Deepak Kinger, директор зі стратегії та співзасновник EvoluteIQ — серія інтерв’ю

Deepak Kinger, директор зі стратегії та співзасновник EvoluteIQ, — досвідчений керівник у сфері технологій і бізнесу з понад двадцятирічним досвідом у трансформації підприємств, фінансових послугах, автоматизації та штучному інтелекті. У EvoluteIQ він допомагає формувати загальну стратегію компанії, водночас керуючи ключовими технологічними альянсами, партнерствами у сфері рішень, маркетингом і взаємодією з аналітиками. До того як у 2019 році стати співзасновником EvoluteIQ, Kinger обіймав керівні посади в GALE Partners, Virtusa, Sapient, Headstrong, Wipro та Mphasis. Серед його обов’язків були керування бізнесом у сфері фінансових послуг в Азійсько-Тихоокеанському регіоні, консультування керівників найвищої ланки з питань цифрової трансформації, створення нових напрямів бізнесу та керівництво масштабними технологічними проєктами. Його досвід охоплює стратегію, розвиток бізнесу, управління відносинами з клієнтами, управління прибутками та збитками (P&L), операційну діяльність і новітні технології, зокрема ШІ, машинне навчання, роботизовану автоматизацію процесів, блокчейн і науку про дані.

EvoluteIQ — компанія у сфері корпоративного ШІ та інтелектуальної автоматизації, яка допомагає організаціям автоматизувати й оркеструвати складні наскрізні бізнес-процеси. Її платформа EIQ об’єднує агентний ШІ, генеративний ШІ, автоматизацію процесів і прийняття рішень, інтелектуальну роботизовану автоматизацію процесів (RPA), обробку подій, тканину даних, аналітику, корпоративні конектори та розробку багатоканальних застосунків у середовищі з низьким рівнем кодування або без коду. Платформу створено, щоб підприємства могли підключати наявні системи, розробляти й розгортати ШІ-агентів і автоматизовані робочі процеси, відстежувати результати та масштабувати автоматизацію в таких сферах, як клієнтський досвід, фінанси, операційна діяльність, продажі й управління ланцюгами постачання. Заснована у 2019 році, EvoluteIQ розширила фокус на агентну автоматизацію підприємств завдяки таким технологіям, як AI Workbench і Agentic Mesh Architecture. У 2025 році компанія оголосила про залучення інвестиції в зростання на суму 53 мільйони доларів США в обмін на міноритарну частку. Раунд очолила Baird Capital; кошти мають підтримати глобальне розширення та подальші інвестиції в науково-дослідну діяльність EvoluteIQ у Бенгалуру.

До того як у 2019 році стати співзасновником EvoluteIQ, ви два десятиліття працювали у сферах фінансових послуг, корпоративних технологій і цифрової трансформації. З якими повторюваними проблемами у великих організаціях ви стикалися, що зрештою переконало вас у можливості створити EvoluteIQ, і що ви хотіли зробити інакше?

До створення EvoluteIQ я 25 років працював у консалтингу, значну частину цього часу допомагаючи великим фінансовим установам реалізовувати трансформаційні ініціативи. Це були як перші програми цифрового банкінгу, так і проєкти у сферах торгівлі й управління ризиками, а також ширша наскрізна трансформація. З часом я помітив, що попит на автоматизацію зростає, і ми допомагали підприємствам упроваджувати платформи найбільших постачальників.

Зрештою нас спонукала заснувати EvoluteIQ можливість перейти від упровадження чужих технологій до створення власного рішення. Ми побачили, що можна запропонувати більш інтегрований підхід до автоматизації, замість того щоб змушувати підприємства поєднувати різні технології, ліцензії та інтеграційні рівні. Це стало одним із мотивів заснувати EvoluteIQ у 2019 році.

У нашому попередньому інтерв’ю Unite.AI із вашим співзасновником Sameet Gupte він розповів про ширше бачення EvoluteIQ: перехід підприємств від автоматизації окремих завдань до автономних наскрізних операцій, спроєктованих на основі ШІ. Як управління регуляторними змінами показує, чому необхідно перейти від автоматизації окремих завдань до оркестрації цілих бізнес-процесів?

Регуляторні зміни рідко стосуються лише одного окремого завдання. У 2020 році ми розробили рішення для переходу від LIBOR. Банки зіткнулися з масштабними змінами, що впливали на наявні договори й вимагали від операційних команд, помічників юристів і бізнес-команд переглянути їх та внести необхідні зміни. Багато установ фактично намагалися розв’язати проблему, залучаючи до неї більше людей. LIBOR навчив нас, що конкретні нормативні вимоги змінюються, але основна проблема повторюється. Управління регуляторними змінами та дотримання нормативних вимог — це постійні операційні завдання.

