Ипотечная заявка, которую раньше рассматривали неделю, теперь одобряется за 20 минут. Это не маркетинговый слоган — это реальные цифры из двух кейсов, которые я разобрал, изучая мультиагентные системы в продакшене. Rocket Close вместе с Amazon сократили обработку пакета документов с 30 минут до 2 минут. GreenState Credit Union подняли одобрение на 26% и добавили $132 млн годовой выручки.
Мне интересно здесь не само ускорение — автоматизация всегда быстрее человека. Интересна архитектура. Потому что это не «подключили GPT к форме заявки». Это три специализированных агента, оркестратор и логика, которую можно воспроизвести на n8n или LangGraph — без банковского бюджета.
Статья для разработчиков и технических руководителей, которые изучают мультиагентные системы на реальных примерах. Если вы только начинаете разбираться с AI-агентами вообще — почитайте сначала про то, как агент работает пока вы спите, потом возвращайтесь.
Задача: почему ипотека — идеальный полигон для мультиагентов
Ипотечная заявка — это не один документ. Это пакет из 50-100 страниц: паспорт, справка 2-НДФЛ (или её западный аналог), трудовая книжка, выписки со счетов, договор купли-продажи, оценка недвижимости, страховка. Каждый документ в произвольном формате — отсканированный, сфотографированный на телефон, выгруженный PDF из банка.
До AI весь процесс был линейным конвейером. Документы поступали → сотрудник проверял каждый вручную → передавал андеррайтеру → тот оценивал риски → принимал решение → уведомлял заявителя. Каждый шаг ждал предыдущего. Каждый шаг мог занять часы. Итого — 5-10 рабочих дней на «простую» заявку.
Проблема не в том, что сотрудники работают медленно. Проблема в самой природе последовательного процесса: следующий шаг не может начаться, пока не закончился предыдущий.
Почему одиночный AI-агент здесь не справится? Один агент мог бы обрабатывать документы последовательно — но не параллельно. Он один. Пока читает справку о доходах, паспорт лежит и ждёт. И самое главное: нельзя смешать в одном агенте логику «прочитай что написано» и «оцени кредитный риск» — это принципиально разные задачи с разными инструментами, контекстами и ответственностью за решение.
Здесь и нужны мультиагенты (несколько специализированных AI-агентов, каждый из которых отвечает за свою часть задачи).
Архитектура: три агента и оркестратор
Пакет документов
│
▼
┌──────────────────┐
│ Document Agent │ ← OCR + LLM: читает, извлекает, нормализует
└──────┬───────────┘
│ структурированные данные
▼
┌──────────────────┐
│ Decision Agent │ ← считает DTI/LTV, применяет правила, решает
└──────┬───────────┘
│ решение + обоснование
▼
┌──────────────────┐
│ Verification │ ← перекрёстная проверка, контроль качества
│ Agent │
└──────┬───────────┘
│
▼
┌──────────────────┐
│ Оркестратор │ ← управляет потоком, маршрутизирует, логирует
└──────────────────┘
│
┌────┴─────┐
▼ ▼
Авто- Андеррайтер
одобрение (сложные кейсы)
Совет
Архитектура supervisor + sub-agents — это готовый паттерн в LangGraph и Amazon Bedrock Agents. Не нужно изобретать с нуля: Amazon называет это Multi-Agent Collaboration, LangGraph — hierarchical agent teams.
Document AI Agent — читает, извлекает, нормализует
Первый агент получает на вход сырые документы в любом виде — PDF, JPEG, PNG, Word. Его задача: извлечь структурированные данные и привести их к единой схеме.
Стек в кейсе Rocket Close + Amazon: Amazon Textract (OCR — технология распознавания текста на изображениях) + LLM поверх него. Textract распознаёт текст с 90%+ точностью даже с плохим сканом, LLM интерпретирует: что это за документ, какие поля ключевые, что значит эта цифра в контексте заявки.
Параллельно агент проверяет базовую подлинность: шрифты соответствуют официальному документу, подписи есть, даты не противоречат друг другу, метаданные файла логичны. Не криминалистика, но базовые тревожные сигналы отлавливает.
