Поделиться
ИИ не взлетит без команды: кого не хватает финансовым организациям
Сергей Путятинский
Вице-президент по операционной деятельности и ИТ ФГ БКС
Компании уже автоматизируют до 70% кредитных решений с помощью ИИ. Но парадокс в том, что часть проектов не выходит за рамки пилота. Основная проблема заключается в неумении собрать команду и выстроить работу. Рассказываю, как это сделать.
Ошибочная модель: «Наймем инженеров и ИИ заработает»
Проблема не в качестве моделей и не в уровне экспертизы инженеров. Главная причина, как отмечает Банк России, в организации работы: без координации между бизнесом, ИТ- и compliance-проекты рискуют остаться пилотными и не приносить реальной ценности. Чтобы искусственный интеллект действительно работал, нужно, чтобы технические специалисты, аналитики и руководители говорили на одном языке.
Запуск ИИ-проектов иногда выглядит так: «Нам нужны лучшие специалисты по данным и ИИ-моделям, и тогда модели сами принесут результат». Но практика показывает: такой подход редко бывает эффективным.
Да, data-инженеры действительно умеют строить сложные и точные модели. Но если они работают изолированно и без глубокого понимания процессов организации (риск-менеджмент, маркетинг, клиентский сервис, продажи), полученный результат не решит прикладные задачи. Типичная ситуация: высокий показатель точности в пилотных проектах и полное отсутствие внедрения в реальные бизнес-процессы.
Например, мы создаем инструмент для удержания клиентов. С математической точки зрения все идеально. Но если процесс удержания клиентов не организован в компании, если все задействованные подразделения не смогут использовать прогнозы в ежедневной работе, а ИТ-отдел мучится с интеграцией в существующий ИТ-ландшафт, в итоге проект так и остается на уровне эксперимента.
Проблема в том, что без тесной связи с руководителями направлений и подразделениями-потребителями результат работы data scientists превращается в исследование ради исследования. Могу сказать точно: чтобы ИИ-проекты приносили результат, нужна команда, которая объединяет техническую экспертизу с пониманием бизнес-логики и возможностями ИТ-систем.
Ядро ИИ-команды: пять критически важных ролей
Data scientist — важное звено, но его недостаточно. Я могу привести живой пример: крупные российские игроки уже автоматизируют 40–70% кредитных решений с помощью ИИ. Как показывает практика, когда роли распределены и связаны, технологии начинают работать не только в пилотных проектах, но и в ключевых процессах, принося ценность клиентам и организации.
Вот кто должен входить в ИИ-команду.
- Аналитик бизнес-процессов
Это переводчик с языка бизнеса на язык техники. Формулирует технические задания и критерии успеха. От него зависит, насколько создаваемый ИИ-продукт встроится в действующие процессы организации и как изменит их. Сильный аналитик работает не только с бизнес-заказчиками, но и понимает ограничения ИТ, то есть может сразу отсечь нереализуемые цели и сфокусировать команду на задачах, которые принесут результат.
- Инженер данных, специалист по качеству данных
«Снабженец» данных. Делает так, чтобы данные были качественными, структурированными и в нужном объеме. В финансовых организациях это особенно сложно: данные хранятся в разных системах, часть из которых устарела или потеряла качество. Инженер данных часто становится «борцом с наследием», приводя все это в порядок.
- Аналитик, создатель ML-моделей
Отвечает за создание модели, ее обучение, выбор архитектуры, на которой модель будет создана. Проверяет первичные гипотезы, модифицирует модель, доводя ее ответы до нужного результата. На практике решает еще и вопросы «живучести» проекта. Именно он думает, что произойдет, если модель начнет выдавать ошибки, или как встроить мониторинг, чтобы сбой не привел к проблемам.
- Юрист/Compliance-эксперт
Следит за легальностью и этичностью. Проверяет соблюдение федерального законодательства и требований Банка России 152-ФЗ, работу с персональными данными, возможные риски. Иногда именно этот специалист может вовремя скорректировать проект, если модель начинает подсвечивать нежелательные корреляции — например, косвенно дискриминирует клиентов по возрасту или региону.
- Специалист по информационной безопасности
Убеждается, что все использование данных правомерно, построенная конструкция не приведет к появлению новых уязвимостей в ландшафте организации, предлагает технические решения для защиты данных и периметра организации, минимизирует риски утечек данных.
Без этих ролей ИИ-проекты часто застревают на уровне «красивого прототипа» и не доходят до полноценного внедрения.
Организационные модели: как собрать пазл
Команду нужно правильно организовать, чтобы работа не была хаотичной. Обычно практикуют две модели организации, каждая из которых имеет свои преимущества и ограничения.
Вариант 1. Децентрализованная модель
Специалисты распределены по бизнес-юнитам, например в риск-менеджменте или маркетинге. Это помогает глубже понять задачи конкретного направления и быстрее получать обратную связь.
Но есть риск разобщенности. Каждая команда создает свои подходы, стандарты и даже инструменты. Так, через некоторое время мы сталкиваемся с «зоопарком» решений, которые сложно интегрировать и поддерживать, а отдельные команды, участвующие в сквозных процессах, начинают конкурировать между собой.
Вариант 2. Централизованный ИИ-хаб
Единый центр компетенций, где сконцентрированы лучшие практики и технологии. Контролирует качество, стандартизирует подходы и формирует общий технологический стек. Например, JPMorgan сделал ставку на такой хаб: около 35% всех исследователей в области ИИ работают именно там. Масштаб позволяет учитывать специфику разных бизнес-линий.
Минус в том, что централизованный хаб может оказаться слишком далеким от реальных бизнес-задач. Разработчики часто не видят как продукт используется на практике, поэтому он может быть слишком сложным или оторванным от реальных потребностей.
Сбалансированный вариант: Федеративный ИИ-хаб
Совмещает в себе роль единого центра компетенций, определяющего стандарты работы и инструментарий, и ресурсного центра, внутри которого существует специализация как по отдельным направлениям: речевая аналитика, генерация контента, и т. п., — так и по бизнес-процессам и продуктам: продажи, обслуживание, привлечение, конкретные продуктовые линейки.
Такой подход помогает масштабировать ИИ в организации без потери связи с бизнесом.
Новая управленческая компетенция: лидер ИИ-трансформации
Лидер ИИ-трансформации — это стратег, который соединяет технологические возможности с бизнес-целями. Обладая техническим бэкграундом, он фокусируется на создании общего видения и интеграции ИИ в бизнес-процессы.
В его задачи входит выстраивание работы для достижения измеримых результатов, преодоление межфункциональных барьеров, обеспечение обмена данными и управление изменениями: от обучения сотрудников и формирования новой культуры до снижения сопротивления инновациям.
Итоги
Итак, к чему мы пришли? Успешный ИИ-проект — это на 20% технологии и на 80% правильная организация процессов. Финансовым организациям нужно инвестировать не только в алгоритмы и инфраструктуру, но и в кросс-функциональные команды и управленческие компетенции для их руководства. Будущее за гибридными специалистами и руководителями, которые понимают бизнес-логику, возможности данных и умеют соединять технологии с практической ценностью.
Короткая ссылка
