Дипак Кингер, директор по стратегии и сооснователь EvoluteIQ — серия интервью

Дипак Кингер, директор по стратегии и сооснователь EvoluteIQ, — опытный руководитель в сфере технологий и бизнеса с более чем двадцатилетним стажем работы в области трансформации предприятий, финансовых услуг, автоматизации и искусственного интеллекта. В EvoluteIQ он участвует в формировании общей стратегии компании и руководит ключевыми технологическими альянсами, партнерствами в области решений, маркетингом и взаимодействием с отраслевыми аналитиками. До основания EvoluteIQ в 2019 году вместе с партнером Кингер занимал руководящие должности в GALE Partners, Virtusa, Sapient, Headstrong, Wipro и Mphasis. В круг его обязанностей входили управление подразделениями финансовых услуг в Азиатско-Тихоокеанском регионе, консультирование руководителей высшего звена по вопросам цифровой трансформации, создание новых направлений бизнеса и руководство масштабными технологическими проектами. Его опыт охватывает стратегию, развитие бизнеса, управление отношениями с клиентами, управление прибылью и убытками (P&L), операционную деятельность и новые технологии, включая ИИ, машинное обучение, роботизацию процессов, блокчейн и науку о данных.

EvoluteIQ — компания, работающая в сфере корпоративного ИИ и интеллектуальной автоматизации. Она помогает организациям автоматизировать сложные бизнес-процессы от начала до конца и управлять ими. Платформа EIQ объединяет агентный ИИ, генеративный ИИ, автоматизацию процессов и принятия решений, интеллектуальную роботизацию процессов (RPA), обработку событий, ткань данных, аналитику, корпоративные коннекторы и разработку многоканальных приложений в среде с низким или отсутствующим программированием. Платформа позволяет предприятиям связывать существующие системы, создавать и развертывать ИИ-агентов и автоматизированные рабочие процессы, отслеживать результаты и масштабировать автоматизацию в таких областях, как клиентский опыт, финансы, операционная деятельность, продажи и управление цепочками поставок. Основанная в 2019 году, EvoluteIQ расширила свою деятельность, сосредоточившись на агентной автоматизации предприятий и внедряя такие технологии, как AI Workbench и Agentic Mesh Architecture. В 2025 году компания объявила о привлечении инвестиций в размере 53 млн долларов в обмен на миноритарную долю. Раунд возглавила Baird Capital; средства предназначены для поддержки глобального расширения и дальнейших инвестиций в научно-исследовательские и опытно-конструкторские работы компании в Бенгалуру.

До основания EvoluteIQ вместе с партнером в 2019 году вы два десятилетия работали в сфере финансовых услуг, корпоративных технологий и цифровой трансформации. С какими повторяющимися проблемами вы сталкивались в крупных организациях, что в итоге убедило вас в возможности создать EvoluteIQ и какой подход вы хотели применить вместо прежнего?

До EvoluteIQ я 25 лет работал консультантом, причем значительная часть моей работы была связана с поддержкой трансформационных инициатив в крупных финансовых учреждениях. Это были как ранние проекты в сфере цифрового банкинга, так и проекты, связанные с торговлей, управлением рисками и более масштабной комплексной трансформацией. Со временем я заметил растущий спрос на автоматизацию, и мы помогали предприятиям внедрять платформы крупнейших поставщиков.

В конечном счете начать работу над EvoluteIQ нас побудила возможность перейти от внедрения чужих технологий к созданию собственного решения. Мы увидели потенциал более комплексного подхода к автоматизации, при котором предприятиям не пришлось бы объединять множество технологий, лицензий и интеграционных уровней. Это стало одной из причин, по которым мы основали EvoluteIQ в 2019 году.

В нашем предыдущем интервью Unite.AI с вашим сооснователем Самитом Гупте он рассказал о более широком видении EvoluteIQ: переходе от автоматизации отдельных задач к автономной работе предприятий от начала до конца на основе ИИ. Как управление изменениями в нормативных требованиях показывает, почему необходим переход от автоматизации отдельных задач к координации целых бизнес-процессов?

Изменения в нормативных требованиях редко затрагивают только одну отдельную задачу. В 2020 году мы создали решение для перехода от LIBOR. Банки столкнулись с масштабными изменениями, затронувшими действующие договоры и потребовавшими от операционных команд, помощников юристов и бизнес-подразделений проверить договоры и внести необходимые изменения. Многие учреждения фактически пытались решить проблему, просто привлекая больше сотрудников. Опыт работы с переходом от LIBOR показал нам, что конкретные нормативные требования меняются, но лежащая в основе проблема повторяется. Изменение нормативных требований и соблюдение норм — это постоянные операционные задачи.

