Профессии будущего: компетенции на стыке технологий и потребностей бизнеса и клиентов
AI-продакт: в этой технологии что-то есть!
Эксперт: Полина Полунина, начальник управления развития ИИ-решений и внешних партнерств в Альфа-Банке
АI-продакт отвечает за внедрение искусственного интеллекта в новые и уже существующие бизнес-процессы. У него должно быть достаточно знаний и умений, чтобы нейросети и машинное обучение действительно работали и помогали бизнесу, а не превращались в красивые, но бесполезные «вундервафли».
«Наш суперспециалист должен обладать как минимум четырьмя компетенциями: доменной и консалтинговой экспертизами, проектно-продуктовыми навыками и собственно техническими знаниями в области машинного обучения: нейросетей, ИИ, LLM и прочими», — рассказывает Полина.
Вот что означает каждая из этих компетенций:
- Доменная экспертиза — это знания из той области бизнеса, в которой человек работает: страховки, кредиты, клиентские продукты, бизнес-сектор и так далее.
- Проектно-продуктовые навыки — это база для AI-продакта. В первую очередь нужны знания в области разработки ИИ-моделей: как устроен их жизненный цикл, почему модели нужно регулярно переобучать, какие подводные камни бывают при подготовке датасетов — наборов данных для такого обучения.
- Консалтинг — это стратегия и коммуникация. Во-первых, для любого нового продукта нужен длинный список с задачами, которые правильно расставлены по приоритетам. Во-вторых, нужно уметь грамотно общаться как с представителями бизнеса, так и с разработчиками — переводить идеи с языка бизнеса на технический и обратно.
- Знания в области машинного обучения — последнее по порядку, но не по значению. Не обязательно писать код, но нужно понимать, какие задачи решаются ML-моделями, что они вообще умеют, что означают слова «классификация», «регрессия», RAG и ROC AUC.
«Чтобы грамотно переводить процессы на модельный подход, нужно разбираться и в бизнес-процессах, и в моделях машинного обучения. Как с языками: чтобы переводить с английского на китайский, придется знать оба, пусть и в разных объемах», — объясняет Полина.
Так чем же занимаются AI-продакты? Вот несколько продуктовых примеров:
- Генеративный поиск по базе знаний банка — ИИ-сервис для операторов колл-центра помогает быстрее находить нужные ответы.
- Рекомендательные сервисы в «Альфа-Инвестициях» предлагают клиентам подходящие продукты на основе склонности к инвестициям.
- Модели улучшения антифрода помогают сохранять деньги клиентов, предотвращая подозрительные операции.
- Оптимизация доставки карт — собственная ML-модель строит логистику эффективнее, чем открытые сервисы.
- Умные банкоматы прогнозируют, сколько наличных нужно подвозить в каждую точку, чтобы не было ни дефицита, ни простоя.
В Альфа-Банке признаются, что вокруг генеративного ИИ сегодня слишком много шума: все чувствуют, что в этой технологии что-то есть, но реальный выхлоп пока видят единицы. Поэтому в банке ищут не вау-эффект, а стабильную пользу, интегрируя ИИ там, где это действительно улучшает клиентский опыт или оптимизирует процессы. Это одна из основных обязанностей АI-продактов.
Дело за малым — найти таких специалистов или вырастить самим. По оценкам аналитиков «Альфы», сейчас банку нужно около ста AI-продактов, и это только начало. Поэтому в компании запустили сразу две программы обучения — внутреннюю и внешнюю.
Внутренняя школа АI-продактов готовит универсальных работников из представителей бизнеса — менеджеров и руководителей подразделений, которые хотят научиться грамотно ставить задачи разработке, оценивать потенциальный эффект и общаться с дата-сайентистами на одном языке.
Внешняя — магистратура в ИТМО. На базе государственного вуза в Санкт-Петербурге действует программа подготовки, на которую принимают как технических специалистов, так и опытных продактов и проджектов. Дальше технарей погружают в бизнес, а менеджеров — в технику, и за счет совместного обучения ребята учатся взаимодействовать и понимать друг друга.
«Помимо разницы в навыках и скиллах всегда есть некоторая дистанция между бизнесом и IT. Когда IT-спецы попадают в бизнес-подразделения и наоборот, им порой трудно адаптироваться к другой культуре. Мы выстроили процесс обучения так, чтобы все «поварились» вместе и научились понимать и принимать друг друга», — подытоживает Полина.
Нейродизайнер: все упирается в хороший вкус, насмотренность и смекалку
Эксперт: Иван Тихомиров, руководитель отдела «Искусственный интеллект в контенте» в Альфа-Банке
Нейродизайнер — это такой же дизайнер, как и раньше, только с новыми инструментами. Он делает те же картинки, видеоролики или концепты, что и всегда, но уже применяя технологии, которые появились за последние 3–4 года. Только эти инструменты вовсе не волшебная палочка: у команды дизайнеров есть несколько моделей, обученных на визуальных стилях и брендбуках «Альфы», но итоговый результат все равно нужно дорабатывать вручную. Или как минимум выбрать лучшую из сотен генераций.