На выходе — нормализованная структура: { applicant_name, income_monthly, employment_status, property_value, loan_amount, ... }. Всё одинаково, независимо от того, пришёл документ из Сбера или от частного работодателя.
Результат Rocket Close: 30 минут на пакет → 2 минуты. 90% точность классификации и извлечения данных. 2000 пакетов в день, каждый — около 75 страниц.
Decision Agent — считает, оценивает, решает
Второй агент получает нормализованные данные от Document Agent и принимает кредитное решение. Это его единственная задача, и именно поэтому он делает её хорошо.
Агент применяет кредитные правила: DTI (Debt-to-Income ratio — соотношение долга к доходу; если платежи по кредитам съедают больше 43% ежемесячного дохода — красный флаг), LTV (Loan-to-Value — соотношение кредита к стоимости недвижимости; выше 80% — риск), скоринговый балл, история занятости.
Здесь применяется ReAct-паттерн — агент не просто проверяет цифры по чеклисту, а рассуждает: «доход заявителя нестабильный, но есть сопоручитель с высоким скорингом — это меняет оценку риска». Формулирует промежуточные выводы, проверяет их, корректирует.
На выходе: предварительное одобрение с параметрами (сумма, ставка, срок) или список конкретных вопросов к заявителю. По данным кейса Amazon Bedrock Agents: до 90% заявок получают автоматическое решение без участия человека.
Verification Agent — перекрёстная проверка
Третий агент работает параллельно с Document Agent: берёт уже обработанные данные и делает перекрёстную проверку. Не просто смотрит на каждое поле в отдельности, а ищет противоречия между документами: доход в справке не бьётся с движением по счёту, дата найма раньше даты основания компании, адрес в паспорте не совпадает с адресом в договоре. Это контроль качества перед тем, как Decision Agent вынесет решение.
Оркестратор — дирижирует, логирует, эскалирует
Supervisor agent — главный агент системы. Он не обрабатывает документы и не принимает кредитных решений. Он управляет всем процессом.
Запускает Document Agent и Verification Agent параллельно, не последовательно. Агрегирует результаты по мере готовности. Маршрутизирует: простые заявки со всеми зелёными флагами → автоматическое одобрение, заявки с противоречиями или нестандартными ситуациями → живому андеррайтеру.
Критично важно: каждое решение логируется с полным обоснованием. Не просто «одобрено», а «одобрено, потому что DTI = 31%, LTV = 72%, скоринг 780, стабильная занятость 5 лет». Это и аудит-трейл (журнал всех действий системы для последующей проверки) для регулятора, и обучающий материал для улучшения системы.
Цифры: что получил банк
Rocket Close + Amazon Bedrock:
- Скорость: пакет документов с 30 минут → до 2 минут (ускорение x15)
- Точность извлечения данных: 90%+
- Масштаб: 2000+ пакетов в день, ~500 000 в год
- Доля ручного труда: минимальная, только сложные и нестандартные кейсы
GreenState Credit Union + Zest AI (кредитный союз, внедривший AI-скоринг в андеррайтинг):
- Рост одобрения: +26% от общего количества заявок
- Финансовый результат: +$132 млн годовой выручки
Общий рыночный тренд по данным SourcePoint Mortgage: внедрение AI-агентов в ипотечный процесс даёт -80% операционных затрат на обработку документов и 90% заявок проходят STP — straight-through processing (полностью автоматическое прохождение без ручного вмешательства).
Важный момент про x20 в заголовке: это не единственная цифра из одного кейса. Это диапазон по рынку. Rocket Close дает x15 на этапе документов. Сквозной процесс от получения заявки до решения ускоряется в 20 раз и более — потому что убирается не только время обработки, но и очереди, ожидание между шагами, человеческие задержки.
Почему это работает: параллельность против последовательности
Аналогия, которая хорошо объясняет суть. Старый процесс — как ресторан с одним поваром: принял заказ, приготовил суп, потом приготовил горячее, потом десерт. Всё последовательно. Один шеф не может одновременно делать несколько блюд.
Мультиагентный процесс — как фуд-корт. Несколько специалистов работают параллельно. Пока Document Agent разбирает паспорт, он параллельно разбирает справку о доходах. Verification Agent проверяет то, что уже обработал Document Agent, не дожидаясь, пока тот закончит весь пакет. Оркестратор собирает результаты по мере поступления.
