Prompt Engineering și AI pentru analiza dosarelor de credit ipotecar: Ghid tehnic 2026

Analiza dosarelor pentru credite imobiliare este, în mod tradițional, unul dintre procesele cele mai lente, costisitoare și predispuse la erori umane pentru instituțiile de credit. În 2026, integrarea inteligenței artificiale în gestionarea dosarelor de credit ipotecar transformă radical acest scenariu, permițând analizarea a zeci de documente complexe în doar câteva secunde. Adeverințele de salariu, declarațiile de venit, extrasele de cont și rapoartele de evaluare imobiliară nu mai reprezintă un blocaj, ci date structurate, pregătite pentru procesarea automată.

În acest tutorial tehnic, sub îndrumarea inginerului Francesco Zinghinì – expert în sisteme Fintech și în dezvoltarea de soluții CRM pentru gestionarea creditelor – vom explora modul în care tehnicile avansate de Prompt Engineering și modelele lingvistice de mari dimensiuni (LLM) revoluționează activitățile de back-office financiar. Vom construi un flux de lucru (pipeline) de nivel enterprise pentru procesarea documentelor , utilizând tehnici de Retrieval-Augmented Generation (RAG) pe platforme cloud de top, precum Google Cloud Vertex AI și AWS Bedrock . Obiectivul? Reducerea duratei procesului de aprobare de la săptămâni la doar câteva ore, asigurând totodată un nivel maxim de securitate și confidențialitate pentru datele cu caracter personal (PII).

Cerințe preliminare și arhitectura sistemului

Înainte de a scrie prima linie de cod sau primul prompt, este esențial să se definească o arhitectură solidă. Analiza documentelor financiare necesită o abordare deterministă: nu ne putem permite halucinații din partea modelului AI atunci când evaluăm veniturile unui solicitant.

Instrumentele și precondițiile pentru implementarea acestei soluții includ:

• Platformă cloud: Google Cloud Platform (GCP) cu Vertex AI RAG Engine sau AWS cu Amazon Bedrock și Bedrock Data Automation.
• Motor OCR (Recunoaștere Optică a Caracterelor): Google Document AI sau Amazon Textract pentru extragerea textului brut și a layout-ului din fișiere PDF scanate.
• Bază de date vectorială: AlloyDB pentru PostgreSQL (pe GCP) sau Amazon OpenSearch Serverless pentru stocarea embedding-urilor documentelor.
• Orchestrator: LangChain sau LlamaIndex (în Python) pentru gestionarea fluxului logic, ori framework-uri serverless native precum AWS Step Functions.
• CRM de destinație: Salesforce, Microsoft Dynamics sau un CRM proprietar expus prin API REST.

Conform documentației oficiale AWS Bedrock, utilizarea Agents for Amazon Bedrock permite orchestrarea unor fluxuri de lucru complexe, prin apelarea securizată a API-urilor corporative (precum CRM-ul) doar după validarea datelor extrase. În ceea ce privește Google, Vertex AI Search acționează ca un backend de regăsire optimizat, asigurând faptul că LLM-ul (precum Gemini 1.5 Pro) își bazează răspunsurile exclusiv pe documentele încărcate pentru dosarul specific de credit ipotecar.

Rolul Retrieval-Augmented Generation (RAG) în back-office-ul financiar

RAG este inima pipeline-ului nostru. Modelele lingvistice generice nu cunosc detaliile dosarului de credit ipotecar al „domnului Rossi”. RAG rezolvă această problemă prin introducerea contextului specific direct în promptul modelului.

În contextul analizării dosarelor de credit ipotecar, procesul RAG se structurează în trei etape critice:

1. Ingerare și segmentare (chunking): Documentele (de exemplu, formularul 730, Certificazione Unica, rapoarte de evaluare) sunt procesate prin OCR. Textul extras este divizat în segmente semantice („chunk-uri”). În cazul documentelor financiare, este esențial să se utilizeze o metodă de segmentare care respectă tabelele și secțiunile logice, evitând fragmentarea la jumătate a unui rând din bilanț.
2. Embedding: Segmentele sunt convertite în vectori numerici cu dimensionalitate ridicată și salvate în baza de date vectorială.
3. Regăsire și generare: Atunci când sistemul trebuie să calculeze venitul net, interoghează baza de date vectorială (Vector DB) pentru a găsi segmentele cele mai relevante (de exemplu, secțiunea RN din formularul 730) și le transmite modelului LLM împreună cu un prompt structurat pentru extracție.

