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.
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.
В этом материале описаны наиболее актуальные выводы и практики BY DATA Conf 2026.
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.
В этом материале описаны наиболее актуальные выводы и практики BY DATA Conf 2026.
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.
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.
AI 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».
«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.
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.
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.
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.
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:
Исходя из этого компания уже может определить свой путь и не копировать чужую AI-стратегию, а выбирать архитектуру под имеющиеся задачи и ограничения.
- 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.
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.
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.
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.
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.
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.
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.
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.
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.
Как будет развиваться технология, насколько дальше компании продвинутся за следующий год и какие AI-сценарии к тому времени станут обычной практикой — обсудим на BY DATA 2027.
Как будет развиваться технология, насколько дальше компании продвинутся за следующий год и какие AI-сценарии к тому времени станут обычной практикой — обсудим на BY DATA 2027.