-дилидженса должен начинаться с тезиса сделки и факторов стоимости. Каждое направление работы определяет проверяемое утверждение, необходимые доказательства, существенность, ответственного проверяющего и возможную реакцию по сделке. Вопросы, сгенерированные AI, должны проверяться до того, как поступят руководству. Большой список типовых вопросов может отнимать время, не улучшая качество решения.

Извлечение документов должно сохранять информацию о версии и местоположении. Условия договора могут различаться в зависимости от поправок, сайд-леттеров и форм заказов. Модель, которая читает базовый договор без последней поправки, может сделать неверный вывод. Финансовый дью-дилидженс требует сверки управленческой отчётности, главной книги, счетов-фактур, данных о денежных средствах, налоговых записей и договоров.

Выявленные факты должны заноситься в реестр исключений с указанием владельца, доказательств, экономического эффекта, предлагаемой реакции и критерия закрытия. Возможные ответные меры включают корректировку оценки, механизм оборотного капитала, отлагательное условие, заверение, индемнити, ковенант, план устранения нарушений или отказ от сделки. AI может предлагать категории; консультанты утверждают юридические и коммерческие ответные меры.

Итоговый документ по дью-дилидженсу должен отражать как охват, так и остаточную неопределённость. Отсутствие выявленной проблемы не доказывает, что проблемы не существует. Ограничения выборки, недоступные записи, заверения руководства и неразрешённые противоречия должны оставаться видимыми для лиц, принимающих решения.

11. Защищайте конфиденциальность, рыночно чувствительную информацию и юридическую привилегию

Работа по сделкам регулярно содержит информацию, несанкционированное раскрытие которой может повлиять на рынки, переговоры, сотрудников и контрагентов. Утечка данных может происходить через промпты, журналы вендоров, обучение, индексы поиска, расширения браузера, скопированные файлы или неверно настроенный доступ. Поэтому система контроля должна охватывать весь путь данных.

Поправки SEC к Regulation S-P требуют, чтобы учреждения, на которые распространяется их действие, поддерживали политики и процедуры реагирования на инциденты в случае несанкционированного доступа к клиентской информации или её использования, а также сохраняли документы, подтверждающие соблюдение требований.[8] Конкретное применение зависит от учреждения и информации. Принципы письменных мер защиты, реагирования на инциденты, надзора за поставщиками услуг и сохранения доказательств актуальны для любой среды контролируемой сделки.

Информационные барьеры должны действовать на уровне конкретного дела. Пользователи, сервисные учётные записи и коннекторы AI получают минимально необходимый доступ. Поисковые индексы не должны объединять ограниченные дела в широкий корпус, если политика и технология не могут обеспечить соблюдение разрешений в момент извлечения. Журналы доступа и экспорта должны подлежать проверке.

Вопрос привилегии заслуживает отдельного рассмотрения. Передача юридической консультации в несанкционированный сервис может создать юридический риск. Юристы должны определить, когда AI может обрабатывать материалы, защищённые привилегией, на каких договорных и технических условиях и с каким документальным подтверждением. Командам не следует предполагать, что корпоративная лицензия решает вопрос привилегии в каждой юрисдикции.

Процедуры реагирования на инциденты должны определять обнаружение, локализацию, оценку, уведомление, сохранение доказательств и коммуникацию с клиентами. Команде сделки нужен быстрый маршрут к службе безопасности, юристам, комплаенсу и высшему руководству. Продолжение использования скомпрометированной системы в ходе текущего процесса может усугубить ущерб.

12. Отделяйте помощь в подготовке документов от консультирования клиента и раскрытия информации

AI может создавать первые черновики презентаций, информационных меморандумов, комментариев к оценке, резюме дью-дилидженса, писем о процессе и реестров документов. Помощь в подготовке документов может повысить согласованность и позволить специалистам уделять больше времени анализу. Проверяющий по-прежнему несёт ответственность за каждое утверждение, выпущенное для клиента или участника рынка.

