Иван Иванов, директор по стратегии цифровой трансформации Альфа-Банка, рассказал Ирине Хворостян, партнеру и руководителю технологической практики Kept, о том, сколько банк сэкономил благодаря автоматизации процессов, о планах распознавать эмоции клиентов и каким будет банк будущего.
Альфа-Банк начал масштабный процесс роботизации в 2018 году после покупки западной RPA-платформы Blue Prism. Плавно процесс перерос в применение искусственного интеллекта. Вы называли вашей главной задачей автоматизацию бизнес-процессов, чтобы разгрузить сотрудников от рутины и сдерживать увеличение расходов при росте бизнеса. Каковы практические результаты вашей работы?
Если завтра отключить всех роботов в Альфа-Банке, нам придется дополнительно нанять 870 человек. Роботы фактически выполняют задачи целого большого подразделения, 3,5 млн операций в месяц, и объем растет по мере увеличения клиентской базы. Роботизация позволяет, во-первых, избавить сотрудников от рутины, а во-вторых, удерживать издержки, которые растут вслед за клиентской базой.
Благодаря только роботизации мы сэкономили около 300 млн рублей в 2021 году и прогнозируем экономию порядка 1,1 млрд рублей по итогам 2024 года.
Благодаря только роботизации мы сэкономили около 300 млн рублей в 2021 году и прогнозируем экономию порядка 1,1 млрд рублей по итогам 2024 года.
Теперь в Альфа-Банке нет андеррайтеров — людей, которые вручную оценивают риски. Если прийти к вам и попросить кредит, решение примет модель. Роботы выявляют звонки мошенников, искусственный интеллект подбирает ипотечные программы для клиентов, одобряет ипотеку без анкеты. Есть ли неочевидные примеры, что еще Альфа-Банк поручил искусственному интеллекту?
В декабре 2024 года мы получили награду международной конференции AI Journey за разработку автоматизированной системы ИИ-моделирования AutoML. Это первая в России полностью автоматическая система разработки и переобучения внедренных в эксплуатацию моделей.
Какую проблему мы решали? Если собрать дата-сайентистов для разработки моделей, то в определенный момент количество новых моделей перестанет расти. Потому что дата-сайентистам придется переобучать модели, ведь они устаревают, и их нужно адаптировать под новые параметры, новые источники данных. Для этого нужно либо увеличивать штат, либо поступиться тем, что модели не будут расти и покрывать бóльшее количество процессов.
Какую проблему мы решали? Если собрать дата-сайентистов для разработки моделей, то в определенный момент количество новых моделей перестанет расти. Потому что дата-сайентистам придется переобучать модели, ведь они устаревают, и их нужно адаптировать под новые параметры, новые источники данных. Для этого нужно либо увеличивать штат, либо поступиться тем, что модели не будут расти и покрывать бóльшее количество процессов.
Сейчас 40% моделей из более 600, применяемых в Альфа-Банке, переобучаются с помощью AutoML. Мы используем искусственный интеллект для создания искусственного интеллекта.
Фактически это тоже роботизация рутины. Потому что поддержание и переобучение моделей — это тоже рутинные операции.
Да, конечно. Мы высвобождаем время наших дата-сайентистов на создание нового, а не на поддержание старого.
Любой сотрудник Альфа-Банка может создать заявку на роботизацию определенного процесса. Как происходит процесс отбора и калибровки идей?
Здесь действуют те же правила, что и внутри продуктовой разработки. Если сотрудник предлагает сделать робота, чтобы оптимизировать какой-то процесс или увеличить продажи, то первое, на что мы смотрим, — насколько создание такой модели будет экономически эффективно, второе — насколько трудоемко, и третье — не будет ли эта задача решена в процессе уже намеченной глобальной автоматизации. Мы берем в бэклог только те идеи, которые прошли проверку. Мелкие задачи мы можем «припарковать» и позже объединить в большую платформенную задачу, чтобы решать проблему массово.
Насколько активно сотрудники предлагают идеи? Мы как консультанты работаем с разными организациями. В крупных компаниях люди все-таки сфокусированы на операционной деятельности, заняты текущими задачами. Откуда берутся идеи? У вас активные сотрудники, инициативные?
Действительно, сотрудники склонны зарываться в собственные рутинные задачи, и мы стараемся создать «тягу снизу» — рассказать про технологии, дать возможность их попробовать, чтобы у людей возникли идеи. Внедряя RPA, мы провели целую школу роботизации. Учили людей писать простых роботов под свои задачи. Благодаря этому коллеги лучше понимали возможности технологии и уже могли придумать более сложного робота.
