Искусственный интеллект не раскроет потенциал без слаженной команды: каких специалистов не хватает в финансовой сфере
Сергей Путятинский
Вице-президент по операционной деятельности и информационным технологиям ФГ БКС
Финансовые учреждения уже передают искусственному интеллекту до 70% решений по кредитованию. Однако парадоксально, что многие инициативы так и не выходят из стадии эксперимента. Ключевая трудность — неспособность сформировать эффективную рабочую группу и наладить её функционирование. В этой статье я объясняю, как этого достичь.
Неверная установка: «Достаточно нанять инженеров, и ИИ заработает»
Сложность заключается не в качестве алгоритмов и не в квалификации технических специалистов. Основная причина, на которую указывает Банк России, — это слабая организация взаимодействия: при отсутствии согласованности между бизнес-подразделениями, IT-службой и отделом комплаенса проекты рискуют остаться пробными и не создавать практической пользы. Для реальной работы искусственного интеллекта необходимо, чтобы разработчики, аналитики и менеджеры понимали друг друга.
Зачастую запуск проектов с ИИ строится по принципу: «Нам требуются ведущие эксперты по данным и моделям машинного обучения, и тогда алгоритмы автоматически дадут результат». Но опыт демонстрирует, что подобная стратегия редко приводит к успеху.
Безусловно, инженеры по данным способны создавать сложные и высокоточные модели. Однако если они действуют обособленно, без погружения в специфику деятельности компании (управление рисками, маркетинг, обслуживание клиентов, продажи), итоговый продукт не решит конкретные бизнес-задачи. Типичный сценарий: отличные метрики в тестовом режиме и полная остановка при интеграции в реальные рабочие процессы.
Рассмотрим ситуацию: мы разрабатываем решение для повышения лояльности клиентов. С точки зрения алгоритмов всё безупречно. Однако если в компании отсутствует отлаженный процесс работы с клиентской базой, если различные отделы не готовы применять аналитические прогнозы в своей рутине, а IT-специалисты сталкиваются со сложностями внедрения в текущую инфраструктуру, проект рискует остаться лишь пробным экспериментом.
Сложность заключается в том, что без плотного взаимодействия с руководителями бизнес-направлений и отделами-заказчиками, труд специалистов по данным рискует стать чисто академическим изысканием. Уверен, для успеха AI-проектов необходима команда, которая сочетает технологические знания с глубоким пониманием бизнес-процессов и особенностей корпоративных IT-систем.
Ядро ИИ-команды: пять критически важных ролей
Data scientist — ключевая, но не единственная фигура. Приведу наглядный пример: ведущие российские компании уже автоматизируют с помощью ИИ от 40 до 70% решений по выдаче кредитов. Опыт показывает, что при грамотном распределении и взаимосвязи ролей технологии начинают эффективно работать не только в тестовом режиме, но и в основных бизнес-процессах, создавая ценность как для клиентов, так и для самой компании.
Вот какие специалисты должны составлять ядро такой команды.
- Бизнес-аналитик
Выступает посредником между бизнесом и технологиями. Формирует технические требования и определяет критерии успешности. От его работы зависит, насколько гармонично AI-решение интегрируется в текущие рабочие процессы компании и как их преобразует. Опытный аналитик не только взаимодействует с заказчиками, но и учитывает технические ограничения, позволяя сразу отбрасывать невыполнимые идеи и концентрировать усилия команды на достижимых и результативных задачах.
- Инженер данных, специалист по качеству данных
Обеспечивает команду «сырьём» — данными. Отвечает за их качество, структурированность и доступность в необходимом объёме. В финансовом секторе это особенно сложная задача: информация часто распределена по разным, подчас устаревшим или неконсистентным системам. Инженеру данных нередко приходится выступать в роли «ликвидатора технического долга», приводя этот хаос в порядок.
- ML-аналитик, разработчик моделей
Отвечает за построение, обучение модели и выбор оптимальной архитектуры для её реализации. Проверяет первоначальные гипотезы, дорабатывает и калибрует модель для достижения целевых показателей. На практике также решает вопросы устойчивости проекта. Именно этот специалист продумывает, как система поведёт себя в случае сбоев или ошибок модели, и как организовать мониторинг, чтобы минимизировать потенциальные риски.
