Здравствуйте и добро пожаловать в Eye on AI. В этом выпуске…Китай блокирует покупку Manus компанией Meta…OpenAI не дотягивает до целей по выручке и темпам роста…Anthropic демонстрирует, что ИИ-модели могут продвигать исследования по безопасности ИИ…решение сенатора Берни Сандерса пригласить китайских экспертов по ИИ на панель в Капитолии вызывает раздражение у «ястребов» по Китаю.
В гонке за корпоративными клиентами и OpenAI, и Anthropic активно нацеливаются на финансовые компании. Это логично: как в той старой шутке о том, почему грабители идут в банки — там сосредоточены деньги. У OpenAI, по слухам, есть целый «взвод» бывших инвестиционных аналитиков, которые помогают создавать ещё не запущенный агентный продукт для финансового анализа. Anthropic, со своей стороны, разворачивает навыки финансового моделирования для линейки Claude Code, Cowork и Claude for Finance. Стартап Samaya AI тоже строит инструменты на базе ИИ для финансового сектора. Параллельно появляются и новые ИИ-сервисы финансового консультирования — об этом мой коллега Джефф Джон Робертс подробно писал в this полезном недавнем материале.
Однако «прародителем» специализированных финансовых данных и аналитики, разумеется, остаётся Bloomberg. Доступ к «терминалу» — так компания называет свой ключевой продукт (хотя данные уже давно не приходят через отдельное устройство) — по-прежнему считается de rigueur инструментом для трейдеров, инвестбанкиров и квантов хедж-фондов.
Продукты Bloomberg выдержали конкуренцию со множеством претендентов с момента основания в 1981 году. Но сегодня ИИ резко усиливает давление: соперники внедряют функции на базе ИИ, а модели позволяют быстро поглощать и анализировать сложные массивы данных — от котировок облигаций до стенограмм отчётных звонков, от социальных сетей до спутниковых снимков — которые раньше в одном месте консолидировал почти исключительно Bloomberg. Кроме того, клиенты Bloomberg всё чаще могут использовать ИИ для моделей и расчётов, ради которых раньше им нужен был терминал.
Долгие годы максимальная отдача от терминала требовала, чтобы трейдеры держали в голове запутанный набор трёх- и четырёхбуквенных команд и клавиатурных сокращений, каждое из которых открывало отдельную функцию, инструмент или набор данных. Когда я работал репортёром в Bloomberg News, все новички проходили целую неделю обучения — и это покрывало лишь малую часть команд, то есть минимальный набор, необходимый для нашей работы.
Ещё до того, как я ушёл из компании в Fortune в 2019 году, Bloomberg уже начал применять машинное обучение и большие языковые модели, чтобы сделать доступ к возможностям гораздо более естественным, а также запускать новые форматы анализа данных. С тех пор эти инициативы только ускорились — особенно после появления генеративных чат-ботов в 2022 году и последнего рывка в агентном ИИ.
Я время от времени писал о прогрессе Bloomberg в сфере ИИ here на страницах Fortune. Но даже так я был удивлён, когда посетил недавний «AI in Finance Summit» в лондонском офисе компании, где Bloomberg демонстрировал свой новый инструмент AskB, который компания называет самым крупным переосмыслением терминала за всю историю Bloomberg. AskB позволяет пользователям «разговаривать» с терминалом на естественном языке, чтобы находить функции и данные, но на этом дело не заканчивается. Система ведёт себя как агент: она собирает инвестиционные скринеры и «на лету» формирует полноценные исследовательские отчёты — включая сложное финансовое моделирование, а также бычьи и медвежьи сценарии по конкретным акциям.
AskB опирается на набор моделей «под капотом»: часть из них создаёт сам Bloomberg, а часть поставляют компании frontier-уровня, такие как Anthropic. Это хороший сигнал, что Bloomberg всерьёз воспринимает угрозу со стороны ИИ-нативных стартапов. Я поговорил с Шоном Эдвардсом, техническим директором Bloomberg, чтобы понять, как создавался AskB. Во многом его ответы — полезные ориентиры для любых предприятий, пытающихся заставить агентный ИИ приносить осязаемую бизнес-ценность.
Данные как ключевое конкурентное преимущество
Первый вывод: данные по-прежнему остаются главным отличием. AskB использует Bloomberg News, аналитические материалы sell-side от более чем 800 провайдеров, рыночные данные и всё больше так называемых «альтернативных наборов данных», которые сложно или дорого добывать. Сюда входят, например, анонимизированные транзакции по картам, показатели посещаемости магазинов на основе сигналов мобильных устройств, спутниковые снимки парковок и статистика использования приложений. Значительная часть этих данных не является эксклюзивом Bloomberg — компания покупает их у внешних источников. Но когда всё это собрано в одной системе, агент AskB способен на мощные сценарии, объясняет мне Эдвардс: например, он может сопоставлять данные с бизнес-сегментами, о которых публичная компания отчитывается, и тем самым «насказывать» квартальные KPI. Эдвардс приводит пример: перед звонком Sweetgreen по итогам четвёртого квартала 2025 года альтернативные данные явно указывали, что сеть не дотянет до консенсус-прогноза аналитиков по прибыли — что в итоге и произошло. Это показательный кейс силы интеграции данных в одном месте.