Процесс подготовки документов должен брать утверждённые факты из реестра доказательств, а утверждённые расчёты — из контролируемых моделей. Сгенерированный текст не должен создавать новый источник фактов. Утверждения о лидерстве на рынке, технологии, портфеле проектов, устойчивости, синергиях или результативности требуют разумного обоснования и подтверждения клиента.

SEC предупредила, что вводящие в заблуждение заявления об использовании AI могут нарушать законы о ценных бумагах, а публичные утверждения должны иметь разумное обоснование и раскрывать риски, специфичные для компании, а не ограничиваться общими формулировками.[9] Та же дисциплина применяется к материалам сделки. Утверждение о ценности, связанное с AI, должно указывать, что делает технология, где она развёрнута, какие есть подтверждающие доказательства, зависимости и ограничения.

Проверка документов должна охватывать фактическую точность, согласованность числовых данных, юридическое и нормативное содержание, конфиденциальность, права доступа, целевую аудиторию и версию. Перекрёстные проверки документов могут выявлять расхождения между моделью, материалом для совета директоров и маркетинговым материалом. Окончательный подписант утверждает документ после обязательных проверок специалистами.

Документирование происхождения черновика должно оставаться соразмерным. Постоянная запись должна содержать существенный источник, преобразования, проверяющих и утверждённую версию. Не требуется сохранять каждую временную редакционную пробу, если это не предусмотрено политикой. Схему хранения следует согласовать с юридическим отделом, комплаенсом и управлением записями.

13. Обеспечьте координацию исполнения через единую контролируемую запись сделки

Исполнение затрагивает множество сторон, документов, сроков, условий и решений. AI может вести списки действий, сравнивать версии, извлекать обязательства, резюмировать встречи и отмечать зависимости. Ценность возникает от интеграции этих задач в одну авторитетную запись.

Запись сделки должна определять рабочий поток, пункт, ответственного, срок, статус, доказательства, блокер, решение и зависимость. Резюме встреч становятся предлагаемыми обновлениями, пока участники или ответственный владелец не подтвердят их. Интеграции с электронной почтой и документами не должны автоматически менять статус закрытия без утверждения.

Контроль версий критически важен. Условие может меняться в письмах-заявках, документах об обязательствах, договорах купли-продажи и графиках раскрытия информации. Система должна определять контролирующий документ и действующую версию. Сравнение пунктов может поддерживать юристов и банкиров, тогда как юридическая интерпретация остаётся за квалифицированными консультантами.

Финансирование сделки требует, чтобы источники и направления использования средств, движение средств, отлагательные условия, утверждения и сроки денежных потоков сверялись. Чек-лист, сформированный AI, может упустить нестандартное условие. Ответственный за закрытие должен утвердить окончательный список на основе подписанных документов и подтверждений консультантов.

После закрытия запись сделки должна сохранять решения, подписанные документы, утверждения и существенные доказательства в соответствии с политикой. Упорядоченный архив поддерживает обслуживание клиентов, аудит, споры, регуляторную проверку и извлечённые уроки. Он также обеспечивает управляемую основу для будущего анализа прецедентов, когда конфиденциальность и права допускают повторное использование.

14. Проектируйте контрольные точки утверждения человеком с учётом последствий и обратимости

Человеческий надзор становится значимым, когда конкретное названное лицо располагает информацией, компетенцией, полномочиями и временем, чтобы оспорить результат. Общее требование проверять всё может стать формальностью. Контрольные точки утверждения должны определяться последствиями ошибки и обратимостью действия.

Для работы с низкими последствиями можно применять выборочную проверку и стандартные контроли. Резюме по открытым источникам, используемое для внутренней ориентации, может потребовать подтверждения источника. Работа со средними последствиями, например черновой набор сопоставимых компаний, требует аналитической проверки и сверки. Работа с высокими последствиями, такая как консультирование по оценке, раскрытие информации клиенту, согласование конфликтов интересов, полномочия на переговоры и юридически обязывающие обязательства, требует подотчётного утверждения на старшем уровне и, где применимо, проверки специалистом.

