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.
3 мин
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.
Diagram illustrating the ReAct agent framework cycle showing the iterative process of Thought, Action (tool calls), and Observation steps until reaching a final answer
Важно отметить, что ИИ не принимает окончательных решений. Архитектура построена по принципу «человек в контуре управления». Агенты собирают данные, анализируют их и предоставляют структурированную информацию аналитику. Человек проверяет выводы ИИ и принимает финальное решение. Это обеспечивает необходимый уровень подотчетности перед регуляторами: в системе сохраняется полный аудиторский след каждого действия и запроса.
При разработке инфраструктуры инженеры Stripe пришли к выводу, что традиционные системы машинного обучения не подходят для агентов. Классическое машинное обучение ограничено вычислительными мощностями (процессорами и графическими ускорителями), тогда как агентные системы ограничены сетью. Агенты большую часть времени ожидают ответов от языковых моделей или внешних инструментов. Это потребовало создания отдельного микросервиса, оптимизированного под сетевые задержки и асинхронное выполнение.
Опыт Stripe демонстрирует зрелый подход к внедрению генеративного ИИ в корпоративную среду. Вместо попыток полностью заменить человека, компания сфокусировалась на устранении рутины. Разделение сложных задач на простые шаги, жесткий контроль над источниками данных и обязательное участие человека в принятии решений — это шаблон, который может быть применен в любой строго регулируемой отрасли.
Architecture diagram showing the full agentic review system including the review interface, orchestrator, agent service, LLM Proxy service, and connections to internal signals through agent tool
Diagram showing the LLM Proxy microservice architecture that provides a single API endpoint for accessing multiple foundation models with features like noisy neighbor protection, model fallbacks, and monitoring
Stripe успешно внедрила ИИ-агентов для автоматизации рутины в финансовом комплаенсе, доказав, что генеративный ИИ может работать в строго регулируемых сферах при правильной архитектуре.
Агентные ИИ-системы требуют совершенно иной инфраструктуры по сравнению с традиционным машинным обучением, так как их узким местом является не вычислительная мощность, а сетевые задержки при обращении к внешним инструментам.