„Cea mai frecventă greșeală în implementarea IA pentru creditele ipotecare este tratarea documentelor financiare ca simplu text continuu. Tabelele, celulele îmbinate și ierarhiile de date necesită un sistem OCR avansat și un RAG care să țină cont de structura spațială a documentului.” – Francesco Zinghinì

Flux de procesare a documentelor: Pas cu pas

Să vedem cum să construim pipeline-ul pas cu pas, simulând o arhitectură bazată pe AWS Bedrock și funcții Lambda (sau echivalentele Cloud Run pe GCP).

Pasul 1: Achiziție și clasificare

Clientul încarcă un set de fișiere PDF eterogene prin intermediul portalului web. Prima sarcină a AI-ului este clasificarea documentelor . Utilizăm un model LLM rapid (precum Claude 3 Haiku pe Bedrock sau Gemini 1.5 Flash) pentru a analiza prima pagină a fiecărui document și a-l clasifica.

Sistemul va eticheta fișierele astfel: BUSTA_PAGA , ESTRATTO_CONTO , CARTA_IDENTITA , COMPROMESSO . Dacă lipsește un document obligatoriu, sistemul trimite imediat o notificare clientului, eliminând timpii morți din back-office.

Pasul 2: Extragerea datelor (Data Extraction)

După clasificare, documentele trec la modulul de extracție. Aici utilizăm modele mai performante (Claude 3.5 Sonnet sau Gemini 1.5 Pro), configurate cu o valoare „Temperature” de 0, pentru a asigura o predictibilitate maximă și a reduce la zero creativitatea (și, implicit, halucinațiile).

Pasul 3: Verificarea încrucișată și validarea

Inteligența artificială nu se limitează la citirea unui singur document pe rând. Adevărata valoare adăugată constă în verificarea încrucișată a datelor . Sistemul verifică dacă salariul net creditat în extrasul de cont (de exemplu, 2.150 € la data de 27/04) corespunde exact sumei nete din fluturașul de salariu aferent aceleiași luni. Orice discrepanță generează o alertă pentru analistul uman.

Ingineria avansată a prompturilor: exemple practice pentru date financiare

Secretul unei extracții perfecte constă în Prompt Engineering . Nu este suficient să întrebăm LLM-ul „Care este venitul?”. Trebuie să oferim instrucțiuni de sistem riguroase, să definim formatul de ieșire (JSON Schema) și să furnizăm exemple (Few-Shot Prompting).

Iată un exemplu de System Prompt optimizat pentru extragerea datelor dintr-un fluturaș de salariu italian:

 Sei un analista del credito senior specializzato in mutui ipotecari italiani. Il tuo compito è estrarre dati finanziari chiave dal testo OCR di una busta paga fornita nel tag <document>. REGOLE TASSATIVE: 1. Estrai SOLO i dati esplicitamente presenti nel documento. 2. Se un dato non è presente o è illeggibile, restituisci null. NON indovinare o calcolare valori mancanti. 3. Formatta tutti gli importi monetari come numeri decimali (es. 2150.50), rimuovendo il simbolo dell'Euro ei separatori delle migliaia. 4. L'output DEVE essere un JSON valido conforme al seguente schema: { "mese_competenza": "MM/YYYY", "datore_di_lavoro": "Nome Azienda", "tipo_contratto": "Indeterminato | Determinato | Apprendistato | Altro", "netto_in_busta": 0.00, "trattenute_cessione_quinto": 0.00 } # Sei un analista del credito senior specializzato in mutui ipotecari italiani. Il tuo compito è estrarre dati finanziari chiave dal testo OCR di una busta paga fornita nel tag <document>. REGOLE TASSATIVE: 1. Estrai SOLO i dati esplicitamente presenti nel documento. 2. Se un dato non è presente o è illeggibile, restituisci null. NON indovinare o calcolare valori mancanti. 3. Formatta tutti gli importi monetari come numeri decimali (es. 2150.50), rimuovendo il simbolo dell'Euro ei separatori delle migliaia. 4. L'output DEVE essere un JSON valido conforme al seguente schema: { "mese_competenza": "MM/YYYY", "datore_di_lavoro": "Nome Azienda", "tipo_contratto": "Indeterminato | Determinato | Apprendistato | Altro", "netto_in_busta": 0.00, "trattenute_cessione_quinto": 0.00 }

Furnizând acest prompt unui model care suportă JSON Mode (precum API-urile Vertex AI sau Bedrock), obținem un payload structurat, gata de a fi introdus în baza de date relațională a CRM-ului.