Если говорить про генеративный ИИ, то у нас есть платформа Smarty. С ее помощью большое количество сотрудников учатся через написание промптов для оптимизации собственной рутины понимать, как ИИ работает с текстом, со звуком и как его можно использовать. Затем они приходят уже с конкретными идеями.
Если говорить про генеративный ИИ, то у нас есть платформа Smarty. С ее помощью большое количество сотрудников учатся через написание промптов для оптимизации собственной рутины понимать, как ИИ работает с текстом, со звуком и как его можно использовать. Затем они приходят уже с конкретными идеями.
То есть вы пошли по пути внедрения технологий в рабочую, рутинную жизнь, чтобы коллеги, используя этот инструмент, генерировали идеи.
Да. В противном случае есть риск создать палочную систему, когда сотрудники формально выполняли бы условный KPI в 10 проектов, но многие из них были бы неуспешны. Настоящий результат рождается, когда люди понимают технологию и научились ее применять.
Известно, что Альфа-Банк принимает от стартапов заявки на пилотирование. Учитывая хайп вокруг темы искусственного интеллекта, как отобрать правильные и не ошибиться? Вы оплачиваете стартапам пилотирование? У вас есть определенный бюджет на подобного рода эксперименты?
Есть компании с корпоративными стартап-хабами, которые растят у себя стартапы. Мы же пилотируем уже готовые технологии за плату, а не за спасибо. И у нас есть на это отдельный бюджет. Мы не говорим: «Приходите в топовый банк в стране, мы не заплатим вам ни копейки, а еще потом скажем, что ваша технология плохая».
Мы долго думали, как правильно выстроить процесс отбора технологий для пилотирования. Первое — мы построили систему Fast Track. На нее аллоцирована отдельная команда айтишников и безопасников. Мы можем за месяц рассмотреть технологию того или иного разработчика и определить, тестировать ли ее в банке или нет.
Часто у коллег из бизнес-подразделений есть потребность решить ту или иную задачу, но они не знают, какая технология применима. Под это у нас заточен процесс Use Case отчетов. Мы собираем от бизнес-подразделений задачи и ищем на международном рынке референсы — какие технологии применяли компании, которые справились с аналогичными задачами, вплоть до скриншотов экранов того, как они внедряли эти технологии. От этого мы уже отталкиваемся в сторону поиска конкретной технологии. На этом этапе возникает большая сложность.
Мы долго думали, как правильно выстроить процесс отбора технологий для пилотирования. Первое — мы построили систему Fast Track. На нее аллоцирована отдельная команда айтишников и безопасников. Мы можем за месяц рассмотреть технологию того или иного разработчика и определить, тестировать ли ее в банке или нет.
Часто у коллег из бизнес-подразделений есть потребность решить ту или иную задачу, но они не знают, какая технология применима. Под это у нас заточен процесс Use Case отчетов. Мы собираем от бизнес-подразделений задачи и ищем на международном рынке референсы — какие технологии применяли компании, которые справились с аналогичными задачами, вплоть до скриншотов экранов того, как они внедряли эти технологии. От этого мы уже отталкиваемся в сторону поиска конкретной технологии. На этом этапе возникает большая сложность.
Стартапы в силу практики общения с венчурными фондами склонны приукрашивать возможности технологии в самом начале, и это может создать у коллег из бизнес-подразделений неоправданно завышенные ожидания от пилота, а после возникнет разочарование. Поэтому мы говорим стартапам: «Не надо магии!».
Нам важно, чтобы они с самого начала были с нами честны с точки зрения ограничений их технологии. За 2024 год мы протестировали более 50 разных решений. Изначальная выборка была существенно больше.
Мы часто пилотируем одно и то же решение от нескольких стартапов, чтобы сравнить. Около 20% протестированных технологий в итоге масштабируем в банке. Некоторые внедряем частично, а другие продолжаем исследовать, чтобы понять, масштабировать ли их впоследствии.
Мы часто пилотируем одно и то же решение от нескольких стартапов, чтобы сравнить. Около 20% протестированных технологий в итоге масштабируем в банке. Некоторые внедряем частично, а другие продолжаем исследовать, чтобы понять, масштабировать ли их впоследствии.
Вы используете ChatGPT и Open Source LLM от Google, которую обучаете на своих данных. Банковская деятельность достаточно жестко регламентирована в том числе с точки зрения информационной безопасности. Как обстоят дела с защитой данных? Ведь банк же работает с конфиденциальной информацией.
