Искусственный интеллект — это уже не просто технологический тренд, а новая парадигма, в которой компаниям предстоит научиться работать. Технология меняет не только IT-инфраструктуру компаний, но и требует перекраивания процессов, изменений в организации работы команд и построения новой AI-driven культуры. О том, какие сценарии компании выбирают для внедрения искусственного интеллекта, где безопаснее и выгоднее размещать решения, как ведут себя модели под реальной нагрузкой и какие задачи AI уже решает для бизнеса, рассказали лидеры рынка на кейс-конференции BY DATA в Минске 18 сентября.
Конференцию ежегодно организовывает команда Digital Line. В этом году событие поддержали: генеральный партнер — Альфа Банк, технологический партнер — Softman Group, официальный партнер Yandex Cloud в Беларуси и партнеры — hoster.by, ВИРУСБЛОКАДА, Cotvec. Портал FutureBy стал информационным партнёром конференции.
Читайте также
Дмитрий Саксонов: «Перегрет не ИИ, а ожидания от него. Это разные вещи»
Реализованными кейсами со сцены поделились представители компаний, которые уже проходят путь от AI-экспериментов к системному внедрению технологии: Альфа Банка, Беларусбанка, БНБ-Банка, МТбанка, Yandex Cloud, hoster.by, 21vek, ПАТИО, МТС, Айгенис и других организаций. Мероприятие собрало 380 участников из банков, телекома, ритейла, финтеха и ИТ-компаний.
Стратегия и сценарии внедрения AI
В первом блоке программы спикеры показали разные подходы внедрения AI, рассказали, что важно учитывать при планировании собственного сценария, и поделились практиками, которые помогают использовать технологию эффективно и адаптировать сотрудников к работе в новой среде.
Al как драйвер бизнеса и ядро пользовательских сервисов нового поколения
Представители Альфа-Банка — CDAIO Дмитрий Нагорный и CDAIO блока «Операционный» Алина Гракович — рассказали о концепции Native AI, согласно которой искусственный интеллект естественным путем встраивается в работу организации, а дизайн процессов, продуктов и сервисов изначально исходит из его возможностей. Таким образом, AI является не надстройкой над существующими процессами, а меняет саму их структуру.
Альфа Банк развивает экосистему AI-агентов, объединенных единым интеллектуальным интерфейсом. Центральным элементом этой системы стал Альфа-Ассистент. Это не просто решение на базе языковой модели, а платформа, которая дает сотрудникам доступ к специализированным AI-агентам. Пользователю при этом не нужно разбираться, какой именно агент способен решить его задачу: он формулирует запрос в привычном интерфейсе, Альфа-Ассистент определяет его тематику и направляет соответствующему агенту, а затем возвращает полученный ответ.
«Пользователь не покидает среду. Он работает с одним консультантом на базе искусственного интеллекта, который, по сути, обслуживает все его запросы: где-то отвечает сам, где-то навигирует», — объяснил Дмитрий Нагорный. При этом сами AI-решения в банке постепенно усложняются: «Мы начинали с простых ассистентов, потом перешли к агентам и на сегодняшний день уже говорим о взаимодействии между ними и построении экосистемы агентов».
Специализированные агенты должны становиться частью единой цепочки бизнес-процесса, подключаясь на разных его этапах. Альфа Банк видит применимость такого подхода, например, в кредитном процессе: AI используется для распознавания и структурирования документов, подготовки проекта договора, а между этими этапами работают скоринговые ML-модели.
Но одной лишь технологической платформы для AI-трансформации недостаточно. Как отметили в Альфа Банке, если инструменты обновляются достаточно динамично, то трансформация мышления и привычных моделей поведения занимает значительно больше времени. Поэтому банк активно развивает AI-driven культуру: уже выстроена система обучения для работников с разным уровнем AI-компетенций, а получение базовых знаний включено в траекторию адаптации. В банке также формируется сообщество AI-амбассадоров, практикуется обмен опытом и лучшими кейсами применения AI. Сегодня уже более половины сотрудников используют Альфа-Ассистента в своей работе.
AI-трансформация в Альфа Банке реализуется через распределенную модель управления: центр компетенций определяет стратегию и направления развития AI, а внутри каждого бизнес-направления формируются соответствующие роли, которые отвечают за выбор и реализацию AI-сценариев в своем домене. Спикеры подчеркнули: «поскольку качество AI-решений сильно зависит от качества данных, то доменная экспертиза и строящаяся на ней распределенная модель не менее важны, чем сама технология».