Calculul raportului rată/venit (DTI) și identificarea anomaliilor

Unul dintre parametrii fundamentali pentru aprobarea unui credit ipotecar este indicatorul Debt-to-Income (DTI) , adică raportul dintre totalul ratelor lunare (inclusiv cea a noului credit) și venitul net lunar. Politicile bancare din Italia stabilesc, de regulă, pragul maxim de sustenabilitate în jurul valorii de 30-35%.

Inteligența artificială poate calcula automat această valoare, agregând datele extrase din fluturașii de salariu și din rapoartele CRIF (Centrala Riscurilor). Mai jos este prezentat un widget interactiv care simulează logica de calcul implementată în interfața CRM destinată analiștilor:

Pe lângă calculele matematice, IA excelează în identificarea anomaliilor (detectarea fraudelor). Un prompt specific poate fi configurat să compare data angajării declarată de client cu cea menționată pe fluturașul de salariu sau să semnaleze transferuri bancare recurente de ieșire din extrasul de cont, care ar putea indica un împrumut nedeclarat la Centrala Riscurilor Bancare.

Integrare în CRM și automatizarea fluxului de lucru

Extragerea datelor este inutilă dacă nu este perfect integrată în procesele de afaceri. Arhitectura modernă prevede ca rezultatul JSON generat de LLM să fie transmis, prin webhook sau API REST, direct către CRM-ul bancar .

Cu toate acestea, automatizarea completă (Straight-Through Processing) a aprobării creditelor ipotecare este în continuare nerecomandată din motive ce țin de reglementare și de gestionarea riscurilor. Abordarea corectă este cea de tip „ Human-in-the-Loop” (HITL) :

• Dacă LLM-ul extrage toate datele cu un scor de încredere ridicat, iar DTI-ul este sub 30%, dosarul este preaprobat și transmis analistului doar pentru semnătura finală.
• Dacă LLM-ul detectează anomalii, documente ilizibile sau un indicator DTI la limită, dosarul este direcționat către un operator senior, însoțit de un rezumat generat de AI care evidențiază exact unde se află problema (de exemplu: „Atenție: discrepanță între venitul declarat și CUD”).

Depanare și gestionarea halucinațiilor

Utilizarea modelelor lingvistice de mari dimensiuni (LLM) în domeniul financiar necesită o gestionare riguroasă a erorilor. „Halucinațiile” (situațiile în care modelul inventează date) reprezintă inamicul numărul unu.

Cum pot fi atenuate aceste riscuri conform celor mai bune practici Google Cloud și AWS?

1. Grounding riguros: Utilizarea API-urilor de Grounding (precum Vertex AI Grounding) pentru a obliga modelul să citeze sursa exactă (pagina și paragraful din PDF) pentru fiecare număr extras.
2. Validare ulterioară: Nu vă bazați orbește pe JSON. Implementați scripturi Python care verifică tipurile de date (de exemplu, asigurați-vă că respectivul câmp „venit” este de tip float, nu string) înainte de a le trimite către CRM.
3. Gestionarea ferestrei de context: Dosarele de credit ipotecar pot depăși 500 de pagini. Deși modele precum Gemini 1.5 Pro suportă milioane de tokenuri, introducerea unui volum excesiv de informații irelevante („zgomot”) afectează performanța. Este esențial să se filtreze documentele irelevante (de exemplu, paginile publicitare din extrasele de cont) înainte de a le transmite modelului LLM.

Concluzii

Aplicarea ingineriei prompt-urilor (Prompt Engineering) și a inteligenței artificiale generative în analiza dosarelor de credit ipotecar reprezintă un salt calitativ major pentru sectorul bancar. Așa cum am văzut în acest ghid tehnic, utilizarea combinată a tehnologiei OCR avansate, a arhitecturilor RAG pe AWS Bedrock sau Google Cloud Vertex AI și a unor prompt-uri riguros structurate permite transformarea unui proces manual care dura săptămâni întregi într-un flux digital ce necesită doar câteva ore.

Obiectivul nu este înlocuirea analistului de credit, ci consolidarea capacităților acestuia. Prin eliminarea sarcinilor repetitive și monotone, precum introducerea datelor și verificarea documentelor, profesioniștii din domeniul creditării se pot concentra pe analiza complexă a riscurilor și pe consultanța oferită clienților. Băncile și brokerii de credite care vor adopta aceste tehnologii în 2026 nu doar că își vor reduce costurile operaționale, dar vor oferi și o experiență a clientului (Customer Experience) fără precedent, garantând aprobări rapide, transparente și sigure.

Întrebări frecvente