У нас есть платформа AlfaGen. Это стек технологий, который позволяет быстро и легко переключаться между разными LLM-моделями в контуре банка. Нам важно экспериментировать с полным набором и, пилотируя те или иные решения, смотреть, какая модель справляется лучше.
Второй путь — использовать LLM-модель от внешнего провайдера, который может быть как российским, так и иностранным. Например, мы подключены к LLM «Яндекса» по API — специальная инфраструктура считает токены, анализирует трафик, осуществляет Data Loss Prevention.
Мы действительно иногда прибегаем к ChatGPT, но не используем его в промышленных масштабах, а через прокси пробуем те или иные вещи, чтобы сравнить результат.
Мы гибко подходим к выбору формата пилотирования. Можем сделать пилот за контуром банка, а можем сделать в контуре. Если пилот связан с критически важной инфраструктурой, с коммерческой, банковской тайной, можно реализовать его на Open Source-модели в контуре банка. Если же это что-то не столь критичное, то тестируем снаружи. У нас, в принципе, все интегрируется и хорошо работает через API.
Естественно, риск утечки данных, как мы видим по другим бигтехам, всегда есть, но мы внимательно следим, чтобы он был минимален.
Второй путь — использовать LLM-модель от внешнего провайдера, который может быть как российским, так и иностранным. Например, мы подключены к LLM «Яндекса» по API — специальная инфраструктура считает токены, анализирует трафик, осуществляет Data Loss Prevention.
Мы действительно иногда прибегаем к ChatGPT, но не используем его в промышленных масштабах, а через прокси пробуем те или иные вещи, чтобы сравнить результат.
Мы гибко подходим к выбору формата пилотирования. Можем сделать пилот за контуром банка, а можем сделать в контуре. Если пилот связан с критически важной инфраструктурой, с коммерческой, банковской тайной, можно реализовать его на Open Source-модели в контуре банка. Если же это что-то не столь критичное, то тестируем снаружи. У нас, в принципе, все интегрируется и хорошо работает через API.
Естественно, риск утечки данных, как мы видим по другим бигтехам, всегда есть, но мы внимательно следим, чтобы он был минимален.
Какую роль в этом играет департамент безопасности банка. Может ли он наложить вето на внедрение технологии и были ли случаи, что он блокировал запуск каких-то решений?
В конце 2024 года Альфа-Банк присоединился к «Альянсу в сфере искусственного интеллекта», в который входят Яндекс, Сбер, Т-Банк и другие. И все осознают важность безопасности.
Во-первых, наличие столь мощной технологии порождает большое количество фейковой информации. Во-вторых, никто до конца не понимает, как работают эти модели. Мы создали отдельное подразделение банка, который занимается кибербезопасностью в связи с применением искусственного интеллекта. Коллеги внимательно следят за тем, как модели отвечают, как можно и нужно цензурировать их ответы и как сделать так, чтобы нельзя было манипулировать моделью с помощью того или иного промпт-инжиниринга.
Во-первых, наличие столь мощной технологии порождает большое количество фейковой информации. Во-вторых, никто до конца не понимает, как работают эти модели. Мы создали отдельное подразделение банка, который занимается кибербезопасностью в связи с применением искусственного интеллекта. Коллеги внимательно следят за тем, как модели отвечают, как можно и нужно цензурировать их ответы и как сделать так, чтобы нельзя было манипулировать моделью с помощью того или иного промпт-инжиниринга.
Чат-бот Альфа-Банка три года возглавляет рейтинг Chatbot Rank 2024. Он понимает голосовые сообщения и может «прочитать» скриншот или квитанцию. С недавнего времени к беседам в чатах подключается Al-агент и решает вопросы, которые раньше чат-бот переводил на человека-оператора. Чат-боты, пожалуй, самый распространенный инструмент. Тем не менее, вы стали лидерами и удерживаете это первенство.
Конечно, поддерживать позиции лидера — это титанический труд. Огромное спасибо нашей команде, которая занимается разработкой чат-бота.
Он работает на нескольких уровнях. Сначала с вами разговаривает и решает ваши задачи искусственный интеллект. Мы работаем над тем, чтобы он отрабатывал больше простых запросов. Но если же ИИ не справляется или вы как клиент не хотите разговаривать с ботом, мы переключаем вас на сотрудника контактного центра.
