AI-трансформация «Альфа-Капитал»: от пилотов к полноценному внедрению
10 ноября 2023
- Техническая сторона трансформации
- Практические результаты и вызовы
- Заключение
- Основные выводы
- Вопросы - ответы
- Ключевые аспекты, дополнительно раскрытые в выступлении
Кейс AI-трансформации демонстрирует интеграцию искусственного интеллекта для повышения эффективности сотрудников, IT-процессов, работы с данными и клиентских сервисов. За несколько лет работы с командой из 200 IT-специалистов достигнута вовлеченность 60 % сотрудников в использование AI-инструментов. Осознанно применяются западные решения, включая GPT, для быстрого тестирования эффекта при строгом соблюдении требований к безопасности и персональным данным. Это позволяет оперативно внедрять инновации и измерять рост продуктивности.
Техническая сторона трансформации
С технической точки зрения трансформация опирается на готовые AI-инструменты и кастомные интеграции для цифровизации процессов. Ключевой элемент — корпоративный AI-портал на базе Open Web UI, обеспечивающий удобную работу с документами, платными моделями и контролем запросов. Портал интегрирован с корпоративным Telegram-ботом для упрощения доступа. Логирование запросов позволяет анализировать активность и оценивать компетенции сотрудников.В IT-процессах применяются инструменты для автоматизации. Бизнес-анализ ускорен на 30% с помощью AI GPT: пользователи формулируют задачи в формате User Story в GPT, получая предварительные оценки стоимости, сроков и юридических рисков. Системный анализ (Cursor, Copilot в IDE) используется для чтения кода, поиска конфликтов, создания API-схем и выявления неточностей в ТЗ, что дает до 30 % экономии. Разработка UI и прототипов (GPT, Cloud Code, Cursor, Lovable) обеспечивает экономию от 20 % (для монолитов) до 70 % (для новых задач) за счет генерации кода, UI-элементов и ревью кода. Тестирование пока дает до 10 % экономии на генерации тестов и данных, а поддержка не показала эффекта, но эксперименты продолжаются.
.png)
Измерение продуктивности — ключевой вызов. Для разработчиков анализируются изменения в Git-репозиториях, оценивается объем, сложность и время для middle-уровня, что позволяет отслеживать тренды по сотрудникам и командам. Планируется аналогичный подход для аналитиков, тестеров и поддержки. Цель на год — 10 % роста эффективности по всем процессам.
Практические результаты и вызовы
Практическое внедрение AI дало ощутимые результаты, но выявило и сложности. Вовлеченность сотрудников в AI-инструменты достигла 60 %, с активным продвижением через обучение и демонстрацию лучших кейсов, предложенных самими бизнес-пользователями. Например, сотрудники научились использовать GPT для автоматизации рутинных задач, таких как составление отчетов или анализ данных, что сокращает время на выполнение задач..png)
Для клиентских сервисов внедрены AI-решения, закрывающие 30 % обращений через чат-боты в приложении и помощников в кол-центре. Персонализированные отчеты по портфелям, учитывающие макроэкономику, ребалансировку и риски, стали доступны клиентам с лета 2025 года. Транскрипция и анализ звонков позволяют выявлять психотипы клиентов, оптимизировать скрипты продаж и повышать конверсию.
Основные вызовы связаны с настройкой инструментов и адаптацией команд. AI-решения требуют кропотливой кастомизации, так как готовые продукты не дают мгновенного эффекта без учета специфики процессов. Часть сотрудников медленно адаптируется к новым инструментам, что требует индивидуального онбординга. Еще одна сложность — интеграция AI в привычные процессы: инструменты, не встроенные в существующие рабочие потоки, часто игнорируются, несмотря на их потенциал. Для решения этого AI-агенты встраиваются в знакомые каналы, например, в почту для операционки. Измерение эффекта остается проблемой. Для разработчиков создана метрика на основе анализа Git, но для других ролей (аналитики, тестировщики, поддержка) она пока в разработке.
.png)
Ключевые практические результаты:
- 60 % сотрудников активно используют AI-инструменты ежемесячно.
- Экономия до 70 % времени на разработке новых задач и до 30 % на бизнес-анализе.