Контрольная точка должна указывать входные доказательства, проверки, утверждающего, решение и запись. Проверяющий должен иметь возможность отклонить, доработать или эскалировать. Давление сроков не отменяет контрольную точку; оно должно запускать документированный процесс исключений с определёнными полномочиями и последующей проверкой.

ESMA заявляет, что органы управления остаются ответственными за решения, когда инвестиционные фирмы используют AI, и подчёркивает интересы клиентов, качество данных, прозрачность и управление.[10] Контекст — розничные инвестиционные услуги, однако принцип подотчётности полезен для более широкого профессионального управления. Закон ЕС об AI также устанавливает основанную на рисках правовую базу для систем AI и требований, зависящих от роли и использования.[11]

Интенсивность утверждения возрастает в зависимости от экономических последствий, конфиденциальности и необратимости.

Таблица 3. Схема контрольной точки утверждения человеком

Роли и пороговые значения требуют утверждённой системы управления фирмы.

15. Преобразование регуляторных обязательств в операционные контроли

Управление AI должно быть связано с законами и правилами, которые уже регулируют эту деятельность. Отдельная политика в отношении AI, не увязанная с надзором, ведением документации, деловым поведением, защитой данных, злоупотреблениями на рынке, аутсорсингом и кибербезопасностью, может создавать пробелы.

Правило FINRA 3110 требует, чтобы фирмы-члены поддерживали систему надзора, разумно спроектированную для соблюдения требований, включая проверку инвестиционно-банковской деятельности и деятельности на рынке ценных бумаг.[12] Правило FINRA 4511 касается книг и записей.[13] Применимым фирмам следует определить, как промпты, выходные данные, одобрения и коммуникации соответствуют их конкретным обязательствам. В других юрисдикциях и бизнес-моделях действуют иные правила.

FCA описывает свой подход как основанный на принципах и ориентированный на результаты, опираясь на существующие рамки, включая обязанность перед потребителями, подотчётность и управление.[14] Консультация IOSCO по AI на рынках капитала выявляет сценарии использования, риски и вопросы политики для участников рынка.[15] БМР и Совет по финансовой стабильности отметили модельный риск, качество данных, непрозрачность, концентрацию на третьих сторонах, киберриск и человеческий надзор в финансовом AI.[16][17]

Реестр обязательств должен сопоставлять каждый сценарий использования с регулируемой деятельностью, типом клиента, юрисдикцией, классом данных, записью, владельцем контроля и циклом проверки. Правовой статус может меняться, когда инструмент переходит от внутренней поддержки к клиентской рекомендации или автоматизированному решению. Процесс утверждения должен выявлять такое изменение.

Регуляторное сопоставление должно оставаться актуальным. Архитектура может сохранять стабильные функции контроля, пока конкретные правила, методические указания и возможности моделей развиваются. Ежегодной проверки политики может быть недостаточно для быстро меняющегося сервиса; существенные изменения моделей, поставщиков, законодательства и сценариев использования должны запускать промежуточную оценку.

16. Управление зависимостью от поставщиков, моделей и инфраструктуры

Инвестиционный банкинг, нативный для AI, может зависеть от поставщиков моделей, облачных платформ, поставщиков рыночных данных, систем документооборота и интеграционных сервисов. Концентрация может создавать коррелированные сбои в разных сделках. Фирма должна понимать, какая критическая работа зависит от каждого поставщика и как она может продолжаться во время сбоя.

Дью-дилидженс поставщика должен охватывать безопасность, конфиденциальность, использование данных, хранение, субпроцессоров, местоположения, доступ, обновления модели, интеллектуальную собственность, уровни обслуживания, уведомление об инцидентах, права на аудит и выход. Техническое тестирование должно подтверждать договорные настройки на практике. Обещание, что данные клиента не будут использоваться для обучения модели, требует контроля конфигурации и мониторинга.

Переносимость моделей имеет значение. Промпты и рабочие процессы могут быть тесно связаны с поведением одного поставщика. Фирме следует сохранять тестовые примеры и критерии выходных данных, чтобы можно было оценить другую одобренную модель. Критические расчёты должны оставаться в детерминированных моделях или независимо воспроизводимом коде, а не внутри непрозрачной генерации.