Как мы добились бо́льшей удовлетворенности клиента? Сначала мы создали бот-суфлер, который распознает запросы клиентов и формирует ответ из базы. Сотруднику оставалось лишь подтвердить, правильный ли выбор сделал бот. Так наша модель научилась отвечать клиентам правильно.
Сейчас мы активно пилотируем формат, когда клиента переключают не на человека-оператора, а на AI-агента.
Он работает на нескольких уровнях. Сначала с вами разговаривает и решает ваши задачи искусственный интеллект. Мы работаем над тем, чтобы он отрабатывал больше простых запросов. Но если же ИИ не справляется или вы как клиент не хотите разговаривать с ботом, мы переключаем вас на сотрудника контактного центра.
Как мы добились бо́льшей удовлетворенности клиента? Сначала мы создали бот-суфлер, который распознает запросы клиентов и формирует ответ из базы. Сотруднику оставалось лишь подтвердить, правильный ли выбор сделал бот. Так наша модель научилась отвечать клиентам правильно.
Сейчас мы активно пилотируем формат, когда клиента переключают не на человека-оператора, а на AI-агента.
Обычно клиенты оценивают чат-боты негативно, им кажется, что там нет персонализации. А магия AI-агента в том, что он имитирует человека: у него есть имя и фамилия, он отвечает с задержкой.
Это позволяет разгрузить сотрудников контакт-центра, чтобы они сосредоточились только на нестандартных запросах клиентов.
Я отношусь к консервативным людям и люблю, когда со мной общается живой человек. Мне некомфортно в переписке с роботом, потому что на простые вопросы я и так знаю ответы. А на сложные вопросы технология все равно не ответит. Насколько вырос уровень удовлетворенности клиентов после того, как AI-агент начал притворяться человеком?
Хороший вопрос. Действительно, более половины оценивают чат-бот негативно, потому что им кажется, что чат-бот сам по себе — это плохо. Не потому, что он не решил их задачу, а потому что им не хочется общаться с машиной.
Пока идет пилотный проект, мы не для всех клиентов подключили чат-бот с AI-агентом. Но 30% из них оценивают новинку хорошо и не чувствуют подвоха, что с ними говорит не человек.
Пока идет пилотный проект, мы не для всех клиентов подключили чат-бот с AI-агентом. Но 30% из них оценивают новинку хорошо и не чувствуют подвоха, что с ними говорит не человек.
А работаете ли вы над тем, чтобы придать эмоциональности AI-агенту? Ведь основная причина отторжения от общения с роботом, что в нем нет человечности. Он большой молодец, он очень умный, хорошо систематизирует информацию и правильно отвечает на вопросы. Но он робот.
Чат-бот совершенствуется на диалогах и будет общаться более персонализированно. Все же приятно, когда модель помнит ваш контекст, и в рамках него создает определенную эмоцию. Вам будет казаться, что вы общаетесь с реальным сотрудником контакт-центра.
Многие слышали историю о том, как один из разработчиков Google настаивал, что у чат-бота LaMDA есть собственный разум, и смотрели фильм «Она», где главный герой строит отношения с операционной системой.
Многие слышали историю о том, как один из разработчиков Google настаивал, что у чат-бота LaMDA есть собственный разум, и смотрели фильм «Она», где главный герой строит отношения с операционной системой.
Читайте также
Поговорим о технологических сервисах Альфа-Банка. Летом 2024 года появился Telegram-бот в помощь самозанятым «Работа для бота», а осенью — сервис «Нейроофис» в интернет-банке. У них схожий функционал — упростить жизнь малому бизнесу: помочь отвечать на отзывы клиентов, формулировать вакансии, редактировать тексты. В дальнейшем вы планируете запустить виртуального юриста, бухгалтера и дизайнера. Пользователям не нужно владеть навыками промпт-инжиниринга, достаточно ответить на несколько вопросов о своем бизнесе. Сколько предпринимателей уже пользуются «Нейроофисом»? Подписка на сервис стоит 1380 рублей в месяц. Планируете ли вы окупить вложения в проект или же сервис направлен в первую очередь на повышение лояльности клиентов?
«Нейрофис» появился после серии экспериментов: сначала мы сделали сервис в Telegram, а затем, получив хорошие отклики, перенесли технологию в интернет-банк. В интернет-банке у нас представлены только успешные и востребованные клиентами продукты.
Компании малого и микробизнеса пользуются сервисом. Количество пользователей растет, у нас хорошие цифры. Но в условиях конкурентной среды мы пока хотим оставить наши показатели в секрете.