З огляду на нещодавніші запропоновані FinCen зміни до правил боротьби з відмиванням коштів і фінансуванням тероризму (AML/CFT) ми спостерігаємо відхід від надмірно деталізованої моделі дотримання вимог за принципом «поставити галочку». Це фактично підвищує планку дотримання вимог, а не полегшує завдання, адже установам доводиться тлумачити нормативні вимоги, визначати власні ризики й з’ясовувати, що ці ризики означають для їхньої операційної моделі. Цей зсув неминуче охоплює різні підрозділи та функції організації, а не лише команди з дотримання вимог і аудиту.

Ви стверджували, що банкам слід перестати розглядати кожну масштабну регуляторну зміну як окремий трансформаційний проєкт і натомість зробити управління такими змінами постійною операційною спроможністю. Як така операційна модель виглядала б на практиці й чому фінансовим установам історично було складно її створити?

Нова операційна модель мала б виходити з того, що зміни відбуваються постійно: це вже не процес, який потрібно запускати щокварталу або щоразу, коли приходять аудитори. Розробка рішення для LIBOR показала нам: хоча певну регуляторну зміну зрештою може бути впроваджено, потреба адаптуватися нікуди не зникає. Щоб реагувати на наступну регуляторну зміну, потрібно буде зрозуміти її, перетворити вимоги на операційні завдання й оновити процеси.

Нова операційна модель також не повинна обмежуватися підрозділом комплаєнсу. У межах більш ризик-орієнтованої моделі функція комплаєнсу й надалі може відповідати за дотримання вимог, однак дедалі важливішу роль відіграватимуть операційні підрозділи, юридична служба, а в деяких випадках і функція управління ризиками контрагентів. Одна з помилок, якої можуть припуститися установи, — недооцінити, наскільки широко регуляторні зміни впливають на організацію.

Історично це було складно, адже підприємства створили фрагментовані технологічні середовища та відокремлені операційні моделі. Коли різні бізнес-підрозділи покладаються на окремі платформи RPA, BPM, звітності та інші платформи, реагування на нову вимогу саме по собі перетворюється на інтеграційний проєкт.

Коли запроваджують нове регулювання, банку може знадобитися визначити, яких клієнтів, продуктів, контрактів, систем і процесів воно стосується. У яких аспектах ШІ може суттєво поліпшити такий аналіз впливу, а які етапи процесу й надалі потребуватимуть детермінованих правил або людського судження?

ШІ може значно скоротити обсяг ручної роботи, необхідної для розуміння регуляторних змін і впровадження їх у життя. Зокрема, ШІ може допомогти аналізувати й класифікувати великі обсяги інформації та визначати, на чому саме слід зосередити увагу людей. Наприклад, інструменти EvoluteIQ для реагування на регуляторні вимоги можуть класифікувати контракти й визначати їхню пріоритетність за клієнтами та типами активів, пов’язувати ці дані з корпоративними системами й зовнішніми джерелами даних, а потім координувати подальшу роботу юридичних, ризикових та операційних підрозділів. Це дає установам змогу перейти від визначення того, що може зазнати впливу, до фактичного управління змінами, які це спричиняють, на всіх етапах процесу.

Людський контроль і нагляд залишаються вкрай важливими. У регульованому процесі є етапи, на яких установі потрібні чітко визначені бізнес-правила, умови, винятки та шляхи ескалації. На нашу думку, оптимальна модель поєднує адаптивність ШІ з детермінованою автоматизацією та людським судженням там, де це доречно. ШІ може допомагати тлумачити інформацію та виявляти питання, що потребують дій; детерміновані правила можуть визначати, як виконувати чітко визначені рішення; а винятки або рішення, що потребують судження, можна передавати відповідальній особі.

Впровадження регуляторних вимог часто охоплює юридичні, комплаєнс-, ризикові, операційні, дата- та технологічні команди. Як ШІ та оркестрація процесів можуть допомогти цим групам керуватися спільним тлумаченням регуляторних вимог, а не створювати окремі робочі процеси й потенційно суперечливі бізнес-правила?

Один із найважливіших наслідків більш ризик-орієнтованої моделі комплаєнсу полягає в тому, що відповідальність поширюється на ширше коло підрозділів організації. За підзвітність і надалі може зрештою відповідати функція комплаєнсу, однак важливу роль відіграють операційні, юридичні команди та команди з управління ризиками контрагентів. Тому установам слід не допускати, щоб упровадженням займався лише підрозділ комплаєнсу.