Как запустить корпоративный AI в закрытом контуре без миллионных бюджетов
Внедрение искусственного интеллекта начинается не с огромных инвестиций, а с компетенций, понимания бизнес-целей и готовности команды последовательно двигаться вперёд. Такова ключевая мысль выступления экспертов МТбанка: начальника Центра аналитических решений Анны Мазовки, Solution Architect Александра Зубика и Product Owner Юлии Масловской. Спикеры поделились практическим опытом развития корпоративного AI — от первых экспериментов до собственной AI-платформы и запуска AI-ассистентов.
На старте внедрения корпоративного AI команда МТбанка работала в условиях жёстких ограничений: бюджет не увеличивали, а данные из-за требований безопасности и коммерческой тайны должны были оставаться в защищенном контуре банка. Вместо того чтобы покупать дорогостоящие платформы, команда перераспределила имеющиеся ресурсы: на сэкономленные средства приобрели собственный сервер с видеокартами и развернули на нём open-source модель в интерфейсе Open WebUI внутри банковского периметра. Так появился локальный аналог ChatGPT, способный безопасно работать, в том числе с чувствительной информацией, без передачи данных в интернет.
Однако после запуска выяснилось, что главная сложность связана не с технологией, а с людьми: сотрудники не понимали, как использовать новый инструмент, и относились к нему с недоверием. Чтобы снять пользовательские барьеры, команда решила превратить AI из абстракции в «цифрового коллегу» — так появился MTBoris. Инструмент получил имя, образ и понятный интерфейс, а внедрение сопровождалось внутренним обучением и распространением лучших практик. В результате AI-ассистент перестал восприниматься как абстрактный алгоритм и стал частью повседневной работы сотрудников.
Созданная единая AI-платформа стала не только основой для запуска отдельных пилотов, но и для масштабирования корпоративного AI. Архитектуру решения МТбанк выстраивал на базе open-source, без облачных и проприетарных продуктов. Такой подход позволил сохранить AI внутри закрытого контура банка, контролировать работу с данными и одновременно создавать технологическую основу для новых AI-сценариев.
Важным принципом стало и разделение задач между AI и традиционным программным кодом: языковой модели поручают то, что она делает хорошо, — работу с текстом и извлечение информации, а расчеты и проверки оставляют обычному коду. «Все, что можно посчитать кодом, считайте кодом» — этот принцип в команде повторяют как правило хорошего тона. Такой подход позволяет использовать возможности AI там, где они действительно дают эффект, не усложняя процессы без необходимости.
Как превратить AI в системную практику компании: опыт платформенного внедрения
В то время как одни компании разрабатывают собственные AI-решения или интегрируют множество отдельных сервисов, другие выбирают комплексные AI-платформы. Опытом такого внедрения с участниками BY DATA Conf поделились Елена Ерш, заместитель директора по стратегическому развитию и финансам, Айгенис, и Виталий Бахмат, CEO, CENTURY.
В Айгенис подошли к внедрению искусственного интеллекта в первую очередь как к инструменту масштабирования бизнеса. На фоне двукратного роста клиентской базы перед командой стояли задачи ускорить принятие решений, повысить качество сервиса, разгрузить первую линию взаимодействия с клиентами и сократить операционные издержки без потери контроля над рисками и безопасностью.
Для быстрого старта компания выбрала готовую AI-платформу, которая обеспечила единый фундамент для запуска и масштабирования сценариев автоматизации и безопасной работы с чувствительными данными. При этом проект стартовал не с выбора технологий, а с проработки бизнес-задач. «Мы не задавали себе вопрос, что мы будем внедрять, какие AI-агенты. Мы исходили из того, какие узкие места и проблемы есть у бизнеса».
Для поиска направлений автоматизации команда провела внутренний аудит процессов: сотрудники анализировали узкие места, рутинные операции, точки потери времени и денег. Каждая гипотеза проходила многоуровневую оценку для ее реализации: рассматривалась доступность данных, технологическая реализуемость, детально описывался процесс, точки оптимизации и измеримые критерии эффективности. В зависимости от задачи выбирали: AI-чат, классический RPA, агентскую автоматизацию, редизайн самого процесса — или оставляли задачу человеку. Если понятных показателей эффективности определить не удавалось, гипотеза просто не шла в разработку. Отдельное внимание уделяли тестированию: «Ломать модели дешевле, чем потом ошибаться в реальной жизни», — так команда сформулировала один из уроков проекта.
