Искусственный интеллект в финтехе: агент Альфа-Банка сэкономил 20 человеко-дней в месяц

---

Михаил Чернов, старший IT-лидер направления развития IT взыскания в Альфа-Банке, описал путь внедрения ИИ-агентов (программ, которые выполняют задачи без постоянного участия человека) в производственный процесс крупной CRM-системы и показал, как первый агент «Эстима» сэкономил команде около 20 человеко-дней в месяц, убрав еженедельную встречу на 20-25 человек.

Источник кейса, статья Михаила Чернова на Хабре. Контекст: CRM-система для взыскания проблемной задолженности, более 50 интеграций, около 1000 пользователей, команда примерно из 100 человек, портфель из миллионов кредитных договоров. Именно масштаб системы сделал точечное ускорение бесполезным: быстрее работал один участок, но тут же возникала очередь на следующем.

Что именно сделала команда?

До внедрения ИИ-агентов часть команды уже пользовалась ИИ-помощниками. Но остальные работали по привычной схеме, и общая скорость почти не менялась. Тогда команда посмотрела на PDLC (полный цикл разработки продукта, от идеи до выпуска) как на единый поток и начала перестраивать его по этапам.

Вместо широкого вопроса «как внедрить ИИ» задали пять конкретных:

• Где команда теряет больше всего времени?
• Какие действия повторяются по одинаковым правилам?
• Где уже накоплен структурированный контекст?
• Какой результат можно проверить человеком?
• Какая метрика покажет пользу через несколько недель?

Каждый проблемный участок декомпозировали: большой этап разбивали на маленькие операции, для каждой определяли вход, ожидаемый результат, ограничения и владельца. Так появилась «лестница быстрых улучшений», где системный анализ, разработка, ревью, тестирование и информационная безопасность двигались в своём темпе.

Почему начали именно с оценки задач?

Потому что стоимость процесса была видна в календарях. Каждую неделю 20-25 человек тратили полтора часа на встречу, где оценивали задачи. Для оценки использовали описания задач в Jira, документацию в Confluence, ссылки на связанные изменения и историю фактических трудозатрат. Вся эта информация уже была структурирована, агенту оставалось её обработать.

«Эстима» находила похожие задачи, сравнивала их содержание и историю выполнения, а затем предлагала детализированную оценку. Пилот шёл параллельно с ручным процессом: команда продолжала встречаться, агент считал свою версию, результаты сравнивали и разбирали расхождения. Через полтора месяца сходимость достигла 95%, и встречу отменили, оставив ручную валидацию техлидам.

Релевантная деталь: для работы «Эстимы» потребовался доступ к рабочему контексту. Так появился MCP-сервер (инструмент, который позволяет ИИ-агенту обращаться к внешним системам за данными) с расширенным набором функций. Сначала он обслуживал один сценарий, потом вокруг него появился интерфейс для массовой работы с задачами, которым начали пользоваться бизнес-заказчики и смежные подразделения.

Как команда справилась со страхами?

Ранние предложения вроде «давайте мы вам что-нибудь автоматизируем» не работали. Команда описала три группы опасений.

Ответственность. Код, требования и тесты доходят до промышленной среды, а ответственность несёт человек. Заказчики и тестировщики хотели понимать, кто принимает результат агента и кто отвечает за ошибку.

Страх потери рабочих мест. Люди воспринимали ИИ как угрозу. Общие обещания о безопасности только усиливали тревогу. Команде требовался личный опыт, где агент снимает рутину и оставляет специалисту содержательную работу.

Ожидание готового корпоративного решения. Крупная компания действительно строит общую платформу. Но локальный процесс, словарь команды, накопленная документация и ограничения остаются уникальными. Собственные агенты помогают точнее настроить общебанковские решения.

Принцип, на котором договорились: ответственность остаётся у человека, а каждый пилот начинается с узкой задачи и явной метрики. Потом команда показывала уже работающие возможности, вместе искала подходящую боль и запускала маленький эксперимент.

Через 1,5 месяца пилота сходимость оценки агента с ручной достигла 95%. После этого встречу отменили, валидацию оставили техлидам и получили экономию около 20 человеко-дней в месяц. : Михаил Чернов, старший IT-лидер направления IT взыскания, Альфа-Банк

Что появилось после «Эстимы»?

Первый заметный результат запустил новые инициативы снизу. По словам Чернова, за «Эстимой» появились агенты для ревью кода (агент «Диана»), работы с Jira, разработки, тестирования, аналитики и информационной безопасности. Вместе они постепенно меняют полный цикл разработки.

Команда выстроила последовательность: системный анализ, затем разработка, затем тестирование, затем информационная безопасность. Каждый этап получал своего агента, но каждый законченный кусок приносил самостоятельную пользу, не дожидаясь остальных.

Что делать с этим прямо сейчас, по ролям

Автору Дзена и копирайтеру. Путь Альфа-Банка применим к контент-производству буквально: найдите повторяющуюся задачу с накопленной историей (например, SEO-проверка черновиков, подбор иллюстраций по шаблону), замерьте время, запустите ИИ-агента параллельно с ручным процессом и сравните результаты за несколько недель. Не автоматизируйте всё сразу.

Маркетологу и предпринимателю РФ. Кейс показывает, что искусственный интеллект в финтехе работает не через покупку готовой платформы, а через декомпозицию процесса на маленькие операции с явной метрикой. Если вы управляете командой, начните с вопроса «где мы теряем больше всего времени?», а не «какой ИИ-инструмент купить».

Руководителю, который боится сопротивления. Схема Альфа-Банка: не предлагайте автоматизацию сверху, а покажите уже работающий результат на узкой задаче. Сохраните ответственность за человеком. Дайте команде увидеть, что агент снимает рутину, а не заменяет людей.

Самое полезное в этом кейсе не экономия 20 человеко-дней, а последовательность шагов: найти измеримую боль, запустить агента параллельно с ручным процессом, доказать пользу на метрике и только потом масштабировать. Этот маршрут работает в любой команде, от банка до редакции на Дзене.