Репортаж от Wedoany，Корпорация Moody's (Moody's Corporation) представила платформенно-независимые навыки искусственного интеллекта, которые могут быть развернуты с помощью команд на естественном языке, предназначенные для встраивания институционального интеллекта в системы ИИ. Эти возможности изначально запускаются на платформе Microsoft 365 Copilot Cowork, позволяя пользователям выполнять сложные аналитические рабочие процессы с помощью одного запроса на естественном языке. Эти наборы инструкций кодируют аналитические методы Moody's и подключают агентов ИИ к ее инфраструктуре принятия решений, при этом все результаты привязаны к собственным рейтингам, исследованиям и рисковому интеллекту.
Кристина Пьериетти (Cristina Pieretti), руководитель отдела цифрового контента и инноваций Moody's, заявила в пресс-релизе компании, что Moody's является одним из первых поставщиков финансовых данных, предлагающих полную библиотеку навыков на открытых стандартах, и сегодняшний запуск — это только начало. Метод компании демонстрирует, как отраслевые знания могут быть систематически закодированы в рабочие процессы агентов ИИ без необходимости интеграции с конкретной платформой. Первоначальная версия ориентирована на высокоприоритетные финансовые рабочие процессы с наибольшей концентрацией аналитических знаний, включая: Сводку по отчетам о прибылях (Earnings Call Summary) для обработки стенограмм отчетов о прибылях и извлечения тенденций выручки, динамики ценообразования, показателей здоровья потребителей, подверженности тарифам и связанных метрик; Сравнительный анализ (Peer Analysis) для генерации сравнительного анализа по таким параметрам, как леверидж, рентабельность, показатели ESG, кредитное качество и смежные аспекты; Информационный буклет (Public Information Book) для составления профилей организаций, охватывающих финансы, структуру управления, конкурентные позиции и профиль риска; Презентацию рейтинга (Rating Pitch) для создания структурированных презентационных материалов, включающих отраслевой контекст, историю рейтингов и сравнение с аналогами; Отраслевой анализ (Sector Analysis) для объединения собственных исследований с рыночными данными в реальном времени с целью генерации отраслевой аналитики. Каждый навык кодирует аналитические процедуры и стандарты качества, направленные на получение последовательных, обоснованных и защищаемых результатов, способных удовлетворить требования высокорисковых решений в регулируемой среде.
Навык определяет методологию, а сервер протокола контекста модели (Model Context Protocol, MCP) от Moody's подключает этот навык к базовым источникам данных. MCP, как открытый стандарт, позволяет агентам ИИ напрямую обращаться к рейтингам, исследованиям и рисковому интеллекту, поддерживаемым Moody's. Такая архитектура призвана гарантировать, что результаты основаны на собственных наборах данных, а не на общем веб-контенте, что решает ключевую проблему галлюцинаций и необоснованных результатов в корпоративных развертываниях ИИ. Навык указывает агенту ИИ, как выполнять задачу в соответствии с установленными стандартами; эта структура фиксируется в файлах инструкций, доступных для обмена, и построена с использованием открытого формата SKILL.md, который возник в Anthropic, а затем был принят платформами OpenAI, Microsoft, Google и Amazon. Открытость стандарта превращает институциональные знания, закодированные в каждом навыке, в долговечный и переносимый актив, а не привязывает их к одному поставщику, что означает, что навык создается один раз, но работает на любой совместимой платформе.
Moody's планирует расширить свою библиотеку навыков на рабочие процессы кредитного анализа, генерации потенциальных клиентов, комплексной проверки третьих сторон и андеррайтинга страхования, развертывая аналитические рамки в других высокорисковых процессах, где работают финансовые специалисты. Каждый последующий навык будет следовать тому же открытому, платформенно-независимому стандарту, чтобы обеспечить переносимость институциональных знаний между совместимыми платформами ИИ без необходимости перестройки для каждой новой среды. Эта стратегия предполагает, что отраслевые знания становятся инфраструктурным уровнем в системах ИИ, а не функцией конкретного приложения.
