Когда корпорации объявляют о слиянии, финансовые аналитики обычно пропадают в отчетах на неделю. Нужно вычитать условия договора, оценить риски и посчитать шансы на закрытие. В инвестиционном фонде Balyasny эту рутину перестроили через агентные системы на базе подхода Claude Code: черновой пакет теперь готов меньше чем за сутки, пока сам агент тратит на сбор около тридцати минут, а финальное решение выносит эксперт.
Почему на ручной сбор уходили дни
Раньше аналитикам фонда приходилось собирать материалы вручную. Вы открываете новости, вытаскиваете условия сделки, перепроверяете базы и сводите десятки параметров в один файл. На один пакет по слияниям уходило от трех до пяти дней. Обычные диалоговые помощники здесь не спасали: они отвечают на точечный вопрос, но теряют нить рассуждений в длинном процессе из сотен шагов.
Простой диалог с нейросетью выручает при поиске факта, но бросает сложное дело на половине пути. Чтобы собрать готовый отчет, нужен автономный цикл, который сам проверяет данные и доводит работу до конца.
Как устроен рабочий контур вокруг модели
Специалисты фонда быстро поняли: одной модели мало, ей требуется надежная среда. В индустрии такой контур называют термином harness, или обвязкой. Наглядный пример — инструмент Claude Code от Anthropic. В нем вы не пишете подсказки под каждый шаг, а задаете конечную цель. Инструмент сам выполняет команды в терминале, читает файлы и не останавливается, пока задача не будет закрыта.
В фонде построили платформу BAMAgent, а для планирования и анализа взяли модель Fable 5. Если модель ошибется на этапе плана, ошибка расползется по всем финансовым таблицам.
При этом свободу модели ограничили правилами безопасности:
- Агенты обращаются только к одобренным базам и проверенным сервисам.
- Действует правило минимальных прав: модель не способна сама запросить расширение доступа.
- Любой вывод, влияющий на инвестиции, обязательно попадает на стол аналитику.
Где проходит граница между агентом и человеком
Модель не управляет рисками фонда в одиночку. Безопасность строится на строгих барьерах внутри корпоративной сети. Если агент натыкается на сомнительные цифры, он не додумывает ответ, а передает задачу человеку.
Если вы хотите понимать, как собирать надежные связки с нейросетями под реальные рабочие задачи, заглядывайте в наш канал Ковчег в Telegram и сообщество Ковчег в MAX, а системную практику без рутины мы даем на курсе по автоматизации и агентам.
Что показали замеры на реальных финансовых задачах
Фонд проверил связку на архиве из тысяч реальных задач по акциям, макроэкономике и сырью. Результат — 89,4% успешных решений против 86,1% у предыдущей модели.
Самым показательным стал блок сложных экономических задач, с которыми прошлые системы не справлялись. Новая связка закрыла их с первой попытки. Команда сначала решила, что сломалась метрика проверки, но после аудита подтвердила чистый результат.
Когда система впервые без ошибок разобрала сложный экономический сценарий, инженеры решили перепроверить тестовую среду. Скачок качества оказался настолько резким, что в него поверили только после серии повторных проверок.
На практике скорость изменилась заметно:
- Пакет по слияниям собирается меньше чем за день вместо пяти дней. Сам агент тратит на сбор около тридцати минут.
- Анализ налоговой оптимизации потребовал обойти 90 000 таблиц корпоративной базы. Агент нашел активы и выстроил систему весов глубже ручной выборки.
- Разбор заявлений центробанков у главного экономиста сократился с двух дней до получаса, но выводы формулирует человек.
Почему не получится повторить результат дома
Цифры выглядят ярко, но здесь важен контекст. Balyasny Asset Management — это фонд с активами около 38 миллиардов долларов и штатом больше двух тысяч специалистов. Их результат держится на закрытой инфраструктуре, которую команда шлифовала месяцами.
Не стоит ждать, что похожий пакет соберется дома за полчаса. Без корпоративных баз данных и строгого аудита автономный агент быстро наделает ошибок.
Главная ценность автономных систем кроется не в красивых ответах, а в экономии времени экспертов. Рутину берет на себя проверенный алгоритм, но ответственность за итоговое решение всегда несет человек.
Главные уроки для тех, кто внедряет агентов
Опыт фонда показывает, куда движется практика применения нейросетей:
- Описывайте результат, а не шаги. Позвольте агенту самому выбирать путь к цели через выданные инструменты.
- Выстраивайте строгий контур прав. Доверяйте моделям только изолированные базы и безопасные сценарии.
- Оставляйте контроль человеку. Агент готовит черновик, но инвестиционное решение принимает специалист.