Некоторые темы до сих пор очень плохо поддаются генерации даже с хорошим референсом. Например, визуализация с большим количеством деталей: кнопочек, падающих монеток, звездочек. Нейросети трудно понять, из какого места на баннере растет рука (хотя с количеством пальцев она уже справляется), под каким углом должен лежать огромный знак процента и почему на банковской карте нельзя написать случайный набор букв вместо примера имени и фамилии.
«Гораздо сильнее любых текстовых описаний — промптов — работают референсы. Приложенная картинка заменяет тысячу слов, которые надо еще и по-всякому переставлять, пока не получишь нужный результат. Поэтому опытный арт-директор или просто насмотренный дизайнер часто может «уделать» промпт-инженера. Понятно, что всякие фотоштуки у нейросети получаются лучше, потому что изначально все модели обучались на миллиарде фотографий. А вот модели для 3D, обученной на миллиардах примеров качественной 3D-графики, пока нет. Так что мы обучаем сами — и все упирается в насмотренность, хороший вкус и смекалку», — объясняет Иван.
Для многих задач работа с нейросетью превращается в лотерею и вычисление вероятностей — сделает ли нейронка нужную картинку после десятого референса и сотого промпта? В этом случае арт-директор заранее прикидывает, стоит использовать ИИ или лучше отдать работу живому дизайнеру. А рутинную работу нейронки успешно берут на себя, особенно потоковые задачи: визуалы для постоянных акций, промокампаний, рассылок и так далее.
У дизайн-отдела есть самописный ИИ-агент, который помогает понять эффективность нейросетей. Он сортирует все работы отдела по папкам «Сделано человеками» и «Сделано роботами». В конце каждого месяца команда оценивает результат. Вот оценка за август 2025 года: всего в департаменте контента 1362 ки-вижуала (key visual — главный визуальный образ для рекламной кампании), из них 45% сделано с помощью ИИ. В конце 2024 года их было не больше 15%.
Что касается «замены» дизайнеров на роботов, здесь все снова упирается в людей. Несмотря на то, что дизайнеры обучают нейронки на референсах, писать промпты тоже нужно уметь. И писать, и переписывать до тех пор, пока ИИ не поймет, чего от него хотят.
MLSecOps: защита и безопасность искусственного интеллекта
Эксперт: Никита Долгов, руководитель отдела развития практик безопасной разработки в Альфа-Банке
Специалисты классического DevSecOps (Development, Security, Operations — разработка, безопасность, эксплуатация) внедряют практики безопасной разработки на всех этапах жизненного цикла ПО. С появлением и развитием нейросетей появились новые вызовы: теперь нужно обеспечивать безопасность данных, на которых обучаются модели, и защищать их от угроз и атак. На стыке классического DevSecOps и разработки моделей машинного обучения (ML) родилась новая специализация — MLSecOps.
«Мы смотрим, как пользователи взаимодействуют с внутренними и внешними LLM, как происходит обучение/дообучение моделей, как они попадают в контур банка. Если объяснять коротко, то мы занимаемся защитой ИИ в двух направлениях: безопасность ML и безопасность генеративного ИИ», — объясняет Никита.
В первом случае речь идет о внедрении практик информационной безопасности (ИБ) в MLOps-конвейер. Специалисты MLSecOps участвуют во всех этапах жизненного цикла разработки ML-моделей и проверяют их на устойчивость к разного вида атакам.
Второе направление — защита технологий генеративного ИИ: ассистенты, чаты-боты, ИИ-агенты и проч. Здесь команда MLSecOps формирует требования к тому, как все эти решения должны работать в составе продуктов Альфа-Банка, чтобы соответствовать требованиям информационной безопасности.
Основные риски MLSecOps-специалисты делят на две категории — Security и Safety:
- Security в первую очередь касается защиты персональных данных, а также банковской и коммерческой тайны. После того как в 2025 году появились оборотные штрафы за утечки персональных данных, вопрос стал еще более важным. Модели не должны «сливать» наружу данные, на которых обучались или к которым получили доступ.
- Safety касается поведения ИИ-моделей: банк отвечает не только за точность, но и за корректность ответов. Нужна твердая уверенность в том, что модель не выдаст клиенту инструкцию, как обмануть банк или сделать что-нибудь противоправное. Это вопрос не только репутации, но и юридических рисков.
MLSecOps включается в каждый ИИ-проект еще на этапе идеи, когда IT-команда только задумывается, как встроить нейросеть в новый или уже существующий сервис.
«Мы идем вместе с ними рука об руку: консультируем, помогаем безопасно выстроить архитектуру, тестируем, а в конце даем заключение — можно ли выпускать продукт в свет. Благодаря совместной работе и вовлечению на всех этапах нам удается предотвращать уязвимости и делать безопасными IT-продукты, в составе которых есть ИИ-модели», — рассказывает Никита.
Новые технологии — это не только способ предоставить удобный сервис клиентам, но и потенциальная возможность для злоумышленников. Как только появляются новые решения на базе ИИ, кто-нибудь обязательно пробует их вскрыть, чтобы добраться до данных. И здесь важно быть на шаг впереди.