В связи с недавними предложениями FinCen по изменению требований к борьбе с отмыванием денег и финансированием терроризма (AML/CFT) мы наблюдаем отход от жестко предписанной модели соблюдения требований по принципу «отметить пункт в списке». На деле это повышает планку, а не упрощает соблюдение требований: учреждениям приходится толковать нормативные положения, формулировать собственные риски и определять, что эти риски означают для их операционной модели. Такой сдвиг неизбежно затрагивает различные подразделения и функции организации, а не только команды по соблюдению требований и аудиту.

Вы утверждали, что банкам следует перестать воспринимать каждое крупное изменение нормативных требований как новый проект трансформации и вместо этого сделать работу с такими изменениями постоянной частью операционной деятельности. Как такая операционная модель выглядела бы на практике и почему финансовым учреждениям исторически было трудно ее создать?

Новая операционная модель должна исходить из того, что изменения происходят постоянно: это уже не процесс, который нужно запускать ежеквартально или только тогда, когда на пороге появляются аудиторы. Разработка решения для LIBOR показала нам: даже если в конечном итоге удается внедрить одно регуляторное изменение, необходимость адаптироваться никуда не исчезает. Чтобы подготовиться к следующему изменению регулирования, потребуется разобраться в его сути, перевести его требования в операционные задачи и обновить процессы.

Новая операционная модель не должна замыкаться только на функции комплаенса. В рамках более риск-ориентированной модели функция комплаенса по-прежнему может нести конечную ответственность за соблюдение требований, однако возрастает роль операционных подразделений, юридической службы, а в некоторых случаях и управления рисками контрагентов. Одна из ошибок, которую могут допустить организации, — недооценить, насколько широко регуляторные изменения затрагивают всю организацию.

Исторически это было сложно, поскольку компании накапливали разрозненные технологические системы и выстраивали изолированные операционные модели. Если разные бизнес-подразделения используют отдельные платформы RPA, BPM, отчетности и другие системы, реагирование на новое требование само по себе превращается в интеграционный проект.

При введении нового нормативного акта банку может потребоваться определить, каких клиентов, продуктов, договоров, систем и процессов он касается. В каких аспектах ИИ может существенно повысить эффективность такого анализа последствий, а где в процессе по-прежнему необходимы детерминированные правила или человеческое суждение?

ИИ может значительно сократить объем ручной работы, необходимой для понимания и внедрения регуляторных изменений. В частности, ИИ помогает анализировать и классифицировать большие объемы информации, а также определять, на каких аспектах следует сосредоточить внимание людей. Например, возможности EvoluteIQ для реагирования на регуляторные изменения позволяют классифицировать договоры и определять их приоритетность по клиенту и типу актива, связывать эту информацию с корпоративными системами и внешними источниками данных, а затем координировать дальнейшую работу юридической службы, подразделений по управлению рисками и операционных подразделений. Благодаря этому организации могут перейти от выявления возможных последствий к управлению вызванными изменениями на всех этапах процесса.

Контроль и надзор со стороны человека по-прежнему необходимы. В регулируемых процессах есть этапы, для которых организации нужны четко определенные бизнес-правила, условия, исключения и порядок эскалации. Мы считаем, что оптимальная модель сочетает адаптивность ИИ с детерминированной автоматизацией и человеческим суждением там, где это уместно. ИИ помогает интерпретировать информацию и выявлять ситуации, требующие действий; детерминированные правила определяют порядок выполнения решений, принятых в соответствии с установленными критериями; а исключения и решения, требующие суждения, передаются соответствующему специалисту.

Внедрение регуляторных требований часто затрагивает юридические службы, подразделения комплаенса, управления рисками, операционной деятельности, данных и технологий. Как ИИ и координация процессов могут помочь этим группам опираться на единое толкование нормативного акта, а не создавать отдельные рабочие процессы и потенциально противоречащие друг другу бизнес-правила?

Одно из важнейших последствий более риск-ориентированной модели комплаенса — распределение ответственности между большим числом подразделений организации. Конечная ответственность по-прежнему может лежать на функции комплаенса, но важную роль также играют операционные подразделения, юридическая служба и команды по управлению рисками контрагентов. Поэтому организациям необходимо не допускать, чтобы внедрение требований рассматривалось как задача, которую функция комплаенса может выполнить в одиночку.