Мы смотрим на сервис с двух сторон. Во-первых, мы хотим улучшать клиентский опыт, чтобы клиент оставался с нами как можно дольше. Во-вторых, мы как коммерческий банк должны смотреть на все с точки зрения получения дохода. Одно из направлений развития сервиса — часть бесплатного и часть платного функционала, которая доступна по подписке.
Компании малого и микробизнеса пользуются сервисом. Количество пользователей растет, у нас хорошие цифры. Но в условиях конкурентной среды мы пока хотим оставить наши показатели в секрете.
Мы смотрим на сервис с двух сторон. Во-первых, мы хотим улучшать клиентский опыт, чтобы клиент оставался с нами как можно дольше. Во-вторых, мы как коммерческий банк должны смотреть на все с точки зрения получения дохода. Одно из направлений развития сервиса — часть бесплатного и часть платного функционала, которая доступна по подписке.
В статье на Habr вы поделились, как с помощью Visual Mining — технологии извлечения данных из изображения или видео — проанализировали записи с камер видеонаблюдения в отделениях банка и выяснили, что большой стол гораздо реже используется для обслуживания клиентов, чем маленькие, но занимает много места. Предприняли ли вы конкретные шаги по улучшению клиентского опыта в отделениях банка по результатам VM-аналитики? Что конкретно изменилось? Приведите, пожалуйста, другие примеры подобных открытий с помощью ИИ-технологий.
Честно говоря, я обожаю этот проект. Он доказывает, что у больших компаний есть слепые зоны. Мы видим в анализе видеозаписей с помощью ИИ огромный потенциал.
Начну ответ издалека. Мы первыми на рынке реализовали в офисах банка концепцию Phygital (от digital «цифровой» + physical «физический» — прим. Mustread). Она заключается в том, что клиент общается с операционистом в отделении и может подтверждать операции в приложении. И уже после другие банки начали это копировать.
Дальше мы задумались над тем, как масштабировать эту концепцию. Камеры в кассах банка записывают действия операционистов, которые принимают у вас наличные. Также есть камеры в банкоматах. Мы сделали модель, которая по видео выявляет операционные риски либо случаи мошенничества. Вместо сотрудника службы безопасности модель анализирует записи с камер видеонаблюдения и поднимет красный флаг, если сотрудник забыл на столе деньги, ключ от сейфа или карту клиента. Мы пилотируем проект в 20 офисах банка.
Например, если в зоне банкоматов кто-то прилег отдохнуть, модель автоматически оповестит службу безопасности, чтобы те проводили человека и позаботились, чтобы он безопасно доехал до дома.
Еще одна идея — распознавание оружия у посетителей отделений банка. Но непонятно, как по видео отличить игрушечный пистолет от настоящего.
Начну ответ издалека. Мы первыми на рынке реализовали в офисах банка концепцию Phygital (от digital «цифровой» + physical «физический» — прим. Mustread). Она заключается в том, что клиент общается с операционистом в отделении и может подтверждать операции в приложении. И уже после другие банки начали это копировать.
Дальше мы задумались над тем, как масштабировать эту концепцию. Камеры в кассах банка записывают действия операционистов, которые принимают у вас наличные. Также есть камеры в банкоматах. Мы сделали модель, которая по видео выявляет операционные риски либо случаи мошенничества. Вместо сотрудника службы безопасности модель анализирует записи с камер видеонаблюдения и поднимет красный флаг, если сотрудник забыл на столе деньги, ключ от сейфа или карту клиента. Мы пилотируем проект в 20 офисах банка.
Например, если в зоне банкоматов кто-то прилег отдохнуть, модель автоматически оповестит службу безопасности, чтобы те проводили человека и позаботились, чтобы он безопасно доехал до дома.
Еще одна идея — распознавание оружия у посетителей отделений банка. Но непонятно, как по видео отличить игрушечный пистолет от настоящего.
Сейчас в рамках эксперимента мы пытаемся с помощью камер определять эмоциональное состояние клиентов. Пришел ли он расстроенный, веселый, грустный, задумчивый и т.д.
Если клиент сдал биометрию, то, когда он приходит в отделение банка и встает в «умную очередь», мы уже понимаем, что пришел конкретный человек и как к нему обращаться. Зная, что он испытывает, мы можем написать скрипт сотруднику отделения о том, как с ним правильно общаться.
Вот пришла я к вам грустная, допустим, и дальше что? Сотрудник отделения скажет: «Ирина, может быть, вам сначала чашечку кофе и шоколадку, а потом поговорим про ваши деньги»?