Простоев нет. Очередей нет. Каждый агент занят своим делом. Именно поэтому пакет из 75 страниц обрабатывается за 2 минуты: не потому что стало проще, а потому что убрали ожидание.
Если ваш процесс линейный и каждый шаг ждёт предыдущего — это сигнал, что мультиагентная архитектура даст существенный выигрыш.
А что с малым бизнесом?
Банковский кейс — это enterprise с AWS-бюджетом. Но архитектура масштабируется вниз. Паттерн «специализированный агент для чтения → специализированный агент для решения → оркестратор» работает при любом объёме.
Инфо
ROI мультиагентной системы напрямую зависит от объёма: если у вас меньше 50 однотипных задач в месяц — одиночный агент или простая автоматизация будет эффективнее. Мультиагенты раскрываются при потоке, где стоимость ручного труда начинает перевешивать стоимость разработки и поддержки системы.
Примеры для малого бизнеса, где та же архитектура работает:
Проверка входящих договоров. Document Agent читает договор, извлекает ключевые условия (сроки, суммы, штрафы, особые условия). Decision Agent проверяет по вашему чеклисту рисков. Оркестратор: стандартный договор → автоматически в работу, нестандартные условия → юристу на проверку. Вместо часа ручного чтения — 5 минут агента + проверка флагов.
Обработка заявок от клиентов. Онлайн-заявка → Document Agent извлекает и валидирует данные → Decision Agent квалифицирует заявку по вашим критериям (бюджет, срочность, регион) → оркестратор маршрутизирует к нужному менеджеру или автоматически формирует предложение.
Финансовая reconciliation. Document Agent парсит счета, акты, накладные из почты. Decision Agent сверяет с данными 1С/Bitrix. Оркестратор: совпадает → в архив, расхождение → задача бухгалтеру.
Инструменты без enterprise-бюджета:
- n8n с AI-агентами — no-code, можно поднять локально, есть готовые ноды для LLM и работы с документами. Стартовый MVP можно собрать за 1-2 недели.
- LangGraph — для тех, кто хочет больше контроля и готов писать код. Граф агентов с памятью, именно та архитектура, которую использовал eSentire в кейсе с кибербезопасностью.
- Make.com — ещё проще, чем n8n, но меньше гибкости в агентной логике.
Стартовая стоимость внедрения no-code решения на n8n + cloud LLM: от 50 000 рублей за MVP. Это разработка, не лицензии. Если у вас нет своего разработчика — это реальные цифры на фрилансе.
Что взять из этого кейса прямо сейчас
Три признака, что ваша задача подходит для мультиагентной архитектуры:
1. Процесс разбивается на принципиально разные роли. «Читать и извлекать» — это не то же самое, что «анализировать и решать». Если задача явно распадается на разные типы работы — она кандидат для мультиагентов.
2. Есть повторяющийся поток однотипных объектов. Документы, заявки, тикеты, договоры. Чем больше объём — тем быстрее окупится. При 100+ штук в месяц уже стоит считать.
3. Узкое место — это ожидание между шагами, а не сложность каждого шага. Если каждый отдельный шаг несложный, но всё вместе занимает часы из-за передач и очередей — параллелизация агентов решит именно это.
Минимальный MVP на n8n: Document Agent на базе GPT-4o с инструкцией по извлечению → JSON с данными → Decision Agent с чеклистом правил → ветвление «автоодобрение vs ручная проверка». Без оркестратора на старте — добавите, когда поймёте, где узкие места.
Для тех, кто хочет собрать полноценную систему с памятью и персистентным состоянием — LangGraph даёт готовую основу под паттерн supervisor + sub-agents.
Два банковских кейса, реальные цифры, одна архитектура. Суть не в том, что банки умные, а в том, что паттерн «специализированные агенты + оркестратор» масштабируется — от ипотечного конвейера на 500 000 документов в год до процесса проверки договоров в небольшой компании. Инструменты доступны, логика понятна, точка входа — n8n и два агента.
Источники: Rocket Close + Amazon Bedrock, Autonomous Mortgage Processing на Bedrock Agents, GreenState Credit Union + Zest AI, SourcePoint Mortgage: Agentic AI в ипотеке.
