Обзор кейса-финалиста Премии Digital Learning 2025
Представляем проект Альфа-Банка — «Школа ИИ-продактов», который представила Любовь Суханова, руководитель по обучению сотрудников Data Driven и искусственному интеллекту. Команда создала программу, которая помогает не просто обучать сотрудников технологиям искусственного интеллекта, а готовить специалистов, способных внедрять машинное обучение в реальные бизнес-процессы банка.
О проекте
«Школа ИИ-продактов» — корпоративная образовательная программа, направленная на подготовку новой роли внутри компании — ИИ-продакта. Это специалист, который одинаково хорошо понимает задачи бизнеса и возможности Data Science, умеет находить точки применения машинного обучения и доводить проекты до внедрения.
Главная особенность программы заключается в том, что обучение строится вокруг реальных проектов банка. Каждый участник работает над собственной инициативой, которая к окончанию обучения должна пройти путь от идеи до постановки в производственный бэклог.
Компания
Альфа-Банк — один из крупнейших технологических банков России, активно развивающий направления искусственного интеллекта, машинного обучения и Data Science. Одним из стратегических приоритетов компании является расширение применения моделей машинного обучения в бизнес-процессах и продуктах банка.
Предпосылки
Несмотря на высокий уровень развития Data Science, команда столкнулась с типичной проблемой крупных компаний: специалисты по машинному обучению отлично понимают технологии, а бизнес — свои задачи, однако говорить на одном языке им бывает сложно.
Для успешного внедрения моделей требовались специалисты нового типа — люди, которые способны одновременно понимать процессы бизнеса, особенности продуктовой разработки и возможности машинного обучения.
Поиск таких сотрудников на рынке оказался крайне сложным. Конверсия кандидатов в оффер была ниже 5%, а потребность банка значительно превышала количество доступных специалистов. Именно поэтому было принято решение развивать ИИ-продактов внутри компании.
Цели проекта
- сократить разрыв между бизнесом и Data Science;
- подготовить квалифицированных заказчиков ИИ-решений;
- увеличить количество качественных гипотез по внедрению машинного обучения;
- сформировать кадровый резерв ИИ-продактов;
- увеличить количество моделей, доходящих до промышленного внедрения.
Целевая аудитория
В программу приглашались не начинающие специалисты, а сильные сотрудники Альфа-Банка, уже обладающие глубокой предметной экспертизой и опытом управления продуктами.
Основным критерием отбора стало не знание машинного обучения, а понимание собственного бизнес-направления. Предполагалось, что продуктовым специалистам проще добавить технические компетенции, чем технических специалистов обучить управлению продуктами.
В пилотный поток вошли 32 сотрудника из различных подразделений банка, представляющих практически все ключевые бизнес-направления.
Реализация
Обучение продолжалось три месяца и строилось вокруг реальных проектов участников.
Программа включала несколько последовательных этапов:
- конкурсный отбор участников;
- проработка собственной бизнес-задачи;
- интенсивное обучение технологиям машинного обучения;
- открытая защита проектов перед руководителями Data Science;
- доработка проекта совместно с экспертами;
- постановка лучших инициатив в производственный бэклог банка.
Каждое домашнее задание было частью реального проекта участника. Вместо учебных кейсов слушатели рассчитывали финансовый эффект, формировали требования к модели, планировали внедрение и готовили проект к защите.
После первого потока команда пересмотрела архитектуру программы. Часть теоретических модулей была вынесена в предварительный онлайн-bootcamp, а синхронных занятий стало меньше. Это позволило снизить нагрузку без потери качества обучения.
Методические находки
Главной особенностью программы стало обучение исключительно на реальных бизнес-проектах.
Каждый участник проходил весь жизненный цикл внедрения модели машинного обучения — от поиска проблемы до подготовки проекта к промышленной эксплуатации.
Большую роль сыграли ролевые игры, моделирующие реальные встречи бизнеса, Data Science и ИИ-продактов. Благодаря этому участники учились не только понимать технологию, но и переводить бизнес-задачи на язык машинного обучения.
Отдельным преимуществом стала глубокая менторская поддержка. Действующие Chief Data Scientist, ИИ-продакты и эксперты сопровождали участников на протяжении всей программы, помогая решать реальные задачи, возникающие в процессе разработки.
Еще одна находка команды — отказ от искусственного акселератора проектов. Чтобы попасть в разработку, каждая идея проходила тот же путь согласования, что и любые другие инициативы банка. Это обеспечило высокую практическую ценность выпускных проектов.
Технические находки
Экосистема обучения включала:
- корпоративную образовательную платформу;
- онлайн-лекции и практикумы;
- индивидуальные домашние задания по собственным проектам;
- Telegram-сообщество участников;
- персональное менторское сопровождение;
- регулярные защиты проектов с участием руководителей Data Science.
Весь образовательный процесс был встроен в реальные процессы разработки банка, а не существовал отдельно от них.
Результаты проекта
По итогам первого потока:
- подготовлено 30 квалифицированных заказчиков ИИ-решений;
- 28 проектов были поставлены в производственный бэклог;
- совокупный прогнозный финансовый эффект проектов превысил 7,5 млрд рублей в год;
- сформирован кадровый резерв из 17 кандидатов на роль ИИ-продактов.
При этом команда получила важный практический вывод: большинство участников не стремились переходить на новую должность. Вместо этого они начали внедрять технологии искусственного интеллекта в собственных подразделениях, оставаясь экспертами своего бизнеса.
Эффективность проекта
Одним из ключевых результатов стало изменение подхода к корпоративному обучению искусственному интеллекту.
Вместо массового обучения работе с генеративными нейросетями команда сосредоточилась на подготовке сотрудников, способных создавать реальные бизнес-решения на основе машинного обучения.
Не менее важным результатом стала перестройка самой образовательной программы. После пилота команда переработала структуру обучения, усилила этап предварительной подготовки, увеличила долю асинхронного обучения и масштабировала программу с 32 до 100 участников в следующем потоке.
Итог
Кейс Альфа-Банка показывает, что успешная ИИ-трансформация компании начинается не с покупки новых технологий, а с подготовки людей, которые способны объединить интересы бизнеса и возможности Data Science. Обучение, встроенное в реальные процессы разработки, работа над собственными проектами и тесное взаимодействие с внутренними экспертами позволили создать программу, которая приносит измеримый бизнес-эффект уже в первом потоке.
Школа ИИ-продактов стала примером того, как корпоративное обучение может выступать драйвером цифровой трансформации, формируя внутри компании новую профессиональную роль и создавая проекты с потенциальным эффектом в миллиарды рублей.