- 30 % клиентских обращений закрываются AI-агентами, с планом роста до 75%.
- Персонализированные отчеты по портфелям клиентов внедрены с лета 2025 года.
- Транскрипция звонков повышает эффективность продаж через анализ психотипов и скриптов.
- Кропотливая настройка AI-инструментов под специфику процессов.
- Медленная адаптация части сотрудников к новым инструментам.
- Необходимость интеграции AI в привычные рабочие потоки.
- Сложность измерения продуктивности для аналитиков, тестеров и поддержки.
- Начальное игнорирование новых инструментов из-за непривычного формата.
Заключение
AI-трансформация «Альфа-Капитал» демонстрирует успешный переход от пилотных проектов к системной интеграции, что уже привело к значительным результатам: рост вовлеченности сотрудников, экономия времени на IT-процессах и улучшение клиентских сервисов за счет персонализации и автоматизации. Компания активно работает над преодолением вызовов, таких как тонкая настройка AI-инструментов, адаптация команд к новым технологиям и разработка точных метрик для измерения эффекта..png)
Путь к полноценному внедрению AI еще далек от завершения, но текущие достижения — это лишь первый этап. Впереди стоят амбициозные цели, включая достижение 10 % роста продуктивности в IT в 2025 году, увеличение доли AI в обработке клиентских обращений до 75 % и развитие AI-продаж, которые могут покрывать до 50 % бюджета продаж в онлайн-каналах. Для этого продолжается работа над интеграцией AI в привычные процессы, обучением сотрудников и созданием цифрового следа для всех ключевых операций.
Компания уверена, что системный подход и фокус на измерение результатов позволят не только достичь поставленных целей, но и заложить основу для дальнейшего масштабирования AI-технологий, включая автогенерацию биоотчетов и управление активами. Этот процесс требует времени, ресурсов и постоянной адаптации, но уже сейчас демонстрирует потенциал для трансформации инвестиционной отрасли.
Основные выводы
- Выбор инструментов: использование GPT и аналогов для быстрого эффекта при соблюдении требований безопасности.
- Вовлеченность: 60 % сотрудников активно применяют AI, с акцентом на обучение и лучшие практики.
- Экономия в IT: до 70 % на разработке, 30 % на анализе; цель — 10 % общий рост эффективности.
- Клиентский сервис: 30 % обращений закрываются AI, внедрены персональные отчеты; цель — 75 % автоматизации.
- Вызовы: требуется настройка инструментов, адаптация команд и интеграция в привычные процессы; измерение эффекта для всех ролей в процессе.
Вопросы-ответы
1. Как оцениваете продуктивность в условиях дефицита аналитики, когда разработчики тратят часы на размышления?- Учитываем объем, сложность изменений и специфику проекта. Метрика в Git выявляет тренды: ценность частоты коммитов важнее скорости. Экстремумы показывают, например, тимлида, который кодит вместо управления.
2. Как решаете регуляторные требования, включая банковскую тайну и 152-ФЗ, при работе с американскими моделями?
- Обезличиваем данные на своей стороне: уникальные ID, стандартные бумаги, анализ операций. Контролируем корректность обезличивания, несмотря на нагрузку на инфраструктуру.
Ключевые аспекты, дополнительно раскрытые в выступлении
1. Работа с качеством данныхЦифровой след критичен для AI-анализа. Компания активно выявляет проблемы качества данных, обновляет глоссарий и обогащает данные офлайн/онлайн для точных прогнозов и рекомендаций при анализе транскриптов звонков и других процессов.
2. Мотивация сотрудников к использованию AI-инструментов
Активная пропаганда через корпоративный портал и Telegram-бота, обмен лучшими практиками, обучение. Для сотрудников, медленно адаптирующихся к новым инструментам, проводится индивидуальный онбординг. Ключевой принцип — интеграция AI-инструментов в привычные рабочие процессы, чтобы избежать их игнорирования.
3. Метрики успеха AI-продаж
Цель компании — покрывать 50% бюджета продаж через AI в онлайн-каналах (звонки, видеовстречи). Ключевые метрики: конверсия, персонализация предложений по психотипу клиента, анализ эффективности продаж на основе транскриптов разговоров.