Саме тому ключове значення має інтегрована платформа. У великій організації в межах цієї нової моделі необхідно інтегрувати різні системи обліку та бізнес-правила, але водночас слід зважати на складнощі, пов’язані з безпекою. Єдиний підхід може зменшити ризик того, що різні підрозділи організації впроваджуватимуть ту саму зміну, використовуючи цілком окремі технологічні стеки.

Генеративний ШІ може тлумачити складні регуляторні документи, але банки не можуть дозволити собі галюцинації чи непослідовне тлумачення, коли йдеться про рішення з комплаєнсу. Які запобіжні заходи слід передбачити для систем ШІ, що використовуються для роботи з регуляторними змінами, і на яких етапах ухвалення рішень мають залишатися залученими фахівці?

По-перше, не розгортайте ШІ-агентів ізольовано: без належного управління це може призвести до неконтрольованого розростання їхньої кількості.

По-друге, можливості автоматизації в організації залежать не лише від її технічних спроможностей, а й від регуляторних вимог, приватності та того, якими даними дозволено обмінюватися згідно із законом.

Основний принцип проєктування, якого слід дотримуватися, полягає в тому, що ШІ має пришвидшувати роботу з тлумачення, але не ухвалювати рішення. За комплаєнс, як і очікують регулятори, мають відповідати конкретно визначені особи. Запобіжні заходи поділяються на дві групи: контроль за результатами роботи ШІ та продумане визначення моментів, коли рішення ухвалює людина. Кожен результат, який видає ШІ, має спиратися на авторитетне джерело, а в самій системі ШІ мають бути встановлені запобіжники для вхідних і вихідних даних.

Насамкінець, для кожного результату слід вести аудиторський слід із зазначенням вихідних положень, версій моделі та промпту, рівня впевненості, рецензента, рішення й обґрунтування.

Можливість аудиту особливо важлива у сфері фінансових послуг. Якщо ШІ допомагає тлумачити регуляторні вимоги, формувати бізнес-правила, виявляти клієнтів, яких вони стосуються, та запускати робочі процеси, як установи можуть зберегти чіткий доказовий слід, який покаже регуляторам, як саме й чому було ухвалено кожне рішення?

У галузях із жорстким регулюванням недостатньо просто документувати остаточне рішення — простежуваність має охоплювати більше. Набагато цінніше відтворити шлях, що привів до цього рішення: показати, яку інформацію використали, які правила застосували, які рішення ухвалили, що змінювали впродовж процесу, де втручалися люди та що саме вони схвалили.

Коли кілька агентів, бізнес-правил і робочих процесів взаємодіють між собою, простежуваність стає ще важливішою. Можливість аудиту слід закладати на рівні оркестрації. Журнали рішень дають змогу відстежувати ухвалені рішення, зміни правил і їхнє обґрунтування, а наскрізна простежуваність роботи агентів забезпечує видимість усього ланцюжка автономних дій.

Якщо регулятор запитає, чому з конкретним клієнтом, контрактом або транзакцією вчинили саме так, фінансова установа має мати змогу простежити результат у зворотному напрямку — через дані, правила, рішення за участю ШІ, погодження та дії, що до нього призвели. Саме так пояснюваність перестає бути питанням лише рівня моделі й перетворюється на операційну спроможність.

Великі банки працюють із застарілою інфраструктурою, що формувалася десятиліттями, а важливі дані про клієнтів і транзакції зберігаються в численних системах. Як вони можуть створити багаторазово використовуваний рівень відповідності вимогам на основі ШІ, не вдаючись до дорогої заміни всієї технологічної інфраструктури? 

Будь-яка нова корпоративна спроможність має працювати в наявній інфраструктурі. Очікувати іншого було б нерозумно. Важлива також консолідація: клієнти дедалі частіше розповідають нам, що в них є кілька платформ RPA або застаріла система BPM із кількома окремими технологіями звітування в різних підрозділах підприємства. Наші клієнти дедалі відвертіше говорять про те, що прагнуть зосередитися на інструментах і системах, які забезпечують рентабельність інвестицій, а не шукати їм заміну. Тому багаторазово використовуваний рівень відповідності вимогам має працювати в наявному технологічному середовищі, а не виходити з припущення, що всю його основу замінять.