А почему нет?! Это очень важный аспект человеческого отношения к нашим клиентам. Хотя сотрудники отделений ориентированы на клиентов, проходят специальные тренинги и т.д., но, как и все люди, устают. И почему бы не сделать так, чтобы в начале обслуживания модель подсказывала, на что обратить внимание в общении с клиентом?
Все-таки основная цель бизнеса — извлечение прибыли. В случае распознавания эмоций очень сложно просчитать, какой результат это принесет. А само построение модели и ее пилотирование — достаточно дорогостоящая история. Но вы все равно в это идете, даже понимая, что экономическая польза не гарантирована?
Наша идеология коммерческого банка состоит в том, чтобы все внимательно просчитывать. Но, если не экспериментировать, можно упустить что-то важное. У нас сильно развито FOMO (fear of missing out, страх что-то упустить — прим. Mustread). Мы реализуем подобные пилоты для того, чтобы не упустить эти технологии, понимать, масштабировать их или нет. Мы экспериментируем со всем, но всегда прагматично подходим к результату.
Действительно, создание модели по распознаванию эмоций — достаточно трудоемкая история. Мы знаем подрядчиков, которые реализуют эту технологию. Как просчитать эффект? Если вырастут продажи у выборки клиентов, с которыми общались с эмпатией и пониманием их контекста, мы будем масштабировать технологию.
Действительно, создание модели по распознаванию эмоций — достаточно трудоемкая история. Мы знаем подрядчиков, которые реализуют эту технологию. Как просчитать эффект? Если вырастут продажи у выборки клиентов, с которыми общались с эмпатией и пониманием их контекста, мы будем масштабировать технологию.
Мы встречаемся в рамках серии интервью с экспертами в области ИИ из разных компаний. И сложилось понимание, что крайне трудно оценить эффект в нулевой точке — до того, как состоялся пилот. Либо мы спрогнозировали какой-то эффект и верим, что технология сработает. Либо мы позволяем себе пробовать разное — и в процессе находим экономические выгоды. Вы же применяете комбинированный подход.
Все верно. Мы проводим большое количество экспериментов и выбираем то, что действительно работает. Но если ты не проводишь эксперименты и становишься догоняющим, то будешь вынужден копировать то, что уже сделали другие. А мы все-таки трендсеттеры, нежели догоняющие, и экспериментируем много.
А что думают ваши сотрудники по этому поводу? Как известно, многие опасаются потерять работу из-за распространения искусственного интеллекта.
Мы работаем с подобными страхами по двум направлениям. Первое — автоматизация меняет роли сотрудников банка. Например, сотрудники, которые доставляют клиентам карты, выступают представителями банка, а не курьерами. Они не хуже сотрудников отделения и с помощью специального приложения могут полноценно вас проконсультировать. Мы подсвечиваем коллегам, которые раньше занимались рутинными задачами, что их роль и ответственность существенно возросли.
Второе — мы переучиваем сотрудников, чей функционал изменила автоматизация. Мы проанализировали функционал почти 35 000 сотрудников и распределили их по 5 ролям. Есть управленцы; люди, принимающие решения, которые занимаются планированием и решением творческих задач; те, кто взаимодействует с коллегами, клиентами и другими контрагентами; те, кто собирает информацию, и те, кто выполняет физическую работу (курьеры, обслуживание банкоматов). Мы видим то, что количество экспертов год от года растет, а количество рутинщиков уменьшается.
У нас есть школа Java-программистов, Scrum-мастеров, специалистов по клиентскому опыту. Мы помогаем сотрудникам приобрести экспертную специальность и развиваться в компании в экспертной роли. Таких направлений появляется все больше и больше: AI-сценаристы, AI-тренеры, prompt-инженеры и т.д. Надо отметить, что таких специалистов на рынке не очень много. И подобную экспертную роль можно приобрести у нас в компании.
Второе — мы переучиваем сотрудников, чей функционал изменила автоматизация. Мы проанализировали функционал почти 35 000 сотрудников и распределили их по 5 ролям. Есть управленцы; люди, принимающие решения, которые занимаются планированием и решением творческих задач; те, кто взаимодействует с коллегами, клиентами и другими контрагентами; те, кто собирает информацию, и те, кто выполняет физическую работу (курьеры, обслуживание банкоматов). Мы видим то, что количество экспертов год от года растет, а количество рутинщиков уменьшается.