Внедрение проходило постепенно. На начальном этапе компания сосредоточилась на самых актуальных задачах и в течение месяца запустила пять прототипов AI-агентов. После получения первых результатов начался второй этап, посвященный масштабированию. Для этого был организован восьминедельный хакатон, который помог вовлечь сотрудников, сформировать сообщество внутренних амбассадоров изменений и перенести экспертизу бизнес-команд в новые AI-сценарии. В итоге было проработано более 30 гипотез, 20 бизнес-решений в работу взято, 11 из которых уже перешли в эксплуатацию, остальные ждут интеграции в ПО компании. Внедрении технологии ИИ обеспечило 100%-ную оценку качества звонков отдела продаж, построение аналитических дашбордов, фиксацию результатов совещаний, подготовку презентаций и возможность быстро анализировать и реагировать на поведенческие тренды клиентов.
При этом практика показала, что сама разработка занимает далеко не основную часть AI-проекта: более 60% времени ушло на методологию, процессы и бизнес-дизайн. Первые четыре недели хакатона команда вообще ничего не разрабатывала, а проверяла гипотезы, собирала данные и выстраивала архитектуру. Сама разработка заняла две недели, еще одна ушла на тестирование.
Сценарий определили — что дальше?
Когда подходящие AI-сценарии найдены, начинается следующий этап — переход от экспериментов к промышленной эксплуатации. Здесь появляются новые вопросы: инфраструктура и размещение решений, работа под реальной нагрузкой, стоимость владения и безопасность.
Во втором блоке программы BY DATA спикеры рассмотрели именно эту сторону внедрения AI — что необходимо, чтобы модели и AI-сервисы не просто заработали, а стали частью промышленной инфраструктуры компании.
Свой контур или облако?
Собственный контур не обязательно означает необходимость самостоятельно строить всю AI-платформу. Даже если требования безопасности предполагают размещение данных и моделей внутри инфраструктуры компании, сама платформа может быть готовым решением, развернутым on-premise, или частью гибридной архитектуры.
Как отметил Александр Пилецкий, руководитель направления развития бизнеса ML/AI Yandex Cloud, компании часто закладывают в смету ресурсы, необходимые для создания, но забывают про бюджет для дальнейшего развития и поддержки собственной платформы. В результате проект, рассчитанный на несколько месяцев, может растянуться на квартал, полгода или дольше, а внутренняя команда вместо проверки бизнес-гипотез будет занята развитием инфраструктуры.
При этом, выбирая между облаком, on-premise и гибридной архитектурой, нужно смотреть на конкретные задачи, специфику данных, необходимый уровня контроля, внутреннюю экспертизу и экономику проекта. Облачный подход позволяет быстрее запускать пилоты и проверять гипотезы на готовых инструментах, но может быть ограничен требованиями к данным и безопасности. On-premise дает больше контроля, однако требует собственной инфраструктуры, экспертизы и ресурсов на постоянное развитие платформы. Гибридная архитектура позволяет оставить чувствительные данные и отдельные компоненты внутри контура, а для других сценариев использовать облачные возможности.
Спикер предложил начинать не с выбора варианта размещения, а с ответов на вопросы:
— какую бизнес-проблему необходимо решить и где ожидается эффект: где компания теряет время, деньги или качество процессов, и убедиться, что AI способен помочь в решении этой задачи;
— с какими данными предстоит иметь дело: как будет работать AI-агент, с какими системами и данными он будет взаимодействовать, какие ограничения существуют по безопасности и интеграциям;
— достаточно ли собственной экспертизы: какие специалисты понадобятся для создания, внедрения и сопровождения решения;
— какова экономика проекта и по каким метрикам будет оцениваться эффективность: до старта проекта важно понимать, какие результаты ожидаются от внедрения и насколько они оправдают инвестиции.
Исходя из этого компания уже может определить свой путь и не копировать чужую AI-стратегию, а выбирать архитектуру под имеющиеся задачи и ограничения.
Вызовы эксплуатации моделей в различных средах
«Модель запустили, и жили они долго и счастливо» — таким был бы финал, если бы про внедрение AI в компании снимали фильм. Однако запуск в промышленную эксплуатацию — это только начало.
По словам Владимира Писанного, solution architect, hoster.by, основные сложности начинают проявляться именно на этапе выхода модели в продакшен, когда необходимо обеспечить производительность, отказоустойчивость, масштабируемость и стабильную работу под реальной нагрузкой.
Одна из первых проблем — фактическая нагрузка почти никогда не совпадает с той, что была при тестах. Она неравномерна, поэтому инфраструктура должна одновременно выдерживать пики и не держать без необходимости дорогостоящие GPU в простое. Для этого приходится контролировать очереди, загрузку моделей, задержки и другие метрики и на их основе масштабировать вычислительные ресурсы.