Профиль NIST для генеративного AI определяет риски, включая конфабуляцию, конфиденциальность данных, информационную безопасность, интеллектуальную собственность, вредоносную предвзятость и интеграцию цепочки создания стоимости.[2] ISO/IEC 42001 устанавливает требования к системе управления AI и подчёркивает риск, возможность, прослеживаемость и постоянное улучшение.[18] Эти рамки могут поддерживать меры контроля поставщиков и предприятия, не заменяя суждение, специфичное для сделки.

План обеспечения непрерывности должен определять ручные альтернативы, экспорт данных, замороженные копии критически важных доказательств, альтернативную коммуникацию и полномочия по принятию решений. Текущая сделка не может ждать спора с поставщиком, чтобы прояснить права доступа.

17. Измеряйте ценность с учётом проверки, доработки и стоимости контроля

Производительность AI следует измерять на уровне завершённого рабочего продукта. Более быстрые первые черновики могут переносить работу в проверку, исправление, проверку источников и интеграцию. Поэтому карта оценки ценности должна включать время цикла, качество, доработку, трудозатраты на контроль, стоимость поставщика, внедрение пользователями и результат сделки.

Базовый уровень должен использовать сопоставимые задачи до внедрения. Сэкономленное время должно быть за вычетом подготовки промптов, работы с инструментом, проверки и устранения недостатков. Меры качества могут включать фактические исключения, числовые расхождения, пропущенные обязательства, изменения проверяющего и исправления клиента. Ошибки высокой степени серьёзности должны иметь больший вес, чем незначительные изменения форматирования.

Карта показателей должна отличать создание потенциала от сокращения затрат. Команда может использовать сэкономленное время для изучения большего числа источников, укрепления диалога с клиентом или ускорения процесса. Эти выгоды должны подтверждаться завершённой работой и результатами для клиентов. Предположения о численности персонала не должны основываться только на демонстрациях инструмента.

Финансовую выгоду можно моделировать как высвобожденные продуктивные часы, предотвращённые внешние затраты, сокращение потерь от ошибок, ускорение конверсии мандата или дополнительный потенциал комиссионного вознаграждения. Для каждого утверждения нужен владелец и период измерения. Фактически собранные комиссии служат более сильным доказательством, чем оценки пайплайна. Конфиденциальность клиентов и нормы поведения остаются ограничениями, даже если кейс использования выглядит экономически привлекательным.

Иллюстративная карта показателей ниже использует гипотетические индексы. Действующая фирма должна устанавливать базовые уровни, пороги и веса с помощью контролируемых пилотов и фактических доказательств по сделкам.

Гипотетические индексы показывают, почему скорость следует оценивать вместе с качеством, контролем и коммерческими доказательствами.

18. Внедрение через ограниченные по объёму кейсы использования и двенадцатимесячную дорожную карту контроля

Внедрение следует начинать с работы, которая полезна, измерима и обратима. Исследования по открытым источникам, поиск по внутренней базе знаний, классификация документов и контролируемое извлечение данных могут обеспечить обучение до того, как фирма разрешит конфиденциальное составление документов или рекомендации по сделкам.

Первая фаза устанавливает управление, классы данных, одобренных поставщиков, доступ, журналирование, реагирование на инциденты и реестр кейсов использования. Фирма выбирает небольшое число пилотов с определёнными базовыми уровнями и владельцами. Каждый пилот имеет набор доказательств, тестовые сценарии, пороги приёмки и процесс утверждения человеком.

Вторая фаза интегрирует успешные пилоты с контролируемыми системами-источниками и реестром доказательств. Команда проверяет права доступа, точность поиска, версионирование, хранение записей и непрерывность. Пользователи проходят обучение с учётом их ролей на основе фактического рабочего процесса, а не общего ознакомления.