Именно поэтому интегрированная платформа имеет ключевое значение. В крупной организации при переходе к такой модели необходимо объединить различные системы учета и бизнес-правила, а также учесть связанные с этим сложности обеспечения безопасности. Единый подход позволяет снизить риск того, что разные подразделения будут внедрять одно и то же изменение с помощью совершенно отдельных технологических платформ.

Генеративный ИИ способен интерпретировать сложные нормативные документы, однако банки не могут допустить галлюцинаций или противоречивых толкований при принятии решений в сфере комплаенса. Какие меры защиты следует предусмотреть для систем ИИ, используемых при работе с регуляторными изменениями, и на каких этапах принятия решений должны оставаться эксперты-люди?

Во-первых, не следует внедрять ИИ-агентов изолированно: без надлежащего управления это может привести к неконтролируемому разрастанию их числа.

Во-вторых, возможности организации по автоматизации ограничиваются не только ее техническим потенциалом, но и нормативными требованиями, правилами конфиденциальности и ограничениями на передачу данных, установленными законом.

Основной принцип проектирования, которого необходимо придерживаться, заключается в том, что ИИ должен ускорять работу по интерпретации требований, но не принимать решения. Как того ожидают регулирующие органы, за соблюдение требований должны отвечать конкретно назначенные сотрудники. Меры защиты делятся на две группы: контроль результатов, которые выдает ИИ, и продуманное включение в процесс этапов принятия решений человеком. Каждый результат, созданный ИИ, должен опираться на авторитетный источник, а в самой системе ИИ необходимо предусмотреть ограничения и проверки для входных данных и результатов.

Наконец, для каждого результата следует вести аудиторский след, фиксируя исходные положения нормативных документов, версии модели и запросов, уровень уверенности, имя проверяющего, принятое решение и его обоснование.

В финансовой сфере возможность аудита особенно важна. Если ИИ помогает толковать нормативные требования, формировать бизнес-правила, выявлять затронутых клиентов и запускать рабочие процессы, как организации могут сохранить четкий документальный след, который позволит показать регулирующим органам, как и почему было принято каждое решение?

В отраслях со строгим регулированием недостаточно просто документировать окончательное решение — необходимо обеспечить прослеживаемость всего процесса. Гораздо ценнее видеть восстановленную последовательность событий, приведших к этому решению: какие сведения использовались, какие правила применялись, какие решения принимались, что менялось в ходе процесса, на каких этапах вмешивались люди и что именно они одобряли.

Когда взаимодействуют несколько агентов, бизнес-правила и рабочие процессы, прослеживаемость становится ещё важнее. Возможность аудита должна быть заложена в уровень оркестрации. Журналы принятия решений позволяют отслеживать сами решения, изменения правил и их обоснование, а сквозная прослеживаемость работы агентов обеспечивает прозрачность всей цепочки автономных действий.

Если регулятор спросит, почему с конкретным клиентом, договором или транзакцией обошлись определённым образом, финансовое учреждение должно иметь возможность проследить путь к этому результату через данные, правила, решения, принятые с помощью ИИ, согласования и действия, которые к нему привели. Именно так объяснимость из вопроса, касающегося только модели, превращается в операционную возможность.

Крупные банки работают на инфраструктуре, создававшейся десятилетиями, а важнейшие данные о клиентах и транзакциях распределены по множеству систем. Как им создать универсальный уровень обеспечения соответствия требованиям с применением ИИ, не пытаясь дорогостоящим способом заменить весь технологический комплекс? 

Любая новая корпоративная возможность должна работать в рамках существующей инфраструктуры. Ожидать иного было бы неразумно. Важна и консолидация: клиенты всё чаще рассказывают нам, что используют несколько платформ RPA или устаревшую BPM-систему, а также множество отдельных технологий для формирования отчётности во всей организации. Наши клиенты всё активнее говорят о том, что хотят сосредоточиться на инструментах и системах, приносящих окупаемость инвестиций, а не искать им замену. Поэтому универсальный уровень обеспечения соответствия требованиям должен работать в рамках существующей инфраструктуры, а не исходить из предположения, что все лежащие в её основе системы будут заменены.