При этом не для каждой задачи нужна самая мощная модель. AI-сценарий может состоять из нескольких специализированных моделей, каждая из которых решает свою часть задачи. Но для инфраструктуры это означает дополнительную сложность: проектировать ее приходится уже не вокруг одной LLM, а с учетом всего набора моделей и особенностей их запуска.
Отдельная задача — эксплуатация самих моделей. Переход на новую версию нельзя рассматривать как простую замену одного компонента другим: могут измениться поведение модели и эффективность промптов, поэтому обновление требует тестирования и продуманной миграции. Необходимо отслеживать и деградацию качества по мере изменения данных и бизнес-процессов.
В результате возникает то, что спикер назвал «двойной сложностью»: компании приходится одновременно управлять обычной IT-инфраструктурой и отдельным ML-контуром — моделями, их загрузкой, производительностью, обновлениями и качеством.
Запретить нельзя контролировать
Сотрудники начинают пользоваться AI-инструментами быстрее, чем компании успевают выстроить правила работы с ними. На этом сделал акцент в своем выступлении Юрий Резников, заместитель директора, ОДО «ВИРУСБЛОКАДА».
Чувствительные данные нередко покидают закрытый контур не в результате кибератаки, а из-за так называемого теневого использования AI. Если сотрудники не имеют удобного и безопасного корпоративного инструмента, они начинают использовать публичные AI-сервисы самостоятельно, передавая туда рабочие документы, переписку и другую внутреннюю информацию. Подобная практика повышает риск утраты контроля над данными, нарушает требования регуляторов и, как следствие, может быть чревата репутационными и финансовыми потерями. Поэтому задача информационной безопасности — создавать управляемые сценарии работы с ним.
Для разных типов данных могут использоваться разные контуры, а уже знакомые ИБ-подходы распространяются и на AI: контроль трафика, DLP, разграничение доступа, логирование, Zero Trust и принцип наименьших привилегий. Последний становится особенно важным с развитием AI-агентов. Агент должен получать только те права, которые необходимы ему для конкретной задачи. Если ему не требуется изменять или удалять данные в production-системе, таких прав у него не должно быть в принципе. Как подчеркнул спикер, для агентских решений нужен централизованный контроль разрешений доступа.
При необходимости использовать внешние модели чувствительные данные можно обезличивать либо формулировать для модели аналогичную задачу без передачи исходной информации. А все действия внутри контролируемого контура — логировать.
Безопасность AI — это не запрет AI. Чем активнее сотрудники используют новые инструменты, тем важнее дать им контролируемый способ делать это внутри правил компании.
Где AI уже работает в бизнесе
В финальном блоке программы BY DATA спикеры представили кейсы использования AI в клиентских продуктах, прогнозировании продаж, анализе коммуникаций, повседневной работе аналитиков и поделились реальными результатами.
AI-аналитика коммуникаций
В БНБ-Банке речевая AI-аналитика позволила перейти от выборочного контроля звонков к анализу всего массива коммуникаций. О том, как удалось решить эту задачу, рассказали директор по маркетингу Роман Сельченок и заместитель председателя правления Юлия Савицкая.
Система автоматически транскрибирует и анализирует обращения, оценивает качество консультаций, определяет тематику и эмоциональную окраску диалогов, выявляет проблемные ситуации, требующие внимания супервайзеров. Данные коммуникаций используются и продуктовыми командами как источник информации о сложностях клиентов в продуктах и сервисах. За первые 2,5 месяца промышленной эксплуатации пропускная способность контактного центра выросла на 10%, а доля обращений, решенных с первого раза достигла 86%.
В МТС был похожий кейс, но компания получила результат другим способом: вместо отдельного решения для речевой аналитики оператор создал собственную AI-платформу, которую можно масштабировать на разные сценарии работы с клиентскими коммуникациями. Опытом разработки поделился Сергей Урбан, начальник отдела анализа качества и телеком разработок МТС.
Платформа включает в себя инструменты речевой аналитики, анализа запросов, интеллектуальное IVR-информирование и чат-ботов. Решение позволяет автоматически анализировать содержание всех диалогов, выявлять темы обращений, оценивать эмоциональную окраску разговоров и формировать краткие сводки. Кроме того, бизнес-подразделения могут самостоятельно настраивать анализ через промпты, без необходимости каждый раз дорабатывать систему разработчиками.
По словам спикера, уже сегодня платформа обеспечивает сквозной контроль качества, стандартизацию клиентского опыта, а также существенную экономию по сравнению с использованием облачных сервисов при таком объеме звонков.