Третья фаза распространяется на оценку, дью-дилидженс и исполнение только после того, как более ранние меры контроля начнут работать на практике. Независимое подтверждение проверяет архитектуру, записи и права доступа. Высшее руководство рассматривает ценность, инциденты, остаточный риск и то, следует ли продолжать, изменять или прекращать каждый кейс использования.

Таблица 4. Иллюстративная двенадцатимесячная дорожная карта внедрения

Сроки зависят от размера фирмы, регулирования, архитектуры и аппетита к риску.

19. Используйте аудит, инциденты и исключения для совершенствования системы

Контроли должны формировать доказательства своего функционирования. Аудит может проверять, применяется ли классификация данных, соответствуют ли права доступа делам, остаются ли источники прослеживаемыми, утверждены ли модели, идентифицированы ли проверяющие и содержат ли итоговые записи требуемые утверждения. Выборка должна включать обычную работу и исключения с высоким риском.

Мониторинг должен выявлять изменения в выходных данных модели, качестве извлечения, серьёзности ошибок, поведении пользователей, перемещении данных и конфигурации поставщиков. Рост доли одобрений может означать как повышение качества, так и снижение строгости проверки со стороны проверяющих. Мониторинг должен сочетать количественные сигналы с проверкой завершённых результатов работы.

Инциденты и почти произошедшие инциденты являются источниками для обучения. Запись должна фиксировать событие, затронутые данные и дела, обнаружение, сдерживание, причину, последствия, уведомление, устранение и изменение контроля. Сотрудники должны иметь возможность сообщать о проблемах без стимулов скрывать снижение производительности.

Комитет по исключениям или аналогичный орган может рассматривать срочные отступления от политики. Он должен фиксировать причину, область действия, компенсирующие контроли, срок действия и ответственного владельца. Постоянные обходные решения не должны накапливаться за счёт повторяющихся временных исключений.

Таблица 5. Матрица тестирования контролей и мер реагирования

Частота тестирования и эскалация определяются уровнем существенности и применимыми обязательствами.

20. Сохраняйте профессиональное суждение при увеличении пропускной способности по сделкам

Инвестиционно-банковская деятельность, изначально построенная на AI, заслуживает доверия, когда фирма может объяснить, как был получен результат, какие доказательства его подтверждают, кто его проверял и кто утвердил итоговое действие. Система должна делать профессиональную работу более воспроизводимой, не превращая профессиональное суждение в выходные данные модели.

Пять записей в этой работе образуют единую операционную архитектуру. Карта рабочих процессов определяет процесс сделки и передачи ответственности. Архитектура контроля данных ограничивает перемещение информации и доступ моделей. Реестр доказательств сохраняет происхождение источников и преобразования. Контрольные точки человеческого утверждения сохраняют подотчётность при значимых решениях. Карта оценки ценности проверяет, создаёт ли рабочий процесс измеримую выгоду после усилий по проверке и контролю.

Архитектура может поддерживать привлечение сделок, оценку, дью-дилидженс и исполнение в разных юрисдикциях и по разным типам транзакций. Её средства контроля остаются соразмерными объёму работы. Поиск по публичным источникам может выполняться быстро. Конфиденциальные консультации по оценке и полномочия по сделкам требуют более глубоких доказательств, экспертной проверки и утверждения руководства.

Фирме следует начать с ограниченных сценариев использования, проверить их на реальной работе, сохранять доказательства исключений и масштабировать только после того, как средства контроля начнут работать. Ей следует измерять завершённые результаты и результаты для клиентов, а не объём сгенерированного. Возможности поставщиков будут продолжать меняться, тогда как цели контроля — конфиденциальность, прослеживаемость, подотчётность, воспроизводимость и интересы клиентов — остаются устойчивыми.

Система с надлежащим управлением может позволить командам по сделкам изучать больше доказательств, раньше выявлять исключения, вести более чёткие записи по сделкам и уделять больше профессионального времени суждению, переговорам и решениям клиентов. Экономическая ценность возникает, когда эти улучшения подтверждаются в завершённых мандатах и фактически полученных результатах.