Вы работали с финансовыми учреждениями на протяжении нескольких поколений технологий — от традиционных базовых систем до роботизированной автоматизации процессов, машинного обучения и нынешнего агентного ИИ. В чём принципиальное отличие текущего перехода к ИИ и где, по-вашему, финансовые учреждения рискуют повторить ошибки предыдущих циклов автоматизации?

Предыдущие поколения средств автоматизации предназначались для уже чётко определённых задач. Основные банковские системы формализовали учётные записи и транзакции. RPA-системы программировали нажатия клавиш и действия на экране. Машинное обучение выдавало узкоспециализированные прогнозы — например, оценки вероятности мошенничества и кредитного риска — на основе структурированных данных с измеримой точностью. Во всех этих случаях дальнейшие действия определял человек или фиксированное правило, а технология выполняла заранее известную последовательность операций.

Агентный ИИ меняет ситуацию по нескольким причинам:

• Он эффективнее справляется с неструктурированной работой, требующей суждений. Банки больше не просто автоматизируют задачи — они делегируют достижение результатов, а система сама выбирает путь к ним.
• Сбои происходят незаметно. Когда банк менял расположение элементов на экране, RPA-бот явно переставал работать, и кто-то его чинил. Языковая модель, выдающая неверный ответ, формулирует его бегло, правдоподобно и уверенно. Это проблема.
• Её поведение носит вероятностный характер, поэтому крайне важно привязать её к контексту предприятия, чтобы избежать галлюцинаций.
• Наконец, разработка с помощью ИИ стала дешёвой, и теперь бизнес-пользователи могут за один день создать работающих агентов. Раньше автоматизация упиралась в возможности ИТ-отдела; теперь ограничивающим фактором стала способность организации к управлению и контролю.

Финансовым учреждениям также следует следить за тем, чтобы уроки традиционной эпохи автоматизации не были забыты. Вот некоторые примеры:

• Автоматизация неэффективных процессов. Главное наследие RPA — тысячи ботов, наложенных на процессы, которые никто не переработал. Это привело к хрупкому техническому долгу, обслуживание которого банки продолжают оплачивать. Размещение агентов поверх тех же разрозненных рабочих процессов повторяет эту ошибку на более высоком уровне сложности. Сначала банкам следует пересмотреть организацию работы и лишь затем решать, что делегировать.
• Погоня за показателями ради красивого отчёта. Проверка концепции заходит в тупик, если нет финансируемого плана внедрения в промышленную эксплуатацию. Подсчёт развёрнутых агентов повторяет привычку эпохи RPA считать ботов вместо того, чтобы измерять реальные результаты для бизнеса.
• Недостаточные инвестиции в основы работы с данными. Машинное обучение показало, что качество модели ограничено качеством данных. Агенты, которые извлекают сведения из устаревших политик, дублирующих друг друга документов или противоречивых источников, будут уверенно рассуждать, опираясь на ошибочные предпосылки.

Как вы считаете, будет ли в будущем соблюдение нормативных требований развиваться в сторону непрерывного или даже частично автономного процесса, при котором системы ИИ обнаруживают изменения в регулировании, оценивают их влияние, обновляют рабочие процессы и передают на рассмотрение лишь исключительные случаи, требующие человеческого суждения? Что должно произойти, прежде чем банки и регуляторы будут готовы к такому уровню автономности?

Да, но автономность будет внедряться поэтапно. Выявление изменений, их первичная оценка, определение последствий и обновление рабочих процессов при чётко определённых изменениях станут в значительной степени непрерывными и автоматизированными. Толкование неоднозначных правил, принятие рисков и определение позиции по вопросам регулирования останутся за людьми. Реалистичная конечная цель — «автономность под надзором»: машины по умолчанию выполняют весь цикл, а люди вмешиваются в исключительных случаях.

Чтобы это стало возможным, регулирующим органам также необходимо публиковать правила в структурированных форматах с указанием версий, развивая такие инициативы, как работа FCA и Банка Англии по цифровой регуляторной отчетности.

Также необходимо встроить в системы исполнения возможность отмены изменений и механизмы аварийного отключения, чтобы автономные изменения рабочих процессов можно было легко откатить при обнаружении аномалий, ошибок или изменений модели. Уверенность будет расти быстрее, если надзорные органы будут сами пользоваться аналогичными инструментами. Это создаст общий язык для тестирования и, возможно, со временем позволит машинам напрямую контролировать друг друга.

Спасибо за это замечательное интервью! Читатели, желающие узнать больше, могут посетить сайт EvoluteIQ.