Главный результат
Высокий
Consensus: фича потенциально затрагивает Персональные данные, Кредитный скоринг, E-commerce, AI / автоматизированные решения, Банковская деятельность, Платежи, KYC / идентификация. Нужна ручная проверка до релиза.
Итоговый отчет
Сравнение моделей
OpenAI: Функция BNPL и автоматический скоринг включает анализ паспортных данных и кредитной истории, что требует проверки на соответствие законам о персональных данных и кредитной информации.
Claude: Claude API key не настроен. Rule-based fallback обнаружил зоны: E-commerce, AI / автоматизированные решения, Персональные данные, Банковская деятельность, Платежи, KYC / идентификация, Кредитный скоринг.
Consensus: Consensus: фича потенциально затрагивает Персональные данные, Кредитный скоринг, E-commerce, AI / автоматизированные решения, Банковская деятельность, Платежи, KYC / идентификация. Нужна ручная проверка до релиза.
На чём модели разошлись
Backend pipeline
Backend pipeline
Старт анализа
pendingTriage
pendingПонимание фичи
pendingRule engine
pendingПоиск документов
pendingOpenAI
pendingClaude
pendingConsensus
pendingЧек-листы
pendingКомментарий
pendingСохранение
pendingpersonal_data
Использование паспортных данных и автоматизированный анализ.
credit_scoring
Анализ кредитной истории и автоматическое принятие решений.
ecommerce
В описании обнаружены сигналы: маркетплейс, merchant.
ai
Уточнить полный бизнес-сценарий и какие данные/деньги участвуют во флоу.
mustНеполное описание снижает качество preliminary screening.
Передать фичу на compliance/legal review до релиза.
mustConsensus отметил потенциальные регуляторные зоны или неопределенность.
Проверить, можно ли реализовать фичу без лишнего сбора персональных данных.
mustМинимизация данных снижает риск.
Уточнить платежный сценарий, лимиты, комиссии, возвраты и роли участников.
mustПлатежные флоу часто требуют раскрытия условий.
Уточнить, требуется ли идентификация, лимиты и мониторинг операций.
mustKYC/AML требования зависят от сценария и уровня риска.
В описании обнаружены сигналы: алгоритм, автоматически анализирует.
banking
В описании обнаружены сигналы: банк.
payments
В описании обнаружены сигналы: merchant.
kyc
В описании обнаружены сигналы: паспорт.
Уточнить, какие факторы используются для автоматического решения и есть ли ручной пересмотр.
mustАвтоматизированные решения требуют прозрачности и контроля.
Описать acceptance criteria для согласий, отказов, ошибок и edge cases.
mustПользователь видит понятное раскрытие условий и может отказаться без неочевидных последствий.
Описать поля данных, срок хранения, audit logs и события для мониторинга.
shouldВ задаче есть таблица data fields и список логируемых событий.
Описать consent screen, цель обработки и сценарий отказа пользователя.
mustЕсть отдельный acceptance criteria для consent и отказа.
Описать статусы платежа, ошибки, возвраты, лимиты и reconciliation events.
mustЕсть state machine платежа и audit events.
Описать KYC states, failed verification flow, sanctions/PEP checks and audit logs.
mustЕсть acceptance criteria для успешной/неуспешной проверки.
Описать explainability, rejection reasons, appeal flow and bias monitoring.
mustЕсть сценарий отказа и ручной проверки.
Проверить применимость загруженных нормативных документов и внутренних политик.
mustПроверить применимость требований по персональным данным и необходимость согласия.
mustПроверить требования к платежной услуге, электронным деньгам, лимитам и раскрытию условий.
mustПроверить AML/KYC применимость, лимиты, monitoring и manual review thresholds.
mustПроверить требования к скорингу, кредитной истории, автоматизированным решениям и потребительскому раскрытию.
must