ИИ для кредитного аналитика: как ускорить работу с документами, не передавая машине решение

Кредитный анализ — функция, где скорость важна, но цена ошибки слишком высока. Аналитик работает с отчетностью, ковенантами, обеспечением, KYC-анкетами, бизнес-моделью заемщика, условиями сделки, внутренними бенчмарками, просрочками и материалами для комитета.

Большая часть этой работы требует профессиональной оценки. Но до нее есть длинный подготовительный слой: собрать документы, перенести показатели, найти условия, оформить черновик заключения, подготовить вопросы, проверить противоречия и собрать сводку по рискам.

Именно этот слой хорошо подходит для ИИ. Технология ускоряет подготовку материалов, но финансовое решение остается за человеком.

Что можно ускорить

Первый сценарий — черновик кредитного заключения. ИИ может собрать документ по шаблону: описание заемщика, структура сделки, ключевые условия, выявленные риски, источники информации и вопросы для дополнительной проверки. Аналитик получает не пустой лист, а основу для работы.

Второй сценарий — извлечение финансовых показателей. Отчетность часто приходит в pdf, таблицах и пакетах документов. ИИ может перенести выручку, EBITDA, долг, денежные потоки и другие поля в структурированный формат. Но расчеты, коэффициенты и контрольные суммы должны проверяться отдельно.

Третий сценарий — работа с ковенантами, залогами и условиями мониторинга. В документах важно не пропустить ограничения, сроки, обременения, условия пересмотра и обязанности заемщика. ИИ может извлечь эти элементы и показать ссылки на источники. Из-за высокой цены ошибки здесь нужна двойная проверка.

Еще один полезный сценарий — чек-лист недостающих документов. Система может сравнить пакет с требованиями по типу сделки и показать, каких материалов не хватает. Это ускоряет возврат пакета на доработку и снижает риск, что важный документ обнаружится слишком поздно.

Где ИИ помогает видеть риски

ИИ может собрать одностраничную сводку рисков, подготовить вопросы менеджменту заемщика, объяснить драйверы уже рассчитанных показателей или выделить ранние сигналы ухудшения качества портфеля.

Например, если по заемщику появились просрочки, отклонения от плановых показателей или новые инциденты, система может собрать краткую сводку и показать, почему кейс требует внимания. Но такой сигнал должен быть объяснимым и привязанным к данным.

ИИ также может помочь найти противоречия между текстовой частью заключения и цифрами, подготовить структуру материалов для кредитного комитета или обновить периодический обзор заемщика по свежим вводным.

Чего ИИ делать не должен

ИИ не должен одобрять сделку, рассчитывать лимит, присваивать рейтинг, делать финальный вывод о кредитоспособности или принимать решение по исключению из ковенантов.

Если система объясняет коэффициенты, она должна опираться на уже рассчитанные метрики. Если предлагает стресс-сценарии, они должны быть обозначены как гипотезы. Если выделяет риск, он должен быть связан с источником, а не с общей интерпретацией.

Кредитная функция работает с чувствительными данными: финансовой отчетностью, внутренними рейтингами, KYC, обеспечением, договорными условиями и материалами комитетов. Для таких сценариев нужны строгие политики доступа, изоляция контекста, маскирование и контроль раскрытия информации.

Как внедрять

Globus Consulting рекомендует начинать с процессов, где ИИ помогает подготовить данные, но не влияет на само решение. Это извлечение информации из отчетности, нормализация данных из pdf, чек-листы документов, черновики заключений, сводки по рискам и поиск противоречий.

Дальше можно подключать более сложные сценарии: извлечение ковенант, обновление периодических обзоров, план мониторинга, объяснение рейтинговой модели, анализ ESG-рисков и чат по кредитной политике.

Для кредитного анализа ценность ИИ не в том, чтобы «заменить аналитика». Его роль — быстрее собрать основу для решения, снизить ручную нагрузку и помочь не упустить важные детали. Решение остается у аналитика, комитета и утвержденной методологии.

Промпты для автоматизации функций кредитного аналитика

Эти промпты подойдут практически для любой современной большой языковой модели, которая умеет работать с длинными документами и соблюдать формат вывода: ChatGPT (GPT-4.1, GPT-5 и другие актуальные модели), Claude (особенно хорошо работает с договорами и длинными документами), Gemini.

1. Черновик кредитного заключения

Пример промпта: Подготовь черновик кредитного заключения на основе предоставленных материалов заемщика и шаблона банка. Не принимай финансовое решение. Если данных не хватает, перечисли вопросы для аналитика.

Strict: Верни результат по секциям:

{
"borrower_summary": "",
"deal_structure": "",
"financial_overview": "",
"key_risks": [],
"mitigants": [],
"open_questions": [],
"documents_used": [],
"human_decision_required": true
}

2. Извлечение финансовых показателей из отчетности

Пример промпта: Извлеки из финансовой отчетности ключевые показатели: выручку, EBITDA, чистую прибыль, долг, денежные средства, капитал, операционный денежный поток и период отчетности. Не рассчитывай коэффициенты самостоятельно.

Strict: Верни только валидный JSON:

{
"reporting_period": "",
"revenue": "",
"ebitda": "",
"net_profit": "",
"total_debt": "",
"cash": "",
"equity": "",
"operating_cash_flow": "",
"source_pages": [],
"fields_to_verify": []
}

3. Извлечение ковенант и условий мониторинга

Пример промпта: Найди в кредитной документации все ковенанты и условия мониторинга. Для каждого условия укажи формулировку, контрольную дату, источник, последствия нарушения и ответственного за мониторинг.

Strict: Верни JSON:

{
"covenants": [
{
"covenant": "",
"threshold": "",
"monitoring_date": "",
"source_quote": "",
"breach_consequence": "",
"monitoring_owner": ""
}
],
"requires_double_check": true
}