Агентская теория в условиях использования ИИ-агентов в финансовом посредничестве

Цель исследования заключается в теоретическом и прикладном обосновании трансформации агентских отношений в финансовом посредничестве в условиях применения ИИ-агентов.

Методы. В исследовании использованы теоретический, сравнительный и структурно-аналитический подходы, позволившие сопоставить положения агентской теории с внедрением ИИ в финансовом посредничестве. Классические положения агентской теории последовательно соотнесены с условиями передачи функций алгоритмическим системам.

Результаты работы. Установлено, что при внедрении ИИ агентские издержки не исчезают, но меняется источник их возникновения. Выявлено, что в алгоритмической среде остаточные потери уже не могут объясняться только расхождением интересов между принципалом и агентом, поскольку поведение системы определяется параметрами обучения, качеством данных, выбранной целью и возможностью последующей верификации результата. Предложена схема, позволяющая различать источники остаточных потерь и наблюдать, как они формируются на последовательных стадиях, на примере кредитного скоринга. Показано, что положение доверителя в таких условиях меняется, поскольку прошлые действия банка, закрепленные в обучающем массиве, сами становятся источником будущих отклонений.

Выводы. Проведенное исследование показывает, что применение ИИ-агентов требует уточнения агентской теории применитель но к алгоритмическому исполнителю, поскольку источник издержек смещается от личного интереса к условиям обучения, составу данных, пригодности ранее обученной системы и возможности объяснить действие программы. Сопоставление согласованной и роевой организации ИИ-агентов позволяет установить, что различие между ними заключается не в составе агентских потерь, а в способе их возникновения, накопления, распределения между цифровыми исполнителями и последующего объяснения. Результаты работы могут быть использованы при дальнейшем исследовании ИИ-агентов в финансовом посредничестве, а также при разработке процедур внедрения алгоритмов в банковской практике.

1. Котляров И.Д. Финтех: сущность и модели реализации // ЭКО. 2018. № 12(534). С. 23–39. EDN: https://elibrary.ru/yoqgjn

2. Артеменко Д.А., Зенченко С.В. Цифровые технологии в финансовой сфере: эволюция и основные тренды развития в России и за рубежом // Финансы: теория и практика. 2021. Т. 25. № 3. С. 90–101. EDN: https://elibrary.ru/rixjhx. https://doi.org/10.26794/2587-5671-2021-25-3-90-101

3. Криничанский К.В., Зеленева Е.С. Финтех-сектор в контексте финансового развития и проблем его измерения // Финансы: теория и практика. 2024. Т. 28. № 5. С. 121–132. EDN: https://elibrary.ru/yqhgox. https://doi.org/10.26794/2587-5671-2024-28-5-121-132

4. Тавбулатова З.К., Батукаева Л.С.Э. Финтех-трансформация банковского сектора Российской Федерации в условиях технологического суверенитета // Финансы и кредит. 2025. Т. 31. № 10. С. 46–65. EDN: https://elibrary.ru/eztyen. https://doi.org/10.24891/eztyen

5. Bahoo S., Cucculelli M., Goga X., Mondolo J. Artificial intelligence in finance: A comprehensive review through bibliometric and content analysis // SN Business & Economics. 2024. Vol. 4. P. 23. https://doi.org/10.1007/s43546-023-00618-x

6. Ali H., Zafar M.B., Aysan A.F. Generative AI in finance: Replicability, methodological contingencies, and future research directions // Finance Research Letters. 2025. Vol. 86. Part F. P. 108797. https://doi.org/10.1016/j.frl.2025.108797

7. Ali H., Aysan A.F. Navigating the future of finance: The transformative role of generative AI // Journal of Central Banking Law and Institutions. 2026. Vol. 5. Iss. 1. P. 79–124. https://doi.org/10.21098/jcli.v5i1.431

8. Nayak K., Shivaram S.B., Nayak S.K. Machine learning framework for algorithmic trading // Computer Sciences and Mathematics Forum. 2025. Vol. 12. Iss. 1. P. 12. https://doi.org/10.3390/cmsf2025012012

9. Borch C. Machine learning, knowledge risk, and principal-agent problems in automated trading // Technology in Society. 2022. Vol. 68. P. 101852. https://doi.org/10.1016/j.techsoc.2021.101852