У нас есть школа Java-программистов, Scrum-мастеров, специалистов по клиентскому опыту. Мы помогаем сотрудникам приобрести экспертную специальность и развиваться в компании в экспертной роли. Таких направлений появляется все больше и больше: AI-сценаристы, AI-тренеры, prompt-инженеры и т.д. Надо отметить, что таких специалистов на рынке не очень много. И подобную экспертную роль можно приобрести у нас в компании.
Вы перечислили в основном ИT-специальности. Насколько реально переобучить операциониста, которого заменили роботы, если у него нет профильного образования?
Конечно, чтобы научиться Java-программированию, нужен математический склад ума. Мы стараемся предлагать сотруднику экспертный трек, который больше ему подходит.
Сколько сотрудников под риском сокращения прошли переквалификацию?
Мы такую статистику не ведем. Есть данные, какое количество людей прошли переобучение, но это не всегда те, кто был под риском сокращения. У нас очень сильно растет клиентская база и количество операций, а автоматизация позволяет не нанимать пропорциональное количество сотрудников.
Компании в России испытывают нехватку даже не столько рабочих рук, сколько хороших мозгов. Альфа-Банк реализует бесплатную образовательную программу по искусственному интеллекту в 300 университетах страны, а вместе с ВШЭ — магистратуру по финтеху. Вы лично делитесь опытом на различных площадках. Чему сейчас стоит учиться?
Мы рассматриваем свое участие в образовании как стратегический вклад. Наши программы заточены на то, чтобы показать студентам, как на практике работают технологии ИИ, Machine learning, Data science.
На самом деле, технологии быстро устаревают. За последние два года технологии ИИ прошли огромный путь. И hard skills, которым ты научился в прошлом году, могут быть не столь актуальны уже в этом году — нужно учиться постоянно.
Очень важно критическое мышление, когнитивные навыки работы с информацией: как ее правильно анализировать, строить логические выводы и принимать на их основе правильные решения. Далее на этот фундамент нужно наслаивать и постоянно обновлять технические скиллы, потому что они уже устаревают.
На самом деле, технологии быстро устаревают. За последние два года технологии ИИ прошли огромный путь. И hard skills, которым ты научился в прошлом году, могут быть не столь актуальны уже в этом году — нужно учиться постоянно.
Очень важно критическое мышление, когнитивные навыки работы с информацией: как ее правильно анализировать, строить логические выводы и принимать на их основе правильные решения. Далее на этот фундамент нужно наслаивать и постоянно обновлять технические скиллы, потому что они уже устаревают.
Вы принимаете на работу студентов кафедр, где преподаете?
Достаточно большой процент, потому что мы заинтересованы в том, чтобы люди, которых мы обучили, работали в Альфа-Банке и развивались вместе с нашей компанией. Мы реализуем программу Alfa Students — принимаем на стажировку студентов (не только наших программ), и у каждого есть наставник.
То есть банк берет на себя в том числе социальную функцию, потому что нашу систему образования серьезно критикуют. Она дает хорошие академические знания, но не хватает привязки к бизнесу. Когда выпускники вузов приходят на работу, им приходится переучиваться, потому что практических навыков вуз не дает.
Действительно в России хорошее фундаментальное образование, но важно приземлить на него практические навыки.
Как изменится банк благодаря новым технологиям, скажем, через 5 лет?
Есть два сценария. Первый — эволюционный, второй — скорее революционный.
Начну с эволюционного сценария, который мне представляется более реалистичным. Думаю, что все банки в ближайшее время уйдут на гиперперсонализацию. Технологии ИИ позволяют снизить затраты на персонализированный сервис для каждого клиента. Появится возможность общения клиентов по новым каналам вроде помощников, голосовых ассистентов и т.д.
Думаю, у всех банков очень сильно изменится сегментация клиентской базы. Сейчас применяется стандартная сегментация на массовый, affluent, private banking и другие сегменты. У клиента private banking есть личный менеджер, и мы тратим на его обслуживание больше, нежели на массового клиента.
Начну с эволюционного сценария, который мне представляется более реалистичным. Думаю, что все банки в ближайшее время уйдут на гиперперсонализацию. Технологии ИИ позволяют снизить затраты на персонализированный сервис для каждого клиента. Появится возможность общения клиентов по новым каналам вроде помощников, голосовых ассистентов и т.д.
Думаю, у всех банков очень сильно изменится сегментация клиентской базы. Сейчас применяется стандартная сегментация на массовый, affluent, private banking и другие сегменты. У клиента private banking есть личный менеджер, и мы тратим на его обслуживание больше, нежели на массового клиента.