Ви працювали з фінансовими установами впродовж кількох поколінь технологій — від традиційних основних систем до роботизованої автоматизації процесів, машинного навчання й тепер агентного ШІ. Що принципово відрізняє нинішній перехід до ШІ та де, на вашу думку, фінансові установи ризикують повторити помилки попередніх етапів автоматизації?

Попередні покоління автоматизації призначалися для завдань, які вже були чітко визначені. Основні банківські системи кодифікували записи й транзакції. RPA відтворювала послідовності натискань клавіш на екранах. Машинне навчання робило вузькоспеціалізовані прогнози на кшталт оцінювання шахрайства та кредитного ризику на основі структурованих даних із вимірюваною точністю. У кожному випадку людина або фіксоване правило визначали наступний крок, а технологія виконувала заздалегідь відомий сценарій.

Агентний ШІ змінює ситуацію в кількох аспектах:

• Він краще справляється з неструктурованою роботою, що потребує певного судження. Банки більше не просто автоматизують завдання — вони делегують досягнення результатів, а система сама обирає шлях до них.
• Він дає збої непомітно. Коли банк змінював макет екрана, бот RPA гучно ламався, і хтось його виправляв. Мовна модель натомість може дати хибну, але побіжно переконливу, правдоподібну й упевнену відповідь. Це проблема.
• Її робота має ймовірнісний характер, тому вкрай важливо спирати її на контекст підприємства, щоб уникнути галюцинацій.
• Нарешті, створювати за допомогою ШІ стало дешево, і тепер бізнес-користувачі можуть за один день створити робочих агентів. Раніше автоматизацію обмежували можливості ІТ-підрозділів; тепер вузьким місцем стала спроможність до управління.

Фінансовим установам також слід подбати, щоб уроки епохи традиційної автоматизації не були забуті. Ось кілька прикладів:

• Автоматизація недосконалих процесів. Найбільшим спадком RPA стали тисячі ботів, накладених на процеси, які ніхто не переробив. У результаті накопичився крихкий технічний борг, за підтримку якого банки досі платять. Якщо додати агентів до тих самих розрізнених робочих процесів, це буде повторенням помилки на вищому рівні складності. Банкам спершу слід перебудувати роботу, а вже потім вирішувати, що делегувати.
• Погоня за показниками заради показників. Без фінансованого плану переходу до промислової експлуатації проєкти з підтвердження концепції заходять у глухий кут. Підрахунок розгорнутих агентів повторює звичку RPA рахувати ботів замість того, щоб вимірювати реальні бізнес-результати.
• Недостатні інвестиції у фундамент даних. Машинне навчання показало, що якість моделі обмежена якістю даних. Якщо агенти отримуватимуть інформацію із застарілих політик, дубльованих документів або суперечливих джерел, вони впевнено робитимуть висновки, спираючись на хибні передумови.

Якщо зазирнути в майбутнє, чи вважаєте ви, що дотримання регуляторних вимог розвиватиметься в напрямі безперервного або навіть частково автономного комплаєнсу, коли системи ШІ виявлятимуть зміни в регулюванні, оцінюватимуть їхній вплив, оновлюватимуть робочі процеси й передаватимуть на розгляд лише винятки, що потребують людського судження? Що має статися, перш ніж банки й регулятори будуть готові до такого рівня автономності?

Так, але автономність запроваджуватиметься поетапно. Виявлення змін, їх первинне опрацювання, визначення сфери впливу та оновлення робочих процесів у разі чітко визначених змін здебільшого відбуватимуться безперервно й автоматично. Тлумачення неоднозначних правил, прийняття ризику та визначення позицій щодо регулювання залишаться за людьми. Реалістичним кінцевим результатом є «автономність під наглядом»: машини типово виконують повний цикл, а люди втручаються лише у виняткових випадках.

Щоб це стало можливим, регуляторам також потрібно публікувати правила у структурованих форматах із зазначенням версії, спираючись на такі ініціативи, як робота FCA та Банку Англії над цифровою звітністю щодо дотримання регуляторних вимог.

Також потрібно передбачити в системах виконання можливість скасування змін і аварійні вимикачі, щоб автоматизовані зміни робочих процесів можна було легко відкотити в разі виявлення аномалій, зростання рівня помилок або змін у моделях. Упевненість керівників зростатиме швидше, якщо вони самі користуватимуться подібними інструментами. Це сформує спільну мову для тестування, а з часом, можливо, дасть змогу здійснювати безпосередній нагляд між машинами.

Дякуємо за чудове інтерв’ю! Читачам, які хочуть дізнатися більше, варто відвідати EvoluteIQ.