10. Dowding K., Taylor B.R. Algorithmic decision-making, agency costs, and institution-based trust // Philosophy and Technology. 2024. Vol. 37. P. 68. https://doi.org/10.1007/s13347-024-00757-5

11. Li X., Feng H., Yang H., Huang J. Can ChatGPT reduce human financial analysts’ optimistic biases? // Economic and Political Studies. 2024. Vol. 12. Iss. 1. P. 20–33. https://doi.org/10.1080/20954816.2023.2276965

12. Pelster M., Val J. Can ChatGPT assist in picking stocks? // Finance Research Letters. 2024. Vol. 59. P. 104786. https://doi.org/10.1016/j.frl.2023.104786

13. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. 2019. Vol. 1. P. 206–215. https://doi.org/10.1038/s42256-019-0048-x

14. Kordzadeh N., Ghasemaghaei M. Algorithmic bias: Review, synthesis, and future research directions // European Journal of Information Systems. 2022. Vol. 31. Iss. 3. P. 388–409. https://doi.org/10.1080/0960085X.2021.1927212

15. Mökander J. Auditing of AI: Legal, ethical and technical approaches // Digital Society. 2023. Vol. 2. P. 49. https://doi.org/10.1007/s44206-023-00074-y

16. Metaxa D., Park J.S., Robertson R.E., Karahalios K., Wilson C., Hancock J., Sandvig C. Auditing algorithms: Understanding algorithmic systems from the outside in // Foundations and Trends in Human–Computer Interaction. 2021. Vol. 14. Iss. 4. P. 272–344. https://doi.org/10.1561/1100000083

17. Uddin H., Barai M.K. Fintech adoption and bank risk, efficiency and stability: Evidence from panel data of selected Asian economies // FinTech. 2026. Vol. 5. Iss. 1. P. 14. https://doi.org/10.3390/fintech5010014

18. Cevik S. The dark side of the moon? Fintech and financial stability // International Review of Economics. 2024. Vol. 71. P. 421–433. https://doi.org/10.1007/s12232-024-00449-8

19. An J., Rau R. Finance, technology and disruption // The European Journal of Finance. 2021. Vol. 27. Iss. 4-5. P. 334–345. https://doi.org/10.1080/1351847X.2019.1703024

20. Jensen M.C., Meckling W.H. Theory of the firm: Managerial behavior, agency costs and ownership structure // Journal of Financial Economics. 1976. Vol. 3. Iss. 4. P. 305–360. https://doi.org/10.1016/0304-405X(76)90026-X

21. Holmstrom B. Moral hazard and observability // The Bell Journal of Economics. 1979. Vol. 10. Iss. 1. P. 74–91. URL: https://people.duke.edu/~qc2/BA532/1979%20Rand%20Holmstrom.pdf (дата обращения: 06.02.2026)

22. Stiglitz J.E. Incentives and risk-sharing in sharecropping // The Review of Economic Studies. 1974. Vol. 41. Iss. 2. P. 219–255. URL: https://www.sci-hub.ru/10.2307/2296714 (дата обращения: 06.02.2026)

23. Hart O. Firms, contracts, and financial structure. Oxford: Oxford University Press, 1995. 248 p. URL: http://www.library.fa.ru/files/Hart-Firms.pdf (дата обращения: 06.02.2026)

24. Williamson O.E. The theory of the firm as governance structure: From choice to contract // Journal of Economic Perspectives. 2002. Vol. 16. Iss. 3. P. 171–195. https://doi.org/10.1257/089533002760278776

25. Simon H.A. The sciences of the artificial. 3rd ed. Cambridge (Massachusetts): MIT Press, 1996. 231 p. URL: https://monoskop.org/images/9/9c/Simon_Herbert_A_The_Sciences_of_the_Artificial_3rd_ed.pdf (дата об ращения: 06.02.2026)

26. Mei H., Bodog S.A., Badulescu D. Artificial Intelligence adoption in sustainable banking services: The critical role of technological literacy // Sustainability. 2024. Vol. 16. Iss. 20. P. 8934. https://doi.org/10.3390/su16208934

27. Manta O., Vasile V., Rusu E. Banking transformation through fintech and the integration of Artificial Intelligence in payments // FinTech. 2025. Vol. 4. Iss. 2. P. 13. https://doi.org/10.3390/fintech4020013