Источники

1. Национальный институт стандартов и технологий, «Рамочная основа управления рисками искусственного интеллекта (AI RMF 1.0)», январь 2023 г. https://www.nist.gov/itl/ai-risk-management-framework
2. Национальный институт стандартов и технологий, «Рамочная основа управления рисками искусственного интеллекта: профиль генеративного искусственного интеллекта», NIST AI 600-1, июль 2024 г. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
3. Правительство Объединённых Арабских Эмиратов, «Федеральный декрет-закон № 45 от 2021 года о защите персональных данных». https://www.uaelegislation.gov.ae/en/legislations/1972/download
4. Управление Уполномоченного по информации, «Какие последствия для подотчётности и управления имеет AI?» https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/what-are-the-accountability-and-governance-implications-of-ai/
5. Комиссия по ценным бумагам и биржам США, «Прикладные программные интерфейсы EDGAR». https://www.sec.gov/search-filings/edgar-application-programming-interfaces
6. Фонд МСФО, «IFRS 13 „Оценка справедливой стоимости“». https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
7. Управление по регулированию финансовой индустрии, «GenAI: сохраняющиеся и новые тенденции», Ежегодный отчёт о регуляторном надзоре за 2026 год. https://www.finra.org/rules-guidance/guidance/reports/2026-finra-annual-regulatory-oversight-report/gen-ai
8. Комиссия по ценным бумагам и биржам США, «Правило S-P: конфиденциальность финансовой информации потребителей и защита информации клиентов», май 2024 г. https://www.sec.gov/rules-regulations/2024/06/s7-05-23
9. Комиссия по ценным бумагам и биржам США, «Председатель Гэри Генслер об отмывании AI», 18 марта 2024 г. https://www.sec.gov/newsroom/speeches-statements/sec-chair-gary-gensler-ai-washing
10. Европейское управление по ценным бумагам и рынкам, «Публичное заявление об использовании искусственного интеллекта при предоставлении розничных инвестиционных услуг», 30 мая 2024 г. https://www.esma.europa.eu/document/public-statement-ai-and-investment-services
11. Европейский союз, «Регламент (ЕС) 2024/1689, устанавливающий гармонизированные правила в области искусственного интеллекта», 13 июня 2024 г. https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32024R1689
12. Управление по регулированию финансовой индустрии, «Правило 3110: надзор». https://www.finra.org/rules-guidance/rulebooks/finra-rules/3110
13. Управление по регулированию финансовой отрасли, «Правило 4511: Общие требования». https://www.finra.org/rules-guidance/rulebooks/finra-rules/4511
14. Управление по финансовому поведению, «AI и FCA: наш подход», обновлено 13 февраля 2026 г. https://www.fca.org.uk/firms/innovation/ai-approach
15. Международная организация комиссий по ценным бумагам, «Искусственный интеллект на рынках капитала: варианты использования, риски и проблемы», CR/01/2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf
16. Банк международных расчётов, «Интеллектуальная финансовая система: как AI трансформирует финансы», Рабочий документ № 1194, 13 июня 2024 г. https://www.bis.org/publ/work1194.htm
17. Банк международных расчётов, «Последствия искусственного интеллекта для финансовой стабильности: резюме для руководства», 26 июня 2025 г. https://www.bis.org/publications/fsi-summary-financial-stability-implications-artificial-intelligence-executive-summary
18. Международная организация по стандартизации, «ISO/IEC 42001:2023 — системы менеджмента AI». https://www.iso.org/standard/42001
19. Управление по финансовым услугам Дубая, «UAE регулирующие органы совместно выпускают Руководящие указания для финансовых учреждений, внедряющих обеспечивающие технологии», 15 ноября 2021 г. https://www.dfsa.ae/news/uae-regulatory-authorities-jointly-issue-guidelines-financial-institutions-adopting-enabling-technologies
20. Министерство юстиции США и Федеральная торговая комиссия, «Руководство по слияниям 2023 года», 18 декабря 2023 г. https://www.justice.gov/atr/2023-merger-guidelines