Agenci AI w NBIM: transformacja funduszy

Wieloagentowe systemy AI w zarządzaniu funduszem inwestycyjnym NBIM

Norges Bank Investment Management (NBIM), zarządzający największym na świecie funduszem majątku narodowego, w ciągu dwóch lat zintegrował sztuczną inteligencję we wszystkich działach. Zamiast skupiać się na pojedynczych projektach, wdrożono architektury wieloagentowe w 171 procesach biznesowych. Ponad 50% pracowników opanowało pisanie kodu, czas przygotowania spotkań skrócił się o 80%, a koszty transakcyjne spadły. Szkolenia stały się obowiązkowe dla wszystkich, Scrum zastąpiono mikrozespołami złożonymi z dwóch programistów i jednego specjalisty biznesowego.

Analiza transakcji pozagiełdowych w dziale inwestycyjnym

W dziale inwestycyjnym wdrożono wieloagentowy system do oceny dużych transakcji blokowych. Agenci równolegle agregują dane z zewnętrznych źródeł, wewnętrznych baz, tekstów transakcji i wiadomości. Obliczają efekt indeksowy, kontekst sprzedającego i uczciwą cenę.

Przykład przypadku: oferta Goldman Sachs dotycząca pakietu akcji Ferrari o wartości 30 mld koron. Wcześniej zbieranie danych zajmowało godzinę, teraz – minuty. Zespół pięciu osób zarządza aktywami o wartości 2 bln koron, generując ponadprzeciętne zyski w miliardach koron rocznie.

Architektura agentów:

• Agent 1 (wyszukiwanie internetowe): identyfikuje beneficjentów poprzez struktury holdingowe.
• Agent 2 (parsowanie): wyodrębnia warunki, terminy, sankcje z tekstu transakcji.
• Agent 3 (algorytmiczny): modeluje wpływ na fundusze indeksowe.
• Dodatkowi agenci: analizują historię transakcji, oczekiwania rynkowe, wycenę.

Prototyp opracowano wewnątrz zespołu, następnie udoskonalił go jeden specjalista. Proporcje czasu: zbieranie danych – 20%, analiza – 80%. Fundusz przetwarza około 200 takich zapytań rocznie.

Monitorowanie mediów i mediów społecznościowych w komunikacji

Dział komunikacji stworzył platformę Echo do analizy ponad 50 000 publikacji rocznie. System klasyfikuje tonację, priorytet mediów, rolę funduszu w materiale, tematy i osoby. Chatbot oparty na Snowflake generuje raporty z mediów społecznościowych (LinkedIn, Instagram, YouTube).

Zespół dwóch specjalistów zbudował rozwiązanie samodzielnie, rezygnując z drogich usług zewnętrznych. Dane przechowywane są w korporacyjnym Snowflake.

Komponenty głównego agenta:

• Klasyfikacja tonacji (pozytywna/negatywna/neutralna).
• Ocena roli funduszu (wzmianka/cytat/główny podmiot).
• Priorytet źródła (topowe media vs blog).
• Typ treści (wiadomość/analiza/śledztwo).
• Ekstrakcja tematów i osób.

Funkcjonalność:

• Oś czasu skoków negatywności ze szczegółami.
• AI-insights dotyczące kluczowych czynników napędowych.
• Echobot: zapytania takie jak „analiza zaangażowania w mediach społecznościowych” dają trendy i rekomendacje.

W 2025 roku – 50 000 wzmianek, w 2026 – ponad 5000 na kwartał. System tańszy i dokładniejszy niż komercyjne odpowiedniki.

Automatyzacja dochodzeń w cyberbezpieczeństwie

Agent AI w dziale cyberbezpieczeństwa prowadzi dochodzenia równolegle z człowiekiem. Z tryliona logów rocznie zawęża do setek tysięcy podejrzeń, wydając raport w 5 minut.

Scenariusz: nocna anomalia – połączenie z podejrzaną stroną. Agent zbiera kontekst: logi, historię, oceny trafności.

Zalety: stała prędkość (6x szybciej niż człowiek), brak zmęczenia przy rutynie. Analityk otrzymuje gotowy raport do decyzji.

Przygotowanie do spotkań z kadrą zarządzającą

Asystent AI dla 3000 rocznych spotkań z CEO i prezesami. System wieloagentowy tworzy plany, bada źródła, sprawdza jakość według wewnętrznych najlepszych praktyk.

Proces:

• Załadowanie danych wewnętrznych (hipotezy, notatki).
• Agent-planista tworzy strukturę.
• 3–5 podagentów skanuje wiadomości, raporty.
• Agent końcowy weryfikuje według najlepszych przykładów i technik funduszu.

Oszczędność: 10 000 godzin rocznie (3 godziny na spotkanie). Wnioski śledzone – z promptami i źródłami przeciw halucynacjom. Plany: symulacja rozmówcy z syntezą mowy i feedbackiem po negocjacjach.

Zgodność: agent EVA dla alertów rynkowych

System EVA bada podejrzenia dotyczące wykorzystania informacji poufnych i manipulacji. Sześć podagentów sprawdza każdy alert:

• Kontekst transakcji.
• Rebalansowanie indeksów.
• Wiadomości o spółce.
• Wydarzenia branżowe.
• Wzorce czasowe.
• Kontakty z emitentem.

Agent główny agreguje, tworząc ślad audytowy. Człowiek interweniuje w 3 przypadkach: niejednoznaczność, brak możliwości automatyzacji, odpowiedzialność prawna. Ten sam zespół obsługuje więcej incydentów bez fałszywych alarmów.

Co jest ważne

• Skala wdrożenia: AI w 171 procesach, 50% pracowników programuje.
• Architektury agentowe: klucz do równoległej analizy złożonych danych.
• Oszczędność zasobów: 80% na spotkaniach, 6x w bezpieczeństwie, ponadprzeciętne zyski w handlu.
• Samodzielny rozwój: rezygnacja z narzędzi zewnętrznych na rzecz własnych.
• Śledzenie: ochrona przed halucynacjami poprzez źródła i prompty.

— Editorial Team