Intuit показала на DevSparks Bengaluru 2026 архитектуру agentic AI для объединения финансовых задач в одном запросе

На DevSparks Bengaluru 2026 директор по FinTech в Intuit Aavishkar Bharara рассказал, как agentic AI может связать разрозненные финансовые процессы в одну систему. В качестве примера он привёл предпринимателя по имени John: у него 12 ресторанов, около 50 сотрудников, портфель из трёх кредитных заявок и планы открыть тринадцатую точку. Чтобы понять, потянет ли бизнес расширение, ему нужны cash flow projections, profit and loss statements, vendor onboarding, payroll runway estimates и, возможно, четвёртая lending application. В обычной схеме всё это разбросано по разным системам, которые не видят общего контекста, например, новая транзакция с поставщиком может получить fraud flag как аномалия, хотя на деле связана с подготовкой новой локации.

Bharara описал архитектуру, в которой система проходит четыре стадии: thinking, acting, observation и формирование итогового ответа. Сначала она получает natural language prompt и определяет, какие data sources и domain entities нужно запросить. Затем начинается acting: запускается несколько agents. Один показывает cash flow position, другой анализирует existing loan history и credit profile, третий инициирует pre-approved lending application на месяц, когда бизнес может столкнуться с нехваткой средств. На стадии observation ответы объединяются, и система может заметить дополнительную проблему, например, что rental cost для тринадцатой локации значительно выше ожидаемого, после чего предлагает альтернативы вроде lease model.

Финальный шаг, единый результат для пользователя. Система возвращает один ответ, где есть оценка expansion feasibility, cash runway и pre-approved credit line на основе одного запроса.

Инфраструктура решения работает на платформе Intuit Intelligence. Она построена вокруг трёх возможностей: control, capability и trust. Control управляет взаимодействием agent-to-agent и решает, какие domain entities запрашивать. Capability даёт возможность подключать новые навыки, например lending, payroll или tax, как модульные компоненты. Trust отвечает за проблему hallucination: здесь используется continuous evaluation engine, который проверяет ответы agents на accuracy и помечает результаты ниже confidence thresholds до того, как они попадут к пользователю. Есть и четвёртый слой, scale, он позволяет добавлять новые функции через конфигурацию и расширять систему на области вроде HR и benefits.