Модель обучается на операциях и разговорах с клиентом, узнает о нем все больше и больше информации, что вскоре позволит относиться к каждому, как к клиенту private banking.
Продолжится трансформация банков в цифровые платформы. Если сейчас цифровые платформы внедряют банковский сервис, то вскоре банки будут сильнее проникать в клиентские сценарии со своими продуктами и сервисами через Embedded Banking (с англ. «встроенные финансы», финансовая технология в функционале нефинансового цифрового сервиса — прим. Mustread).
Что же касается революционного сценария, то Сэм Альтман, основатель OpenAI, высказывает предположение о том, что в ближайшие год-два появится большое количество соло-фаундеров — людей, которые будут делать стартап без какой-либо команды. Потому что цифровизация и искусственный интеллект настолько разовьются, что можно будет создать компанию без персонала. Весь back-office — бухгалтерию, маркетинг, CRM, создание какого-либо контента — можно поручить AI-агентам. Мы уже видели примеры полностью цифровых необанков.
В революционном сценарии мы придем к тому, что будут банки со штатом из 10−15 человек. И в банковском секторе появятся соло-фаундеры.
А уже через пять лет вместо меня прогнозы будет строить искусственный интеллект.
Что же касается революционного сценария, то Сэм Альтман, основатель OpenAI, высказывает предположение о том, что в ближайшие год-два появится большое количество соло-фаундеров — людей, которые будут делать стартап без какой-либо команды. Потому что цифровизация и искусственный интеллект настолько разовьются, что можно будет создать компанию без персонала. Весь back-office — бухгалтерию, маркетинг, CRM, создание какого-либо контента — можно поручить AI-агентам. Мы уже видели примеры полностью цифровых необанков.
В революционном сценарии мы придем к тому, что будут банки со штатом из 10−15 человек. И в банковском секторе появятся соло-фаундеры.
А уже через пять лет вместо меня прогнозы будет строить искусственный интеллект.
Хочется спросить Центральный Банк, а что он думает по этому поводу.
Да, важно создать регулирование. Если c людей можно спросить, то какой спрос с AI-агентов?!
У вас очень серьезная, важная работа и миссия. Какие идеи вдохновляют, заставляют ходить на работу и трудиться с энтузиазмом? Или для вас это просто бизнес?
Я отношусь к тому, что делаю, с очень большой любовью. Меня вдохновляет то, что мы развиваем технологичный банк, фактически уже бигтех. Я вижу нашей глобальной миссией выступать локомотивом внедрения технологий наряду с другими игроками, такими как «Яндекс», Сбер, Т-Банк и др. Мы демонстрируем индустрии, как можно с пользой для экономики применять технологии, и тянем другие компании за собой.
Мы со всей душой относимся к тому, что делаем, и видим своей миссией протестировать как можно больше инноваций, чтобы они получили массовое распространение в России.
Если посмотреть на наш финтех-сектор в сравнении с другими странами, то мы, я считаю, движемся семимильными шагами. Лучший финтех-сектор в мире, не побоюсь этого слова. Этого бы не произошло без высокой конкуренции и людей, которым не все равно. Технологии меняют мир, меняют страну. Самый большой драйв — когда ты доказываешь, что можно делать лучший и более качественный сервис для клиента, делишься этим, другие компании тоже пробуют, и меняется вся индустрия.
Мы со всей душой относимся к тому, что делаем, и видим своей миссией протестировать как можно больше инноваций, чтобы они получили массовое распространение в России.
Если посмотреть на наш финтех-сектор в сравнении с другими странами, то мы, я считаю, движемся семимильными шагами. Лучший финтех-сектор в мире, не побоюсь этого слова. Этого бы не произошло без высокой конкуренции и людей, которым не все равно. Технологии меняют мир, меняют страну. Самый большой драйв — когда ты доказываешь, что можно делать лучший и более качественный сервис для клиента, делишься этим, другие компании тоже пробуют, и меняется вся индустрия.
Данные и аналитика, упоминаемые в интервью, предоставлены спикерами. Мнение редакции может не совпадать с мнением спикеров.
Иван Иванов
Директор по стратегии цифровой трансформации Альфа-Банка
До прихода в Альфа-Банк руководил крупными ИТ-проектами по внедрению цифровых технологий в «Газпромбанке» и «Райффайзенбанке». Занимался интеграцией торговых и расчетных платформ, объединением бэкофисных функций и оптимизацией операционных процессов на Московской Бирже. Ранее работал в стратегическом консалтинге, где специализировался на повышении операционной эффективности и цифровой трансформации бизнеса.
