Опыт Stripe в автоматизации комплаенса: как AI-агенты экономят время без потери контроля
Stripe разработала систему ИИ-агентов на базе Amazon Bedrock для проверки финансовых операций. Это сократило время рутинных проверок на 26%, сохранив за человеком право финального решения.
Платежная система Stripe, обрабатывающая около 1,4 триллиона долларов ежегодно в 50 странах, столкнулась с классической проблемой роста. С увеличением объема транзакций пропорционально возрастает нагрузка на отделы комплаенса, задачей которых является выявление финансовых преступлений. Чтобы решить эту проблему без бесконечного расширения штата, компания внедрила систему искусственного интеллекта на базе агентной архитектуры, что позволило сократить время обработки проверок на 26%.
Исторически специалисты по комплаенсу тратили до 80% своего рабочего времени на сбор документации из разрозненных систем, и лишь малую часть — на сам анализ рисков. Традиционная автоматизация плохо справляется с задачами, требующими контекстного суждения. Поэтому Stripe обратилась к ИИ-агентам, способным проводить предварительные расследования, сохраняя при этом прозрачность и возможность аудита.
Diagram showing the review orchestration flow where human reviewers interact with review tooling that orchestrates questions as a Directed Acyclic Graph, with agent responses provided as supplementary information
Основой технического решения стал фреймворк ReAct (reasoning and acting — рассуждение и действие). В отличие от простых запросов к большим языковым моделям (LLM), агент ReAct динамически собирает необходимые данные через вызовы внешних инструментов. Когда агенту не хватает информации, он формирует гипотезу, обращается к базе данных или API, получает результат (наблюдение) и только после этого продолжает рассуждение. Этот цикл жестко контролируется: система заставляет агента опираться исключительно на полученные факты, что предотвращает галлюцинации и отклонения от логики расследования.
Ключевым архитектурным решением стала декомпозиция задач. Вместо того чтобы поручать агенту весь сложный процесс проверки целиком, Stripe разбила его на небольшие взаимосвязанные подзадачи, выстроенные в виде направленного ациклического графа (DAG). Это ограничивает фокус агента на конкретном вопросе, повышает качество ответов и снижает вероятность ошибок. Кроме того, такой подход позволяет эффективно использовать кэширование промптов в Amazon Bedrock. Поскольку контекст сохраняется между шагами, кэширование существенно снижает затраты на токены, которые являются основной статьей расходов в подобных системах.