AI в рознице и e-commerce
В ритейл-сети «5 элемент» AI используют для прогнозирования продаж и определения кодов ТН ВЭД. О реализованных решениях рассказал Максим Клиш, руководитель отдела управления данными ПАТИО.
Процесс прогнозирования продаж удалось перевести из ручных Excel-расчетов в автоматизированный сервис, который по расписанию формирует прогнозы и передает их в рабочие системы сотрудников. При этом модели не заменяют экспертизу бизнеса: специалисты дополняют результаты информацией о промоакциях, договоренностях с поставщиками и других факторах, которые не учитываются алгоритмами.
Второй AI-сервис собирает необходимые сведения о товаре через веб-поиск и предлагает подходящий код ТН ВЭД. Если он совпадает с вариантом поставщика, карточка автоматически проходит дальше по процессу. В спорных случаях окончательное решение остается за человеком. С помощью этого инструмента в компании ежедневно создается около 500 новых товарных карточек, которые раньше специалисты проверяли вручную. На тестовой выборке из тысячи номенклатур решение продемонстрировало среднюю точность около 86%. Определение одного кода занимает около 2,5 минуты, однако благодаря многопоточной обработке система может параллельно выполнять несколько запросов.
AI в работе аналитиков
Аналитики 21vek.by встроили AI-агентов непосредственно в свою повседневную работу. О том, какие задачи удалось ускорить и где AI по-прежнему не заменяет человека, рассказали Ольга Пальчук и Анастасия Дасюкевич, аналитики данных 21vek.by.
При подготовке SQL-выгрузок AI помогает искать и проверять данные, писать запросы, готовить черновик результата и проводить проверки по чек-листу. Срок выполнения такой задачи уменьшился примерно в полтора раза: с 1–2 часов до 35–70 минут. При подготовке дизайна A/B-теста примерно для 70% гипотез время сократилось с 3–5 до 2–3 часов, а последний дашборд удалось подготовить за неделю вместо прежних полутора-двух.
При этом быстрее стали прежде всего формализуемые и повторяющиеся этапы. Однако за аналитиком по-прежнему остаются работа с требованиями, выбор метрик, понимание бизнес-контекста и проверка результата. Как отметила Ольга Пальчук, благодаря автоматизации сборка результата теперь происходит быстрее, оставляя больше времени на понимание продукта и поиск инсайтов.
AI в продуктах и сервисах банка
Для клиента важно не то, какие AI-модели использует компания, а польза, которую он получает для себя. Именно с этой мысли началось выступление экспертов розничного блока Альфа Банка — CDAIO Андрея Одегова и Lead DS Андрея Каракулько. Спикеры поделились несколькими кейсами, где AI уже помог клиентам получить выгоду и ощутить заботу банка.
Один из кейсов — определение любимых категорий. На основе транзакционного поведения и профиля клиента система определяет, какие категории могут быть наиболее актуальны в следующем периоде, а также подбирает размер вознаграждения. В итоге уже через месяц среди клиентов, использующих сервис, удержание достигло 99%, в то время как у сопоставимой аудитории без выбора категорий этот показатель составил 95%. На разрезе трех месяцев разница составила около 7 процентных пунктов. Причинный эффект механики команда планирует подтвердить отдельным экспериментом.
Другой сценарий — предупреждение о возможной недостаточности средств для платежей по подписке. Для этого AI прогнозирует дату следующего списания и предполагаемый остаток на счете. Если возникает риск нехватки средств, клиент заранее получает уведомление. После запуска сценария доля успешных списаний за подписки выросла на 8%; также в наблюдаемом периоде сократились отклоненные операции и связанные с ними расходы банка.
_______________________________
Приведенные примеры лучше всего показали общий сдвиг: хорошая модель сама по себе еще не результат. Результат появляется, когда сокращается ручная работа, меняется процесс, улучшается клиентский опыт или бизнес-метрика. При этом AI постепенно перестает быть отдельным направлением и встраивается в ежедневную работу компаний. Он берет на себя тысячи клиентских диалогов, рутинные операции, помогает специалистам быстрее добраться до решения и одновременно становится частью самого продукта, незаметно для клиента.
Представители FutureBy — руководитель направления ИИ и креативных технологий Алеся Батюня и заместитель директора по развитию проекта FutureBy Владимир Ковалевский (на фото) смогли оценить также и оформление фойе мероприятия.
Как будет развиваться технология, насколько дальше компании продвинутся за следующий год и какие AI-сценарии к тому времени станут обычной практикой — планируется обсудить на BY DATA 2027.
Меню 
Знания 
События 
Новости 
Курсы валют