Запрос на ИИ идёт у нас сверху. Руководители спрашивают: у других есть, а у нас где, как его попробовать и пощупать. Идёт запрос и снизу. ИИ пробовали не только специалисты из блока ИТ, но и экономисты, бухгалтеры, снабженцы, технология заметно упрощает их работу.

При этом ИИ приходит не на пустое место. У нас давно работает корпоративный аналитический портал с дашбордами, мы стремимся к единой точке правды.

Но у всякого дашборда есть предел: он отвечает на вопросы, которые в него заложили на этапе разработки. Любое «а что именно он закупает?» или «как это выглядит на фоне других?» превращается в отдельный запрос в ИТ. Задача была в том, чтобы руководитель мог задавать такие вопросы сам и получать ответы, основанные на тех же проверенных данных.

Фундамент для решения такой задачи появился задолго до ИИ. У нас есть офис управления данными, команда специалистов по хранению и загрузке данных и портал с выверенными показателями. Данные собирают и проверяют годами, и этот процесс не останавливается. Для ИИ это хорошая почва: у многих коллег проверенных данных нет, и им придётся сначала получить их.

Мы перебрали несколько версий открытой модели Fine Dora. Все они ошибались в арифметике: в суммах продаж путали копейки, рубли, тысячи и миллионы. Мы даже спрашивали модель, может ли она ошибаться в арифметике. Она уверенно отвечала, что нет, а ошибалась всегда.

Было непонятно, как с этим вообще можно работать, не говоря о том, чтобы показывать это руководителям. Решение подсказал коллега, который не участвовал в проекте, но слушал наши разговоры. Нужно было увеличить контекстное окно, то есть объём информации, который модель удерживает в одном диалоге. После этого ошибки прекратились. Для нас каждый такой шаг был небольшой революцией.

Двум топ-менеджерам мы дали ссылку на систему. Я был против: считал, что нужно прийти и показать. С руководителями мы работаем очень аккуратно, но здесь найти время на встречу было сложно. Однако руководители не читают инструкции. 

Вывод мы сделали такой. Интерфейс переделали по тому же принципу, что и дашборды для высшего звена: обучение не нужно, запутаться нельзя. А ИИ стали показывать вживую, на большом экране. Демонстрацию смотрели около 15 руководителей высшего звена. Диалог вывели на большой экран, и мы шли по цепочке вопросов:

Ответы приходили не просто цифрами, а с пояснениями и рассуждениями, система сама предлагала дополнительные вопросы. Цепочка вызвала большой энтузиазм. Кто-то заметил: на первый вопрос можно было ответить и без ИИ, отсортировав таблицу в дашборде. Все остальные вопросы были запросами «на ходу», которых в дашборде нет. Раньше такой запрос шёл по цепочке: руководитель либо искал информацию сам, либо обращался в ИТ. Теперь это один диалог на естественном языке.

Реакции руководителей разные, и мы работаем с каждым отдельно. Руководитель, который скептически относится ко всему новому, одобрил систему и сам передал ссылку коллеге.

Открытый вопрос, который нам ещё предстоит решить: что делать, если два подразделения приходят на совещание с противоположными рекомендациями и оба ссылаются на ИИ. В спорах о цифрах решение принимал генеральный директор, и в пользу дашборда. Технически я допускаю совместную сессию с ИИ, где позиции разбирают по шагам. Но решение остаётся за руководителем.

Первые результаты работы с ИИ большинство моих коллег получили за пределами рабочих задач. Примерно за год (а то и больше) до появления у нас в Банке внутренней системы с ИИ-моделями все так или иначе пробовали внешние инструменты (типа ChatGPT или DeepSeek).

Когда ИИ-инструмент стал доступен внутри Банка, первые шаги, как правило, были связаны с простыми проверками:

• проверить документацию, подготовленную подрядчиками, или проверить документ, выставленный на согласование;
• сделать резюме с основными выводами из большого текста;
• определить причину ошибки по сообщению из логов;
• написать SQL-запрос для выгрузки данных из БД и т. д.

Основной целью было — оценить, насколько релевантный результат выдаёт система.

У нас в этом году для всех сотрудников Банка была подготовлена и запущена масштабная программа обучения — марафон «42 км к ИИ-грамотности» — цикл модулей, в которых работа с ИИ разбирается буквально с нуля, для тех, кто ранее с ИИ не сталкивался, и вплоть до финальных модулей, объясняющих как создаются ИИ-агенты, автоматизирующие часто повторяемые сценарии. Обучение проходит на платформе учебного портала и платформе геймификации, длится уже почти 3 месяца и завершится в конце ноября.

Наш марафон не ориентирован напрямую на ИТ-специалистов: сотрудники ИТ-блока получили доступы к внутренней системе с LLM значительно раньше остальных подразделений. Обучение предназначено для сотрудников бизнес-подразделений, программа охватывает работу с текстами, изображениями, созданию баз знаний для ИИ и разработке ИИ-агентов.

Раньше мы учили бизнес-пользователей основам грамотной работы с данными (data literacy): где хранятся данные, в каком виде, где и как они описаны, как к ним обратиться, чтобы получить нужную информацию. Сегодня умение работать с ИИ становится такой же базовой компетенцией: нужно уметь поставить задачу, понимать, каким будет результат, и за счёт этого ускорять свою работу и делать ее более интеллектуальной.

С точки зрения обмена опытом: у нас есть корпоративные чаты. В них сотрудники обсуждают использование ИИ-инструментов — для учебных и для рабочих задач. На платформе геймификации также создаются площадки для публикации комментариев по работе с ИИ. Например, одно из заданий — выполнить упражнение и рассказать, что получилось, как вы применяли ИИ и для каких задач. Мы стараемся делать все этапы марафона максимально открытыми, чтобы сотрудники видели опыт коллег и понимали, какие задачи каким образом можно решать. Сейчас в рамках марафона работает платформа идей: предложите идею, мы её оценим, и, если она заслуживает внимания, начислим дополнительные баллы.

У специалиста, аналитика или разработчика одним из навыков должно быть чёткое понимание того, какие задачи можно поручать ИИ, а какие — нельзя. Если использовать ИИ бездумно, толку не будет.

Есть задачи, для которых ИИ не подходит — по крайней мере, пока. Хороший специалист должен понимать: эту задачу проще сделать вручную, детерминированным способом, с помощью традиционных инструментов, а эту — можно автоматизировать с ИИ, и эффект будет реальным.

Почему возникает такое «цифровое разделение»: если человек точно может решить задачу без ИИ, то с ИИ он, скорее всего, сделает её быстрее. Обратное обычно не работает: профессор может покрасить забор, а маляр профессором стать вряд ли сможет. Тот, кто понимает, какой нужен результат, — для того и инструмент. Тот, кто не понимает, какой результат должен быть получен в итоге, не поймёт, что выдаёт ИИ и насколько это правильный, оптимальный или качественный результат.