Когда я спросил, не могут ли клиенты просто сами загрузить такие данные в ИИ-модели и выполнять анализ без подписки Bloomberg, которая стоит примерно $30 000 в год на пользователя, Эдвардс ответил, что некоторые пробовали — и быстро поняли, что реальность сложнее. «Нужно купить все источники, провести валидацию, построить бенчмарки — и токены тоже недёшевы. Большинство клиентов говорит: “Отлично, Bloomberg, делайте это вы. А я сосредоточусь на своих [торговых стратегиях]”.»
Это не означает, что ИИ не помогает. По словам Эдвардса, ИИ-агенты радикально ускорили то, как Bloomberg создаёт наборы данных. Процессы ingestion, которые раньше занимали четыре с половиной месяца, теперь укладываются в два дня. Благодаря этому большие команды, ранее занятые вводом и очисткой данных, частично перевели на создание внутренних оценочных контуров и тестов.
Внутренние оценки: основа доверия и ROI
Отсюда второй урок: чтобы агентный ИИ давал окупаемость, нужны сильные внутренние оценки (evaluations). «Оценки — не могу подчеркнуть достаточно — это то, что решает, будет ли система полезной и заслуживающей доверия», — говорит Эдвардс, называя фокус на построении таких оценок одним из крупнейших культурных сдвигов Bloomberg за последние два года.
Сделать качественные evaluations трудно — и это дорого. Нужна тесная работа доменных специалистов (в данном случае экспертов по ковенантам облигаций, аналитиков по акциям, специалистов по рыночной структуре и даже журналистов Bloomberg) вместе с инженерами и продуктовой командой. Bloomberg был готов отвлекать таких экспертов от их основных задач, чтобы они писали бенчмарки для субагентов и помогали оценивать целые рабочие цепочки. Использование самих ИИ-моделей как оценщиков подходит для простых кейсов, отмечает Эдвардс. Но во всех остальных случаях необходимы люди-ассессоры. В процессе построения оценок Bloomberg, по его словам, фактически «упаковывает» tacit knowledge своих экспертов в то, как работают ИИ-агенты.
Снижение затрат через сочетание нескольких моделей
Третий урок — жёсткая дисциплина по затратам. А это означает, что рабочие процессы должны быть мультимодельными. AskB использует смесь коммерческих frontier-моделей и open-weight моделей, а также собственные внутренние модели Bloomberg; система маршрутизирует запросы к самой дешёвой модели, которая способна выполнить задачу с нужной надёжностью и качеством, говорит Эдвардс.
И наконец, следующий рубеж — проактивность. Когда я спросил, что дальше, Эдвардс указал на agent-to-agent взаимодействия и постоянный мониторинг данных. Он хочет, чтобы Bloomberg стал «глазами и ушами» финансовых клиентов: следил за миром через призму позиций, мандата и стратегии каждого клиента и поднимал не только очевидные сигналы, но и эффекты второго и третьего порядка. Наводнение выводит из строя фабрику, которая выпускает детали для поставщика компании, по которой у вас длинная позиция; в видении Эдвардса AskB должен предупредить об этом до того, как вам вообще придёт в голову спросить.
Реализовать такую картину будет непросто. Но именно к подобным проактивным, постоянно работающим агентам стремятся многие бизнесы. Bloomberg демонстрирует важные шаги на этом пути.
Ок, на этом всё — а теперь новости ИИ за эту неделю.
Jeremy Kahn
[email protected]
@jeremyakahn
Но прежде чем перейти к новостям: хотите лучше понять, как ИИ, вероятно, изменит вашу отрасль? Хотите услышать мнения самых дальновидных руководителей в техсекторе и пообщаться с сильнейшими инвесторами, мыслителями и создателями продуктов из Кремниевой долины и не только? Любите рыбалку нахлыстом или походы? Тогда присоединяйтесь ко мне и к другим сопредседателям Fortune Tech в Аспене, штат Колорадо, на Fortune Brainstorm Tech — лучшую технологическую конференцию года. В этот раз событие будет особенно заметным: мы отмечаем 30-летие конференции с момента основания. Среди спикеров — CEO, включая Carol Tomé из UPS, CEO Snowflake Sridhar Ramaswamy, CEO Anduril Brian Schimpf, CEO Yahoo! Jim Lanzone и многих других. Будут и «звёзды» ИИ, например Boris Cherny, который руководит Claude Code в Anthropic, и Sara Hooker, сооснователь и CEO Adaption Labs. Также выступят технологические легенды, включая Steve Case и Meg Whitman. И, конечно, вы! Подайте заявку на участие here.
This story was originally featured on Fortune.com