- Юрист/Специалист по комплаенсу
Обеспечивает соответствие нормам права и этическим принципам. Контролирует выполнение федеральных законов и положений ЦБ РФ 152-ФЗ, процессы обработки персональных данных, оценивает потенциальные угрозы. Зачастую именно этот эксперт способен своевременно скорректировать разработку, если алгоритм выявляет некорректные взаимосвязи — к примеру, косвенно ущемляет права клиентов по возрастному или географическому признаку.
- Эксперт по защите информации
Гарантирует правомерность всех операций с данными, следит, чтобы внедряемые решения не создавали новых слабых мест в инфраструктуре компании, разрабатывает технические меры для защиты данных и периметра организации, снижает вероятность их несанкционированного распространения.
Без участия этих специалистов проекты на основе искусственного интеллекта нередко остаются на стадии «эффектного макета» и не перерастают в полноценную эксплуатацию.
Модели организации: как сложить рабочий механизм
Для эффективной и слаженной работы команду необходимо правильно структурировать. Как правило, применяются две основные модели, каждая из которых обладает своими сильными сторонами и недостатками.
Модель 1. Распределённая структура
Специалисты встроены в различные бизнес-подразделения, такие как управление рисками или отдел маркетинга. Это позволяет глубже вникнуть в специфику задач определённого направления и оперативно получать обратную связь.
Однако существует опасность разрозненности. Каждая группа может формировать собственные методики, стандарты и даже набор инструментов. В результате через какое-то время возникает «разношёрстный» набор решений, которые трудно объединять и обслуживать, а команды, задействованные в сквозных процессах, порой вступают в конкуренцию друг с другом.
Модель 2. Централизованный центр ИИ
Единый узел компетенций, аккумулирующий передовой опыт и технологии. Отвечает за качество, унифицирует методы работы и создаёт общую технологическую базу. Например, JPMorgan сделал выбор в пользу подобного центра: в нём сосредоточено около 35% всех исследователей в сфере ИИ. Масштаб деятельности позволяет учитывать особенности различных бизнес-направлений.
Недостаток заключается в том, что централизованный хаб может оказаться изолированным от актуальных бизнес-проблем. Разработчики не всегда видят, как продукт применяется на практике, из-за чего он может стать излишне сложным или не отвечать реальным запросам.
Смешанная модель: Федеративный центр ИИ
Он выполняет двойную функцию: выступает в качестве центра экспертизы, устанавливающего рабочие стандарты и набор инструментов, а также как ресурсный хаб, где происходит специализация как по функциональным областям — например, анализ речи или создание контента, — так и в разрезе бизнес-процессов и продуктовых линеек: продажи, клиентский сервис, привлечение клиентов.
Эта модель позволяет эффективно масштабировать применение искусственного интеллекта в компании, не утрачивая при этом фокуса на бизнес-задачах.
Ключевой управленческий навык нового времени: руководитель цифровой трансформации на основе ИИ
Такой лидер — это стратег, который находит точки соприкосновения между технологическим потенциалом и коммерческими целями. Имея техническую подготовку, он концентрируется на формировании общей стратегической картины и внедрении ИИ в операционные процессы.
В его обязанности входит организация работы для получения конкретных измеримых итогов, устранение барьеров между подразделениями, налаживание обмена данными и руководство изменениями: от обучения персонала и формирования новой корпоративной культуры до минимизации сопротивления нововведениям.
Выводы
Что же в итоге? Успешная реализация проекта на основе искусственного интеллекта лишь на 20% зависит от технологий и на 80% — от грамотно выстроенных процессов. Финансовым компаниям важно вкладываться не только в алгоритмы и техническую базу, но и в междисциплинарные команды, а также в управленческие навыки для их координации. Перспектива принадлежит гибридным экспертам и менеджерам, которые разбираются в бизнес-логике, понимают возможности данных и способны превращать технологические решения в практическую пользу.
