Credit memo / loan underwriting automation

Credit memo / loan underwriting automation забирает рутинную часть кредитного анализа — сбор документов, извлечение показателей, написание черновика меморандума. Аналитик получает готовый драфт с фактами, метриками и ссылками на источники и занимается проверкой, корректировкой и принятием решения, а не копированием данных из PDF в Word.

Что делает автоматизация:

1. Принимает документы заёмщика — финансовую отчётность, налоговые декларации, банковские выписки, регистрационные документы, залоговую документацию — через file storage или загрузку в интерфейс.
2. Распознаёт и извлекает структурированные данные из сканов и PDF: выручку, EBITDA, активы, обязательства, cash flow, данные о кредитной истории.
3. Нормализует показатели и сводит их к единому формату, чтобы сопоставимые данные лежали в data warehouse или BI рядом с исторической аналитикой.
4. Рассчитывает базовые коэффициенты (DSCR, debt-to-equity, liquidity ratios) и помечает отклонения от внутренних кредитных политик.
5. Суммаризует финансовое состояние заёмщика: ключевые тренды за 2-3 года, риски, сильные стороны, отраслевой контекст.
6. Генерирует черновик credit memo по внутреннему шаблону банка с разделами «Borrower profile», «Financial analysis», «Risks», «Recommendation».
7. Прикладывает ссылки на источник к каждому факту — страница документа, ячейка таблицы, запись в data warehouse.
8. Передаёт драфт кредитному аналитику для ревью, корректировки и финального решения.

Что автоматизация НЕ делает:

1. Не принимает финальное решение о выдаче кредита. Credit memo — это черновик для человека, а не подпись на кредитном договоре.
2. Не заменяет compliance, KYC/AML и fraud checks. Эти процессы остаются на отдельных системах и специалистах банка.
3. Не работает вслепую с новыми типами документов. Для нестандартных форм, непривычных форматов или неподдерживаемых языков требуется дообучение или ручной fallback.

Кредитные документы хранятся в file storage, откуда agent-framework забирает их по каждой новой заявке. Извлечение данных работает в связке с OCR и парсингом таблиц, нормализованные показатели уходят в data warehouse или BI, а LLM выполняет суммаризацию длинных разделов и генерирует черновик меморандума по шаблону банка.

Технический поток:

1. Файлы заявки поступают в file storage (структура каталогов: заявка → документы заёмщика → залоговая документация → переписка).
2. Agent-framework определяет состав документов, распределяет их между парсерами и запускает извлечение.
3. Слой парсинга извлекает поля из отчётности и выписок: выручка, EBITDA, активы, обязательства, cash flow, данные о кредитной истории.
4. Нормализованные показатели пишутся в data warehouse или BI — отдельная витрина для андеррайтинга со ссылками на исходные документы и страницы.
5. Модуль суммаризации сжимает длинные разделы (пояснительные записки к отчётности, аудиторские заключения, описание бизнеса) в короткие тезисы.
6. Генератор черновика собирает текст credit memo по внутреннему шаблону: профиль заёмщика, финансовый анализ, риски, рекомендация.
7. Каждому факту в драфте прикрепляется ссылка на исходный документ и страницу, чтобы аналитик мог проверить утверждение в один клик.
8. Черновик попадает в UI ревью: аналитик правит, соглашается или отклоняет, все действия логируются для аудита.

Шаги внедрения:

1. Определить scope: какие кредитные продукты (corporate, SMB, ипотека, consumer) попадают под автоматизацию, какие типы документов и какой шаблон credit memo использовать.
2. Собрать базу эталонных меморандумов прошлых периодов, чтобы AI-агент понимал структуру, тон и требования банка.
3. Настроить извлечение данных под конкретные форматы документов заёмщиков и провести тесты точности на репрезентативной выборке.
4. Подключить data warehouse: согласовать таблицу для нормализованных показателей и связь с существующими скоринг-моделями и политиками.
5. Настроить генерацию: промпты для каждой секции, правила цитирования источников, ограничения по тону и длине.
6. Встроить human-in-the-loop UI — интерфейс, где аналитик видит драфт, исходники и может править до одобрения.
7. Запустить shadow-режим на 2-4 недели: AI-агент работает параллельно с аналитиками, результаты сравниваются, промпты и извлечение калибруются.
8. Обучить кредитный отдел, согласовать с risk и compliance, перейти на прод с фиксированной политикой логирования.

Компонентная схема:

Данные и доступы:

• File storage с документами заёмщиков и заранее согласованной структурой каталогов по заявкам.
• Data warehouse или BI с историческими кредитными данными для контекста и скоринга.
• База эталонных credit memos — документы прошлых периодов как референс стиля и структуры.
• Доступ к внутреннему шаблону credit memo банка и описанию кредитных политик.
• Перечень ключевых коэффициентов и пороговых значений, принятых в кредитном комитете.

Команда:

• Senior кредитный аналитик — валидирует логику извлечения, калибрует промпты, ревьюит драфты в shadow-режиме.
• AI-инженер — настраивает agent-framework, извлечение, интеграции.
• Product-owner со стороны кредитного отдела — держит scope и фиксирует решения.
• Представитель risk и compliance — согласует human-in-the-loop политику и аудит-трейл.

Организационные требования:

• Согласование с compliance и risk до запуска shadow-режима.
• Политика human-in-the-loop: ни одно решение по кредиту не принимается без подписи аналитика.
• Процесс логирования действий AI-агента и аналитика для внутреннего аудита и регулятора.

Timeline:

Стандартный срок внедрения — 6-10 недель:

1. Недели 1-2: scope, сбор эталонных меморандумов, подключение file storage и data warehouse.
2. Недели 3-5: извлечение полей, суммаризация, генерация черновиков, базовый review UI.
3. Недели 6-7: интеграция в процесс аналитика, промпт-калибровка, согласование с compliance.
4. Недели 8-10: shadow-режим, обучение команды, запуск в прод с политикой логирования.